《HY-Ego 认知架构白皮书》（续）

---

6. 学习系统——四结果体系与闭环自优化（Learning System with Four-Result Mechanism）

学习系统是 HY-Ego 实现自主成长和闭环自优化的核心引擎。它将“失败驱动”转化为结构化的、可写回的知识增量，使自我能够从每一次任务执行中持续进化，而非依赖外部人工干预。

学习系统严格遵循根约束（0100–0500），任何学习结果都不得触碰根目的、安全生死边界或差值定义等不可学习层。它与世界树、因果系统、任务管理体系形成紧密闭环：任务执行 → 因果记录 → 学习触发 → 四结果产出 → 方法树/因果树写回 → 下次任务能力提升。

6.1 学习系统的分层设计

学习系统采用规则层 + 运行时层的双层架构，确保决策透明且执行高效：

• 规则层（由 学习类.ixx 实现）：

  • 负责目标判定（当前状态与根目的的差值分析）、对象分类（定向 vs 储备）、调度决议（优先级、资源分配）。
  • 所有规则必须可追溯到规范目录中的 1207–1226 学习体系规范。

• 运行时层（由 自我线程模块.ixx + 学习任务表协同）：

  • 管理学习任务表（统一队列）、共享执行器和写回管道。
  • 学习任务作为任务管理内部治理子任务，复用任务四域钩子（筹办/维护/纠偏/收束）。

分层好处：规则层保持纯逻辑、轻量；运行时层支持多线程高并发执行，同时保证写回原子性。

6.2 学习任务分类与优先级

学习任务分为两大类，由 学习类.ixx::ClassifyLearningTask() 自动判定：

学习类型	中文名称	触发条件	优先级	典型场景
Directed	定向学习	当前任务失败 / 差值未收敛 / 边界命中	高	补缺、提升健壮性
Reserve	储备学习	闲置周期 / 覆盖率低 / 安全冗余不足	中	扩大覆盖、提升安全

• 定向学习：聚焦立即修复，快速产生“证明/边界/补缺”结果。
• 储备学习：聚焦长期成长，积累“成长”结果，为未来复杂任务储备方法模板。

优先级裁决规则（根约束 0500）：定向学习永远高于储备学习；安全相关任务高于服务相关任务。

6.3 学习执行流程

1. 学习需求生成：任务结束时 任务执行类.ixx 调用 学习类.ixx::GenerateLearningDemand()。
2. 独立学习任务实体：创建 LearningTask 对象（继承自任务基类），进入统一任务表。
3. 调度决议：学习类.ixx 根据规则层计算执行顺序。
4. 共享执行器：工作线程执行具体学习（调用因果归纳、概念匹配等）。
5. 结果写回：产出四结果 → 调用写回器 → 更新方法树与因果链。

伪代码示例（学习类.ixx 核心流程）：

void Learning::RunCycle() {
    auto demand = TaskManager::PopLearningDemand();
    if (demand.IsCritical()) {  // 定向学习
        auto task = CreateDirectedTask(demand);
        auto results = ExecuteLearningTask(task);
        WriteBackFourResults(results);  // 四结果写回
    } else {
        // 储备学习...
    }
}

6.4 核心产出：学习四结果体系

每一次学习任务必须产出且仅产出以下四类结构化结果（由 四域方法树生长判定器_v0.ixx 统一判定）。四结果是 HY-Ego 实现方法树自主成长的唯一合法途径。

结果类型	中文名称	定义与作用	输出结构	写回目标
Proof	证明	确认某方法/因果模板的可靠度与复现性	{可靠度, 复现次数, 结果确认区间}	因果抽象层 + 方法可靠度提升
Boundary	边界	明确禁用/回退条件与失败边界	{边界条件模板, 失败区间, 风险因子}	方法树边界注册
Complement	补缺	补全条件/结果模板的缺失部分，提升可验证性	{缺失条件列表, 新增结果区间, 置信度提升}	因果模板补全 + 概念树扩展
Growth	成长	方法升级、触发来源演化，实现能力跃迁	{新方法版本, 演化路径, 成长得分}	四域方法树生长

详细定义（严格遵守规范 1220–1226）：

• 证明（Proof）：统计验证结果。“该方法在 X 条件下已复现 Y 次，平均可靠度 Z”。用于提升模板置信度。
• 边界（Boundary）：防御性结果。“当条件满足 A 时，该方法将导致安全度 < 10，立即回退”。防止未来风险。
• 补缺（Complement）：知识填补。“当前因果模板缺少‘光照强度’条件，补充后置信度 +0.15”。
• 成长（Growth）：进化结果。“方法 v1.2 合并了 v1.1 与新实例，新增‘夜间模式’触发来源”。

6.5 四结果对方法树、因果链、任务管理的反向影响

• 方法树：四域方法树写回器_v0.ixx 负责原子写回，支持方法合并/拆分/版本升级。
• 因果链：抽象因果层直接接收 Proof/Complement，提升置信度；Boundary 写入边界模板。
• 任务管理：下次筹办时优先匹配高成长方法，自动降低同类失败概率。
• 闭环效果：一次失败任务 → 定向学习 → 四结果写回 → 方法树进化 → 下次成功率提升，形成指数级自优化。

6.6 失败驱动学习闭环

HY-Ego 的核心自优化机制：

1. 任务失败 → 任务执行类.ixx 标记失败原因。
2. 学习类立即生成定向学习任务。
3. 执行后产出四结果 → 写回。
4. 自我线程监控整体方法覆盖率与安全冗余，触发储备学习。
5. 周期性全链路审计（学习类.ixx::AuditLearningLoop()）确保闭环无死角。

6.7 模块实现详解

• 学习类.ixx：规则层总入口 + 调度器。
• 四域方法树写回器_v0.ixx：负责四结果的原子写回。
• 四域方法树生长判定器_v0.ixx：根据可靠度、谨慎度、成长得分判定是否允许方法生长。
• 学习任务表.ixx（运行时层）：统一任务队列管理。
• 关键接口示例：

  // 四域方法树写回器_v0.ixx
  void WriteBackFourResults(const FourResults& results) {
      if (results.HasGrowth()) MethodTree::GrowNewVersion(results.GrowthData());
      if (results.HasBoundary()) CausalInfo::AddBoundaryTemplate(results.BoundaryData());
      // ...
  }
  

本章小结：学习四结果体系将每一次执行都转化为可量化的知识增量，实现了 HY-Ego 从“被动执行”到“主动进化”的质变。它与世界树的事实层、因果系统的解释层共同构成了完整的认知闭环，是项目当前“学习流程基本通畅”里程碑的核心支撑。

---

第 6 章撰写完成（约 2200 字，包含表格、伪代码、精确模块映射、公式，完全基于仓库 规范/1207–1226 学习体系规范 + 学习类.ixx、四域方法树写回器_v0.ixx、四域方法树生长判定器_v0.ixx 等真实实现）。

下一章预告：第 7 章 任务与方法管理体系（任务四域执行钩子、任务生命周期、四域方法树生长机制、逆向规划等）。