meta-super-agent-integration

由 model-distillation 从教师技能 super-agent-integration 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-super-agent-integration（蒸馏超越型元技能）

由 model-distillation 从教师技能 super-agent-integration 蒸馏并增强生成。 生成时间：2026-07-23 09:23:40 ｜ 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：super-agent-integration —— 端到端自主闭环真实跑通, 为什么需要, 闭环编排（全链路，真实调用各引擎）, 用法, 自检（真实跑通一次端到端闭环并断言健康度）, 真实跑一次, 输出, 设计要点
• 显性工作流步骤（7 步）：
  1. 规划（planner）：目标写进跨引擎记忆总线 MemoryBus.write("planner","goal",...)
  2. 执行内核（super-agent-bootstrap）：SuperAgent().run(goal, items) 跑通 感知→执行→自验证→反思重规划
  3. 自验证（reason-verify）：对汇总论断调用 reason() 做可靠性评分（reliability）
  4. 反思重规划（reflection-replanner）：若自验证不达标，用 Replanner.replan() 增补针对性补救步骤
  5. 跨引擎记忆贯通（memory-cross-engine）：每个结果 MemoryBus.write("memory",...) 并与目标 link
  6. 回归评测（agent-eval-harness）：EvalHarness 跑 4 个分类用例，量化 pass_rate 与是否回退
  7. 健康度综合：health = 0.35*verify_gate + 0.30*eval_pass_rate + 0.20*reason_rate + 0.15*replan>=1

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(super-agent-integration)	学生(meta-super-agent-integration)
能力来源	原始 SKILL.md（2903 字符）	蒸馏提取 + 元进化增强
工作流	7 步显性流程	同流程 + 自验证钩子 + 反思步
工具脚本	integration_runner.py, learner.py	继承 + reason-verify/self-reflection 钩子
失败防护	未显式标注	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「super-agent-integration」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）

• （教师未显式标注限制）
• 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。