meta-adversarial-robustness

由 model-distillation 从教师技能 adversarial-robustness 蒸馏并增强的超越型元技能， 在教师能力之上叠加自验证、自我反思、super-agent 编排与持续自进化闭环，逐步超越教师。

meta-adversarial-robustness（蒸馏超越型元技能）

由 model-distillation 从教师技能 adversarial-robustness 蒸馏并增强生成。 生成时间：2026-07-23 03:58:28 ｜ 蒸馏机制：跨模型蒸馏（见 meta-evolver 北极星策略）

来源能力签名（教师）

• 标题层级：adversarial-robustness（对抗鲁棒性）, 何时使用, 核心机制, 使用, 自进化学习系统, 已知限制, 自进化学习系统（越用越好用、越用越高效）, 记忆文件
• 显性工作流步骤（0 步）： （教师未显式编号工作流）

增强点（超越教师）

1. 可靠自验证：每步产出后用 reason-verify 做命题一致性/事实锚定校验，reliability<0.8 即回退重做。
2. 自我反思闭环：执行后写入 self-reflection-loop，沉淀失败模式到 learner。
3. 整合进 super-agent：作为节点接入「感知→规划→执行→自验证→反思→记忆」超级智能体闭环，可被长程任务编排。
4. 对抗验证蒸馏质量：对蒸馏出的关键决策规则做反例测试，防止只学到表面话术。
5. 持续自进化：注入 learner，纳入 meta-evolver 的 sense/plan/record 闭环，跨会话越用越强。

教师 vs 学生 对比

维度	教师(adversarial-robustness)	学生(meta-adversarial-robustness)
能力来源	原始 SKILL.md（2097 字符）	蒸馏提取 + 元进化增强
工作流	0 步显性流程	同流程 + 自验证钩子 + 反思步
工具脚本	learner.py, robustness.py	继承 + reason-verify/self-reflection 钩子
失败防护	已识别 1 处	显式 limits + 对抗验证
自进化	视技能而定	强制注入 learner，纳入 meta-evolver 闭环
集成	单点	接入 super-agent 感知→规划→执行→自验证→反思→记忆闭环

使用

直接调用本技能完成「adversarial-robustness」领域的任务；本技能在教师能力之上叠加自验证与反思，输出更可靠、可追溯。

已知限制（来自教师蒸馏 + 元进化补充）

• • 默认扰动为词法级（不依赖语义模型），对深层语义对抗（释义改写）覆盖有限。
• 归一化加固仅覆盖"可逆无歧义"的形近对（o→0/e→3/a→4/s→5/b→8/t→7/z→2）；i/l↔1 因歧义不纳入，仍可能致翻。
• 鲁棒性评分依赖 predict 的可复现性；随机扰动用固定种子保证可重跑。
• 不替代领域安全审核，仅做"输入抗扰动"的初筛与加固提示。

自进化学习系统（越用越好用、越用越高效）

本技能内置通用学习模块 scripts/learner.py。每次评估后自动复盘、积累经验。

记忆文件

learned_patterns.json 记录：操作总数、各扰动类型命中率、成功翻转记录、用户偏好、改进建议。

使用后请调用（Bash）

bash

# 记录一次评估（--capability 填本次主扰动族，如「char_swap」「confusable」）
python scripts/learner.py record <本技能目录> --capability char_swap
# 记录一次成功翻转（说明某决策被攻破）
python scripts/learner.py record <本技能目录> --capability char_swap --fail --error 决策翻转 --note "allow->all0w 击穿"
# 记录用户偏好（下次直接采用）
python scripts/learner.py prefer <本技能目录> --key 加固策略 --val 归一化去形近
# 查看累计洞察（高频致翻扰动族 / 反复失败）
python scripts/learner.py insight <本技能目录>
# 自动复盘（错误≥3次 或 操作≥10次 时给出改进建议）
python scripts/learner.py reflect <本技能目录>

迭代规则

• 成功翻转累计 ≥3 次 → 主动扩展归一化映射或建议业务侧加预处理，并回写本 SKILL.md。
• 操作数 ≥10 次 → 分析高频致翻扰动族优先打磨检测，低频评估精简。
• 重要用户偏好 → 写入 learned_patterns.json，下次调用直接采用。

越用越懂你：第一次评估是通用探针，第十次已沉淀为你专属的"抗欺骗加固清单"。

• 蒸馏不保证覆盖教师全部隐式知识，首次使用需对照教师原技能核验关键决策。