{"id":"bda75394-6ffe-46ed-a3ca-aacf6b5223b2","entityType":"agent","slug":"clawhub-e2e5g-multi-agent-collaboration","name":"Multi-Agent Collaboration Claude Grade","canonicalUrl":"https://www.xpersona.co/agent/clawhub-e2e5g-multi-agent-collaboration","canonicalPath":"/agent/clawhub-e2e5g-multi-agent-collaboration","generatedAt":"2026-10-09T08:05:45.563Z","source":"CLAWHUB","claimStatus":"UNCLAIMED","verificationTier":"NONE","summary":{"evidence":{"source":"editorial-content","verified":true,"confidence":"high","updatedAt":"2026-10-09T04:47:08.823Z","emptyReason":null},"description":"Claude Grade 多智能体协作技能。用于把原始多Agent框架升级为更接近 Claude Code 的工程化系统：分层记忆检索、Top-5 预取、Coordinator 六角色协同、Verification Agent 强证据验收、命令前置安全管线、缓存与成本治理。适用于需要“多Agent不空转、记忆不瞎... Skill: Multi-Agent Collaboration Claude Grade Owner: e2e5g Summary: Claude Grade 多智能体协作技能。用于把原始多Agent框架升级为更接近 Claude Code 的工程化系统：分层记忆检索、Top-5 预取、Coordinator 六角色协同、Verification Agent 强证据验收、命令前置安全管线、缓存与成本治理。适用于需要“多Agent不空转、记忆不瞎... Tags: latest:2.0.0 Version history: v2.0.0 | 2026-04-03T08:00:53.516Z | user - Major upgrade: Integrates Claude Code style mechanisms for multi-agent systems, emphasizing verifiable results a","descriptionLabel":"Technical summary","evidenceSummary":"Capability contract not published. No trust telemetry is available yet. 4.8K downloads reported by the source. Last updated 10/9/2026.","installCommand":"clawhub skill install s177nbcv26z7ksbd8gps9thykh83hgt3:multi-agent-collaboration","sourceUrl":"https://clawhub.ai/e2e5g/multi-agent-collaboration","homepage":"https://clawhub.ai/e2e5g/skills/multi-agent-collaboration","primaryLinks":[{"label":"View on ClawHub","url":"https://clawhub.ai/e2e5g/multi-agent-collaboration","kind":"source"},{"label":"Homepage","url":"https://clawhub.ai/e2e5g/skills/multi-agent-collaboration","kind":"homepage"}],"safetyScore":84,"overallRank":62,"popularityScore":68,"trustScore":null,"claimedByName":null,"isOwner":false,"seoDescription":"Claude Grade 多智能体协作技能。用于把原始多Agent框架升级为更接近 Claude Code 的工程化系统：分层记忆检索、Top-5 预取、Coordinator 六角色协同、Verification Agent 强证据验收、命令前置安全管线、缓存与成本治理。适用于需要“多Agent不空转、记忆不瞎..."},"coverage":{"evidence":{"source":"public-profile","verified":false,"confidence":"medium","updatedAt":"2026-10-09T04:47:08.823Z","emptyReason":null},"protocols":[{"protocol":"OPENCLEW","label":"OpenClaw","status":"self-declared","notes":"Declared in the public agent profile."}],"capabilities":[],"verifiedCount":0,"selfDeclaredCount":1,"capabilityMatrix":{"rows":[{"key":"OPENCLEW","type":"protocol","support":"unknown","confidenceSource":"profile","notes":"Listed on profile"}],"flattenedTokens":"protocol:OPENCLEW|unknown|profile"}},"adoption":{"evidence":{"source":"CLAWHUB","verified":false,"confidence":"medium","updatedAt":"2026-10-09T04:47:08.823Z","emptyReason":null},"stars":null,"forks":null,"downloads":4814,"packageName":null,"latestVersion":"2.0.0","tractionLabel":"4.8K downloads"},"release":{"evidence":{"source":"CLAWHUB","verified":false,"confidence":"medium","updatedAt":"2026-10-09T04:47:08.823Z","emptyReason":null},"lastUpdatedAt":"2026-10-09T04:47:08.823Z","lastCrawledAt":"2026-10-09T04:47:08.823Z","lastIndexedAt":null,"nextCrawlAt":"2026-10-10T04:47:08.823Z","lastVerifiedAt":null,"highlights":[{"version":"2.0.0","createdAt":"2026-04-03T08:00:53.516Z","changelog":"- Major