AI Growth Engine

元数据

字段	值
名称	ai-growth-engine
版本

1.0.0 | | 作者 | KingOfZhao | | 发布日期 | 2026-03-31 | | 置信度 | 96% |

来源碰撞

programmer-cognition (代码成长)
⊗
researcher-cognition (科研成长)
⊗
self-evolution-cognition (通用自进化)
↓
ai-growth-engine (通用AI成长引擎)

核心哲学

程序员通过Code Review成长，科研人员通过假设验证成长，设计师通过视觉评审成长。
成长的方式不同，但成长的引擎相同。
ai-growth-engine 就是这个引擎——职业无关、Agent通用。

RAPVL 五步成长循环

这是从programmer-cognition和researcher-cognition中提取的元模式：

R — Review 回顾: 审视最近的N次行动（代码提交/实验结果/设计迭代）
A — Analyze 提取模式: 从成功和失败中提取模式（bug模式/假设失败模式/设计缺陷模式）
P — Plan 调参: 基于模式制定改进计划（修改代码习惯/调整实验设计/更新设计流程）
V — Verify 验证: 执行改进计划并用度量指标验证（测试通过率/假设验证率/视觉一致性）
L — Learn 记录: 将验证结果写入成长日志，更新内部模型（永久记忆）

RAPVL vs 其他成长模型

Plan-Do-Check-Act (PDCA): 4步，缺少模式提取和记忆持久化
OODA Loop: 4步，面向决策而非成长
RAPVL (本Skill): 5步，专为AI自进化设计，包含模式提取+文件记忆

成长度量化（Growth Score™）

成长不能只靠感觉，必须有数字。

基础公式:
Growth Score = Σ (roundsuccessratedelta × taskcomplexity_weight)

计算示例（程序员）:
Round 1: 10个任务, 7个成功 (70%), 复杂度均值0.6
Round 2: 10个任务, 8个成功 (80%), 复杂度均值0.6
Growth Score = (0.80 - 0.70) × 0.6 = 0.06 (+6%)

计算示例（科研人员）:
Round 1: 5个假设, 1个验证通过 (20%), 重要度均值0.8
Round 2: 5个假设, 2个验证通过 (40%), 重要度均值0.8
Growth Score = (0.40 - 0.20) × 0.8 = 0.16 (+16%)

成长趋势:
- Growth Score > 0 → 正在成长 ✅
- Growth Score = 0 → 停滞 ⚠️ 触发深度反思模式
- Growth Score < 0 → 退步 🔴 触发根因分析模式

职业适配层（引擎相同，指标不同）

python

成长引擎是通用的，只需传入不同的度量配置:

growth_configs = {
程序员: {
success_metric: 测试通过率 + CI通过率,
failure_patterns: [空指针, 竞态条件, API变更遗漏],
complexity_weight: 代码行数 × 依赖数 × 并发复杂度,
verification: 单元测试 + 集成测试 + 生产监控,
record: CHANGELOG + debug日志 + LEARNINGS.md
},
科研人员: {
success_metric: 假设验证通过率 + 复现成功率,
failure_patterns: [混淆变量未控制, 样本量不足, 选择性报告],
complexity_weight: 实验变量数 × 跨领域程度 × 数据规模,
verification: 统计显著性 + 同行评审 + 可复现性检查,
record: hypotheses.md + experiments/ + collision_log/
},
设计师: {
success_metric: 视觉一致性评分 + 用户满意度,
failure_patterns: [对齐偏移, 色彩不一致, 可用性问题],
complexity_weight: 页面数 × 交互复杂度 × 跨设备适配,
verification: 设计系统检查 + A/B测试 + 用户测试,
record: designlog/ + iterationhistory/
},
企业家: {
success_metric: 关键指标增长率 + 决策准确率,
failure_patterns: [市场误判, 资源错配, 时机错误],
complexity_weight: 市场规模 × 竞争强度 × 不确定性,
verification: MVP验证 + 市场反馈 + 财务指标,
record: decisionlog/ + pivothistory/
},
教师: {
success_metric: 学生理解率 + 考试通过率,
failure_patterns: [概念跳跃, 练习不足, 反馈延迟],
complexity_weight: 班级人数 × 学科难度 × 基础差异,
verification: 随堂测验 + 作业分析 + 期末评估,
record: teachinglog/ + studentprogress/
},
医生: {
success_metric: 诊断准确率 + 治疗有效率,
failure_patterns: [误诊, 过度治疗, 信息遗漏],
complexity_weight: 病例复杂度 × 症状模糊度 × 时间压力,
verification: 随访结果 + 同行会诊 + 临床指南对照,
record: caselog/ + differentialdiagnosis/
}
}

自进化机制

成长引擎自身的进化（元进化）:

1. 1. 每完成一轮RAPVL循环，记录:

- Growth Score - 哪种失败模式提取最有效 - 哪种调参策略效果最好 - 哪种验证方式最准确

1. 2. 定期（每10轮）分析:

- 成长加速因子: 什么让Growth Score提升最快？ - 成长瓶颈: 什么导致Growth Score停滞？ - 优化方向: 调整模式提取策略或验证方式

1. 3. 输出进化报告:

growthreports/evolution{round}.json

安装命令

bash
clawhub install ai-growth-engine

或手动安装

cp -r skills/ai-growth-engine ~/.openclaw/skills/

调用方式

python
from skills.aigrowthengine import AIGrowthEngine

通用初始化（任何Agent都可以用）

engine = AIGrowthEngine(workspace=.)

使用预设配置

engine.configure(profession=程序员)

或自定义配置

engine.configure_custom( success_metric=自定义指标, failure_patterns=[模式1, 模式2], complexityweightfn=lambda task: task.difficulty * task.dependencies )

完成一轮RAPVL

result = engine.runrapvlround( actions=[ {task: 修复登录bug, success: True, complexity: 0.7}, {task: 优化查询性能, success: False, complexity: 0.9}, {task: 添加单元测试, success: True, complexity: 0.4}, ] )

print(result.growth_score) # +0.04
print(result.top_patterns) # [API变更遗漏频率↑, 性能优化成功率低]
print(result.recommendations) # [增加API变更检测工具, 性能优化前先profile]
print(result.trend) # growing / stagnant / declining

查看成长历史

history = engine.growth_history() print(history.rounds) # [Round1, Round2, ...] print(history.cumulative_growth) # 0.42 (+42%) print(history.best_domain) # 代码审查 print(history.worst_domain) # 性能优化

强制深度反思（Growth Score = 0时自动触发）

reflection = engine.deep_reflection() print(reflection.root_cause) # 过度追求新功能，忽略代码质量 print(reflection.action_plan) # [每3个功能后强制1次重构, ...]

学术参考文献

1. 1. A Survey of Self-Evolving Agents — 自进化综述（RAPVL的理论基础）
2. SAGE: Multi-Agent Self-Evolution — 四Agent闭环验证
3. Group-Evolving Agents — 群体进化+经验共享
4. [Self-evolving Embodied AI](https://arxiv.org/abs/2602