问题所在：人工智能输出具有概率性，提示词存在上限
大型语言模型产生的是概率性输出。无论你的提示词写得多么好，边缘情况总会失败——包括幻觉、遗漏、格式漂移，以及听起来很有道理但经不起推敲的合理化解释。
我在日常使用克劳德代码（Claude Code）时注意到了这一点：人工智能会说“已完成”，但文件并未写入。它会声称“日志已更新”，但时间戳却是三天前的。人工智能并没有撒谎——概率性输出本质上是不稳定的。
纯粹的提示词工程是用概率对抗概率。最终的防御必须是确定性的、机械式的检查。
解决方案：5个步骤中有4个是脚本，只有1个需要人工智能。
我构建了一个带有闭环反馈机制的代理配置系统：
self-model.md（当前自我认知）
↓
会话执行（人工智能基于配置工作）
↓
积累成长数据（哪些有效，哪些失败）
↓
quality-gate.py 检测陈旧性（文件时间戳 + 退出代码，纯 Python 实现）
↓
将 .self-model-stale 标志写入磁盘
↓
下次启动：health-check.py 检测到标志 → 触发人工智能重新生成自我模型
↓（闭环完成）
4个步骤是机械式脚本：文件时间戳检查、退出代码门禁、JSONL 审计追踪、标志文件输入/输出。
1个步骤需要人工智能：内容再生——将积累的成长数据综合为更新的自我认知。
机器负责检查。人类和人工智能负责判断。这不是哲学——这是工程学。
关键设计决策
1. 零依赖，仅使用标准库
每个脚本仅使用 Python 的标准库。质量检查工具不能引入新的依赖风险。
2. 双层门禁：软提醒 + 硬阻塞
- 流程层（软）：规则执行率低？进行提醒，但不阻塞。
- 输出层（硬）：学习日志未更新？退出代码为 2，硬性阻塞。交付必须完整。
界限不在于重要性，而在于“这是否可以稍后修复？”
3. 以文件系统作为数据库
没有向量数据库。没有云服务。所有身份数据、成长日志和审计记录都是本地的 Markdown 和 JSON 文件。可通过吉特（Git）审计，支持离线运行，完全自主可控。
外部验证：提交至一个拥有十万星标的项目
我从个人系统中提取了一个模块（delivery-gate），并将其提交至 ECC（超过十万星标）。
结果：维护者 daltino 审查并批准了它，且给予了赞扬。维护者 affaan-m 亲自合并了两个后续的拉取请求。一个两百行的 Python 脚本经过了四轮社区机器人审查加人类维护者审查，发现了我在自测中未曾发现的九个问题。
开源社区审查是你所能获得的最好的免费质量保证。这成为了我的“开源飞轮”方法论：为自己构建 → 提取模块 → 寻找社区空白 → 提交拉取请求 → 合并回自己的系统。
如果你想做类似的事情
- 先自行试用（吃狗粮）。在提交任何内容之前，我的系统已经通过了五十多次真实会话的运行。
- 使用脚本，而非提示词。如果你可以用 Python 中的 if/else 语句进行检查，就不要用自然语言来描述它。
- 小型拉取请求更易胜出。对于大型项目，一百到三百行是维护者审查的最佳行数范围。
-
使用填补空白的模板。“这个仓库有 X 和 Y。但是没有 Z。这个拉取请求填补了该
免责声明：本文内容来自互联网，该文观点不代表本站观点。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，请到页面底部单击反馈，一经查实，本站将立刻删除。