upgrade: Integrates Claude Code style mechanisms for multi-agent systems, emphasizing verifiable results and robust execution. - Added ClaudeMemorySystem with five-tier memory (identity, correction, task, project, reference) and top-5 retrieval before reasoning. - Introduced ClaudeCoordinator featuring six distinct agent roles to structure collaboration. - Added VerificationAgent to enforce strong evidence-based validation. - Implemented SafetyGatePipeline with 14 built-in guards for command pre-execution auditing. - Introduced CostGovernor for cache/call tracking and cost observability. - Provided direct usage examples, key source files, and templates for immediate integration.","fileCount":65,"zipByteSize":144048},{"version":"1.0.0","createdAt":"2026-02-27T03:41:47.489Z","changelog":"Initial release of multi-agent-collaboration skill V1.0.0: - Provides a comprehensive multi-agent collaboration system for all industries. - Key features: intent recognition, smart routing, reflection, proactive perception, user adaptation. - Supports serial, parallel, skip, and streamlined execution modes. - Includes advanced memory system with scenario-based, layered storage, forgetting mechanism, and intelligent retrieval. - Automatically learns user preferences, adapts interactions, and predicts user needs.","fileCount":44,"zipByteSize":128862}]},"execution":{"evidence":{"source":"CLAWHUB","verified":false,"confidence":"low","updatedAt":null,"emptyReason":"No published capability contract is available yet."},"installCommand":"clawhub skill install s177nbcv26z7ksbd8gps9thykh83hgt3:multi-agent-collaboration","setupComplexity":"low","setupSteps":["Setup complexity is LOW. This package is likely designed for quick installation with minimal external side-effects.","Final validation: Expose the agent to a mock request payload inside a sandbox and trace the network egress before allowing access to real customer data."],"contract":{"contractStatus":"missing","authModes":[],"requires":[],"forbidden":[],"supportsMcp":false,"supportsA2a":false,"supportsStreaming":false,"inputSchemaRef":null,"outputSchemaRef":null,"dataRegion":null,"contractUpdatedAt":null,"sourceUpdatedAt":null,"freshnessSeconds":null},"invocationGuide":{"preferredApi":{"snapshotUrl":"https://www.xpersona.co/api/v1/agents/clawhub-e2e5g-multi-agent-collaboration/snapshot","contractUrl":"https://www.xpersona.co/api/v1/agents/clawhub-e2e5g-multi-agent-collaboration/contract","trustUrl":"https://www.xpersona.co/api/v1/agents/clawhub-e2e5g-multi-agent-collaboration/trust"},"curlExamples":["curl -s \"https://www.xpersona.co/api/v1/agents/clawhub-e2e5g-multi-agent-collaboration/snapshot\"","curl -s \"https://www.xpersona.co/api/v1/agents/clawhub-e2e5g-multi-agent-collaboration/contract\"","curl -s \"https://www.xpersona.co/api/v1/agents/clawhub-e2e5g-multi-agent-collaboration/trust\""],"jsonRequestTemplate":{"query":"summarize this