meta-calibrated-autonomy

由 model-distillation 从教师技能 calibrated-autonomy 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-calibrated-autonomy（蒸馏超越型元技能）

由 model-distillation 从教师技能 calibrated-autonomy 蒸馏并增强生成。 生成时间：2026-07-23 08:25:03 ｜ 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：calibrated-autonomy（可信自主元能力）, 何时使用, 决策门（优先级从高到低）, 用法, 集成（超越无脑自主）, 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（5 步）：
  1. 安全门控：risk == critical → 强制 DEFER（拦截，绝不 ACT）。
  2. ACT：置信 ≥ 0.8 且风险可控（≤ medium）且非 high stakes。
  3. DELEGATE：存在可用专家且置信不足 → 授权首位专家。
  4. DEFER：high stakes 且置信 < 0.7 → 上交人工。
  5. ASK：其余中间态 → 需人工确认。

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(calibrated-autonomy)	学生(meta-calibrated-autonomy)
能力来源	原始 SKILL.md（1931 字符）	蒸馏提取 + 元进化增强
工作流	5 步显性流程	同流程 + 自验证钩子 + 反思步
工具脚本	autonomy.py, learner.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「calibrated-autonomy」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）

• 并从结果中学习收紧阈值，让 agent 在"自主"与"可控"之间校准，而非无脑全自主。构成北极星 "超越一线大模型"的元之终局能力之一（下一代可信自主域）。 agent_created: true visibility: public

---

calibrated-autonomy（可信自主元能力）

决定一个任务该「自己干 / 授权专家 / 上交人工 / 请示确认」，而非无脑全自主。

何时使用

• 任务风险/ stakes 不一，需要分级自主策略而非全自主或全人工。
• 想给 super-agent 加一个「自主闸门」，critical 风险自动拦截。
• 希望从失败中学习，逐步收紧/放宽自主边界。

决策门（优先级从高到低）

1. 安全门控：risk == critical → 强制 DEFER（拦截，绝不 ACT）。
2. ACT：置信 ≥ 0.8 且风险可控（≤ medium）且非 high stakes。
3. DELEGATE：存在可用专家且置信不足 → 授权首位专家。
4. DEFER：high stakes 且置信 < 0.7 → 上交人工。
5. ASK：其余中间态 → 需人工确认。

用法

bash

python scripts/autonomy.py --selftest
python scripts/autonomy.py --task task.json

集成（超越无脑自主）

• 接 super-agent-loop：每个待执行节点先过校准器再决定 ACT/DEFER。
• 接 safety-guardrails：critical 判定与护栏风险分级对齐。
• 接 agent-society-protocol：DELEGATE 的目标专家由社会投标选出。

已知限制

• 阈值（0.8/0.7）为固定启发式，learn 仅做单向收紧，未做贝叶斯校准。
• 未建模「任务间依赖」：一个 DEFER 可能阻塞下游，需接 toolchain-orchestrator 处理。
• 专家可用性为布尔列表，未评估专家实际可靠性/负载（可接 society 协议）。

---

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。每次使用后自动复盘、积累经验，逐步提升输出质量与执行效率，无需人工维护。

记忆文件

learned_patterns.json（位于本技能目录）记录：操作总数、各能力使用频次、错误模式、用户偏好、改进建议。

使用后请调用（Bash）

bash

# 记录一次成功使用（--capability 填本次主要能力名，如「简历优化」「比价」）
python scripts/learner.py record <本技能目录> --capability 简历优化
# 记录一次失败/异常
python scripts/learner.py record <本技能目录> --capability 简历优化 --fail --error 格式识别失败 --note "用户上传了非标准文件"
# 记录用户偏好（下次直接使用）
python scripts/learner.py prefer <本技能目录> --key 输出语言 --val 中文
# 查看累计洞察（高频能力 / 反复错误）
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

• 错误累计 ≥3 次 → 主动增加预检/兜底步骤，并将经验回写本 SKILL.md。
• 操作数 ≥10 次 → 分析高频能力优先打磨示例与质量，低频能力评估精简或合并。
• 重要用户偏好 → 写入 learned_patterns.json，下次调用直接采用，减少重复询问。

越用越懂你：第一次用是通用能力，第十次用已沉淀为你专属的最佳实践。

• 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。