預測驅動演化引擎

讓 90% 的對話以零 LLM 成本完成演化。

比喻：經驗老到的醫師直覺

想像一位執業 30 年的醫師。病人走進來打噴嚏、流鼻水，醫師不會下令全套血液檢查加 MRI；他憑經驗判斷就能開出處方：多休息、多喝水。只有在出現出乎意料的狀況（異常症狀、矛盾的體徵）時，醫師才會升級到昂貴的診斷程序。

DuDuClaw 的演化引擎運作方式完全相同。它不必對每一次對話都進行反思（太貴了），只需要預測應該發生什麼，再於現實偏離預測時才投入運算資源。

運作方式

核心迴圈

每當使用者訊息到達，引擎會執行以下循環：

使用者訊息到達
       |
       v
+------------------+
|  預測預期結果     |  <-- 基於已學習的模式
+--------+---------+
         |
         v
+------------------+
|  觀察實際回應     |  <-- Agent 實際做了什麼
+--------+---------+
         |
         v
+------------------+
|  計算預測誤差     |  <-- 預測和現實差多遠？
+--------+---------+
         |
         v
+------------------+
|  依誤差嚴重度     |  <-- 選擇最便宜的適當行動
|  進行路由        |
+------------------+

四級誤差等級

預測誤差決定後續動作：

誤差等級	含義	執行動作	成本
可忽略（Negligible）	預測準確	什麼都不做，繼續。	零
中等（Moderate）	略有偏差，但在容許範圍內	記錄偏差供未來學習，不採取行動。	零
顯著（Significant）	有意義的錯誤	觸發一次 GVU 反思循環	一次 LLM 呼叫
嚴重（Critical）	完全錯誤	觸發緊急 GVU 迴圈（最多 3 輪）	多次 LLM 呼叫

實務上，絕大多數對話落在前兩個等級。Agent 的行為可預測到足以讓引擎在不花一個 API token 的情況下確認「一切正常」。

雙系統設計

此架構模擬了 Kahneman 框架中的人類認知模式：

System 1（快速、自動）： 一組輕量啟發式規則處理常見情境。這些規則檢查的項目包括：

回應是否符合預期的意圖類別？
語氣是否與 Agent 的人格一致？
回應是否在行為邊界之內？

System 2（緩慢、刻意）： 只在 System 1 標記異常時才啟動。此時才會呼叫 LLM 深入分析問題所在，並提出修正建議。

精妙之處在於 System 1 處理約 90% 的流量。System 2 僅保留給真正需要反思的約 10%。

自校準閾值

更巧妙的是：「中等」與「顯著」之間的界線不是固定的。MetaCognition（元認知） 模組每 100 次預測會審視自身表現：

每 100 次預測：
  |
  v
GVU 觸發是否太頻繁？
  --> 是：調高「顯著」閾值（更寬容）
  --> 否：檢查是否遺漏了真正的問題
          --> 是：調低閾值（更敏感）
          --> 否：維持目前設定

這意味著系統會適應每個 Agent 獨特的行為特徵。處理客服的 Agent（可預測的模式）會有較高的閾值，而從事創意寫作的 Agent（本質上不可預測）則會有較低的閾值。

這為什麼重要

成本控制

若沒有此引擎，每次對話都會觸發 LLM 反思。在大規模運作下（每日數千則訊息），反思成本可能超過對話本身的成本。預測驅動方案將反思成本削減約 90%。

延遲

反思為演化管線增加延遲。透過跳過 90% 對話的反思，演化系統保持回應靈敏，不會成為瓶頸。

訊噪比

並非所有對話都承載同等的演化訊號。一段例行的「早安」交流不會教給 Agent 任何新東西。透過預測誤差過濾，引擎將學習預算集中在真正包含新資訊的對話上。

零 LLM 對話結果偵測

預測引擎要比較「預期結果」與「實際結果」之前，得先搞懂這次對話到底發生了什麼。ConversationOutcome 模組會沿三個維度為每次對話分類，全程不呼叫 LLM：

對話結束
       |
       v
+-----------------------+
| TaskType 偵測         |  <-- 使用者原本想做什麼？
|（問題、請求、          |     （關鍵字 + 模式比對）
|  抱怨等）              |
+-----------------------+
       |
       v
+-----------------------+
| 滿意度訊號             |  <-- 使用者滿意嗎？
|（明確回饋、             |     （情緒啟發式規則、
|  對話走向）             |      再次接觸模式）
+-----------------------+
       |
       v
+-----------------------+
| 完成度偵測             |  <-- 任務結束了嗎？
|（確認語句、             |     （zh-TW + en 雙語）
|  話題收尾）             |
+-----------------------+

這一步提供的是預測引擎拿來比對的「觀察到的現實」（而且成本是零）。

MistakeNotebook：跨迴圈的錯誤記憶

當一次預測失準（顯著或嚴重等級的誤差），細節會被記錄進 MistakeNotebook。這是一份持續累積的失敗模式紀錄：

預測誤差（顯著或嚴重）
       |
       v
寫入 MistakeNotebook：
  - 預測了什麼、實際發生了什麼
  - 對話情境
  - 當時生效的 SOUL.md 版本
  - 錯誤類別
       |
       v
未來的預測會查閱這本筆記：
  「這種錯誤我以前犯過嗎？」
       |
       v
  若有：對類似情境調低信心閾值
        （更謹慎）

這本筆記同時餵給預測引擎（改善未來預測）與 GVU 迴圈（L2.5 MistakeRegression 驗證層會拿新的人格版本去比對已知的失敗模式）。

Deferred GVU：有耐性的演化

不是每一次顯著的預測誤差都需要馬上動手。Deferred GVU 機制會先累積梯度訊號，等到量夠了才觸發一次完整的演化循環：

偵測到顯著誤差
       |
       v
梯度緩衝區累積夠了嗎？
       |
  +----+----+
  |         |
 夠了      不夠
  |         |
  v         v
現在就   累積梯度
觸發 GVU （留到之後）
              |
              v
        72 小時內最多延後 3 次
        → 分散在數天內，
          相當於 9-21 次有效迭代

這讓演化引擎不必對路上每一個小坑洞都反應過度，只等到證據累積到足以支撐一次有意義的改動：結果是更穩定、品質更高的演化。

與其他系統的互動

GVU 迴圈：預測引擎是 GVU 的守門人。它決定何時觸發 GVU 以及以何種緊迫程度。
MistakeNotebook：跨迴圈共用的記憶，避免同一種錯誤一犯再犯。
ConversationOutcome：零成本的對話分類，為預測比對提供「觀察到的現實」。
SOUL.md 版本控制：當 GVU 產生新版 SOUL.md 時，預測引擎的準確度是 24 小時觀察期指標的一部分。
CostTelemetry：引擎的命中/未中比率被追蹤並顯示在儀表板上，幫助營運人員了解引擎節省了多少。
Deferred GVU：梯度累積機制確保演化有耐性、以證據為準。

總結

預測驅動引擎回答了一個根本問題：「這次對話是否需要讓 Agent 成長？」 大多數時候，答案是否定的，而系統夠聰明，不需要詢問 LLM 就能辨認出這一點。真的需要成長時，它可以選擇耐心等待（Deferred GVU）或立刻行動（緊急迴圈），而且從不會忘記自己過去犯過的錯（MistakeNotebook）。