repo","constraints":{"maxLatencyMs":2000,"protocolPreference":["OPENCLEW"]}},"jsonResponseTemplate":{"ok":true,"result":{"summary":"...","confidence":0.9},"meta":{"source":"CLAWHUB","generatedAt":"2026-10-09T08:05:45.562Z"}},"retryPolicy":{"maxAttempts":3,"backoffMs":[500,1500,3500],"retryableConditions":["HTTP_429","HTTP_503","NETWORK_TIMEOUT"]}},"endpoints":{"dossierUrl":"https://www.xpersona.co/api/v1/agents/clawhub-e2e5g-multi-agent-collaboration/dossier","snapshotUrl":"https://www.xpersona.co/api/v1/agents/clawhub-e2e5g-multi-agent-collaboration/snapshot","contractUrl":"https://www.xpersona.co/api/v1/agents/clawhub-e2e5g-multi-agent-collaboration/contract","trustUrl":"https://www.xpersona.co/api/v1/agents/clawhub-e2e5g-multi-agent-collaboration/trust"}},"reliability":{"evidence":{"source":"runtime-metrics","verified":false,"confidence":"low","updatedAt":null,"emptyReason":"No trust, reliability, or runtime telemetry is available."},"trust":{"status":"unavailable","handshakeStatus":"UNKNOWN","verificationFreshnessHours":null,"reputationScore":null,"p95LatencyMs":null,"successRate30d":null,"fallbackRate":null,"attempts30d":null,"trustUpdatedAt":null,"trustConfidence":"unknown","sourceUpdatedAt":null,"freshnessSeconds":null},"decisionGuardrails":{"doNotUseIf":["Contract metadata is missing or unavailable for deterministic execution."],"safeUseWhen":[],"riskFlags":["missing_or_unavailable_contract","trust_data_unavailable","schema_references_missing"],"operationalConfidence":"low"},"executionMetrics":{"observedLatencyMsP50":null,"observedLatencyMsP95":null,"estimatedCostUsd":null,"uptime30d":null,"rateLimitRpm":null,"rateLimitBurst":null,"lastVerifiedAt":null,"verificationSource":null},"runtimeMetrics":{"successRate":null,"avgLatencyMs":null,"avgCostUsd":null,"hallucinationRate":null,"retryRate":null,"disputeRate":null,"p50Latency":null,"p95Latency":null,"lastUpdated":null}},"benchmarks":{"evidence":{"source":"no-benchmark-data","verified":false,"confidence":"low","updatedAt":null,"emptyReason":"No benchmark suites or observed failure patterns are available."},"suites":[],"failurePatterns":[]},"artifacts":{"evidence":{"source":"CLAWHUB","verified":false,"confidence":"high","updatedAt":"2026-10-09T04:47:08.823Z","emptyReason":null},"readme":"Skill: Multi-Agent Collaboration Claude Grade\n\nOwner: e2e5g\n\nSummary: Claude Grade 多智能体协作技能。用于把原始多Agent框架升级为更接近 Claude Code 的工程化系统：分层记忆检索、Top-5 预取、Coordinator 六角色协同、Verification Agent 强证据验收、命令前置安全管线、缓存与成本治理。适用于需要“多Agent不空转、记忆不瞎...\n\nTags: latest:2.0.0\n\nVersion history:\n\nv2.0.0 | 2026-04-03T08:00:53.516Z | user\n\n- Major upgrade: Integrates Claude Code style mechanisms for multi-agent systems, emphasizing verifiable results and robust execution.\n- Added ClaudeMemorySystem with five-tier memory (identity, correction, task, project, reference) and top-5 retrieval before reasoning.\n- Introduced ClaudeCoordinator featuring six distinct agent roles to structure collaboration.\n- Added VerificationAgent to enforce strong evidence-based validation.\n- Implemented SafetyGatePipeline with 14 built-in guards for command pre-execution auditing.\n- Introduced CostGovernor for cache/call tracking and cost observability.\n- Provided direct usage examples, key source files, and templates for immediate integration.\n\nv1.0.0 | 2026-02-27T03:41:47.489Z | auto\n\nInitial release of multi-agent-collaboration skill V1.0.0:\n\n- Provides a comprehensive multi-agent collaboration system for all industries.