meta-interpretable-attribution

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

由 model-distillation 从教师技能 interpretable-attribution 蒸馏并增强生成。 生成时间：2026-07-23 04:08:47 ｜ 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：interpretable-attribution（可解释归因）, 何时使用, 工作流, 运行, 内置自检（无外部依赖）, 实际归因, 增强点（融入元进化闭环）, 已知限制
• 显性工作流步骤（6 步）：
  1. 数据/模型接入：数据集(json list of dicts，含 label 字段) + 预测函数 predict(r)->val(py 文件定义)。
  2. 全局重要性：permutation importance —— 打乱某特征，看整体评分下降幅度，排序得全局归因。
  3. 局部重要性：local ablation —— 把待测样本某特征置为基值，看该样本预测变化。
  4. 反事实：counterfactual —— 贪心选"置为极值/离散候选后预测最接近目标"的特征翻转，得最少改动集。
  5. 自然语言归因：top-k 特征 -> 可读决策理由；边界附近样本给出"预测稳健"说明。
  6. 可靠自验证：脚本内置 --selftest 实测断言（首要特征=真因、反事实可翻转），reliability<0.8 即回退重做。

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(interpretable-attribution)	学生(meta-interpretable-attribution)
能力来源	原始 SKILL.md（1225 字符）	蒸馏提取 + 元进化增强
工作流	6 步显性流程	同流程 + 自验证钩子 + 反思步
工具脚本	attributor.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「interpretable-attribution」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）

• • 排列重要性依赖样本量，小样本方差大（建议 n_perm>=20）。
• 反事实为贪心近似，未必是全局最小改动集（NP 难）。
• 仅支持单样本、扁平特征；嵌套结构需先扁平化。
• 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。