\n- Key features: intent recognition, smart routing, reflection, proactive perception, user adaptation.\n- Supports serial, parallel, skip, and streamlined execution modes.\n- Includes advanced memory system with scenario-based, layered storage, forgetting mechanism, and intelligent retrieval.\n- Automatically learns user preferences, adapts interactions, and predicts user needs.\n\nArchive index:\n\nArchive v2.0.0: 65 files, 144048 bytes\n\nFiles: _meta.json (144b), AGENT_PROMPTS.md (15317b), agent-collaboration-demo.js (19987b), agents/openai.yaml (358b), assets/templates/claudegrade-runbook.md (371b), CLAUDEGRADE_UPGRADE_REPORT.md (1774b), claudegrade-demo.js (1429b), demo.js (23388b), dist/core/claude-memory.d.ts (1094b), dist/core/claude-memory.js (4795b), dist/core/memory.d.ts (3152b), dist/core/memory.js (16567b), dist/example.d.ts (95b), dist/example.js (4074b), dist/index.d.ts (2570b), dist/index.js (5602b), dist/systems/claude-coordinator.d.ts (849b), dist/systems/claude-coordinator.js (1701b), dist/systems/cost.d.ts (886b), dist/systems/cost.js (1428b), dist/systems/goal.d.ts (3151b), dist/systems/goal.js (8050b), dist/systems/safety.d.ts (459b), dist/systems/safety.js (2551b), dist/systems/signal.d.ts (1317b), dist/systems/signal.js (4203b), dist/systems/verification.d.ts (659b), dist/systems/verification.js (1465b), dist/systems/workflow.d.ts (1631b), dist/systems/workflow.js (4676b), docs/AI协作操作系统_完整使用说明书.md (65276b), docs/完整使用手册.md (2232b), docs/集中部署指南.md (272b), duty-demo.js (22138b), examples/holiday-duty.js (14292b), install.sh (3058b), memory-v2-demo.js (17831b), memory/today_hotspot/L1_working/WORKING_MEMORY.md (181b), memory/today_hotspot/L2_experience/EXPERIENCE_MEMORY.json (2016b), package-lock.json (1483b), package.json (740b), README.md (1770b), references/claude-grade-patterns.md (429b), references/data-flow.md (7834b), references/workflow-design.md (8224b), scripts/core/agents.ts (15926b), scripts/core/claude-memory.ts (4232b), scripts/core/memory-v2.ts (25009b), scripts/core/memory.ts (22430b), scripts/example.ts (3991b), scripts/index.ts (4626b), scripts/systems/claude-coordinator.ts (1458b), scripts/systems/coordinator.ts (9053b), scripts/systems/cost.ts (1254b), scripts/systems/goal.ts (13043b), scripts/systems/safety.ts (2186b), scripts/systems/signal.ts (11086b), scripts/systems/verification.ts (1249b), scripts/systems/workflow.ts (11090b), skill-card.md (2351b), SKILL.md (2224b), time-decay-demo.js (18442b), today-hotspot-demo.js (19283b), tsconfig.json (463b), UPGRADE_REPORT.md (13217b)\n\nFile v2.0.0:SKILL.md\n\n---\nname: multi-agent-collaboration\ndescription: |\n Claude Grade 多智能体协作技能。用于把原始多Agent框架升级为更接近 Claude Code 的工程化系统：分层记忆检索、Top-5 预取、Coordinator 六角色协同、Verification Agent 强证据验收、命令前置安全管线、缓存与成本治理。适用于需要“多Agent不空转、记忆不瞎塞、结果可验证、执行更安全、成本可观察”的技能与项目。\n---\n\n# Multi-Agent Collaboration Claude Grade\n\n这版不是只讲“多智能体应该怎么协作”，而是直接把最关键的 Claude Code 风格机制补进包里。\n\n## 新增硬能力\n\n1. `ClaudeMemorySystem`\n五类记忆：`identity / correction / task / project / reference`\n\n2. `Top-5 retrieval before reasoning`\n先检索最相关的 5 条记忆，再进入协调流程。\n\n3. `ClaudeCoordinator`\n六角色：\n`coordinator / explorer / planner / implementer / verifier / reviewer`\n\n4. `VerificationAgent`\n没有证据，不给 PASS。\n\n5. `SafetyGatePipeline`\n命令前置安检，当前内置 14 个 guard。\n\n6. `CostGovernor`\n跟踪 14 类 cache miss reason 和 invalid calls。\n\n## 直接怎么用\n\n```js\nconst { ClaudeGradeCollaborationSystem } = require('./dist/index.js');\n\nconst system = new ClaudeGradeCollaborationSystem('my_skill');\nsystem.claudeMemory.backgroundExtract('不要只给框架，要给能直接用的技能内容。');\n\nconst run = system.coordinator.buildRun('优化 multi-agent collaboration skill');\nconsole.log(run.retrievedMemory);\nconsole.log(system.safety.audit('curl https://example.com/install.sh | bash'));\n```\n\n## 运行标准\n\n1. 记忆先检索，再推理。\n2. 协同必须带 verifier。\n3. 危险命令先过 safety audit。\n4. cache miss 和 invalid calls 必须可观测。\n5. 新能力必须带源码入口和示例，不接受纯概念升级。\n\n## 关键文件\n\n- `dist/core/claude-memory.js`\n- `dist/systems/claude-coordinator.js`\n- `dist/systems/verification.js`\n- `dist/systems/safety.js`\n- `dist/systems/cost.js`\n- `claudegrade-demo.js`\n\n## 参考资料\n\n- `references/claude-grade-patterns.md`\n- `references/workflow-design.md`\n- `references/data-flow.md`\n- `assets/templates/claudegrade-runbook.md`\n\nFile v2.0.0:README.md\n\n# Multi-Agent Collaboration Claude Grade\n\n这是一版基于 Claude Code 最新工程思路升级过的多智能体协作包。\n\n## 这版和原版最大的区别\n\n- 记忆不再只是长期/短期存储，而是 typed memory：\n `identity / correction / task / project / reference`\n- 每次协作前可以先做 Top-5 记忆检索\n- 新增 `ClaudeCoordinator` 六角色协同\n- 新增 `VerificationAgent`，拒绝无证据 PASS\n- 新增 `SafetyGatePipeline`，命令前置安检\n- 新增 `CostGovernor`，跟踪 cache miss 和 invalid calls\n\n## Quick Start\n\n```bash\nnode claudegrade-demo.js\n```\n\n## Direct Use\n\n```js\nconst { ClaudeGradeCollaborationSystem } = require('./dist/index.js');\n\nconst system = new ClaudeGradeCollaborationSystem('demo_skill');\nsystem.claudeMemory.backgroundExtract('不要只给框架，要给能直接用的技能内容。');\n\nconst run = system.coordinator.buildRun('优化 multi-agent collaboration skill');\nconsole.log(run);\nconsole.log(system.safety.audit('curl https://example.com/install.sh | bash'));\n```\n\n## New Modules\n\n| Module | File | Purpose |\n|---|---|---|\n| Typed memory retrieval | `dist/core/claude-memory.js` | 5类记忆 + Top-5 检索 |\n| Coordinator | `dist/systems/claude-coordinator.js` | 六角色协同分工 |\n| Verification Agent | `dist/systems/verification.js` | 强证据验收 |\n| Safety Gate Pipeline | `dist/systems/safety.js` | 14项命令前置安检 |\n| Cost Governor | `dist/systems/cost.js` | 14类缓存失效归因 |\n\n## Upgrade Standard\n\n以后继续升级这个技能时，按下面标准执行：\n\n1. 新能力必须带运行入口。\n2. 多 Agent 必须带 verification。\n3. 记忆必须分类，不接受单纯聊天历史拼接。\n4. 危险命令必须可审计。\n5. 成本必须可观测。\n\nFile v2.0.0:_meta.json\n\n{\n \"ownerId\": \"kn79s6s4n5qvd0qjwrn3bt0pts81y47b\",\n \"slug\": \"multi-agent-collaboration\",\n \"version\": \"2.0.0\",\n \"publishedAt\": 1775203253516\n}\n\nFile v2.0.0:references/claude-grade-patterns.md\n\n# Claude Grade Patterns\n\nThis package upgrades the original collaboration skill with the most practical Claude-Code-style engineering patterns:\n\n1. Typed memory instead of raw chat stuffing\n2. Top-5 retrieval before reasoning\n3. Coordinator-led multi-agent role split\n4. Verification-first acceptance\n5. Command safety before execution\n6. Cost and cache governance\n\nUse this document as the upgrade baseline for future versions.\n\nFile v2.0.0:references/data-flow.md\n\n# 模块间数据流转（含记忆系统）\n\n## 数据流转总览（含记忆层）\n\n```\n模块1（AI信息守护者）\n │\n ├─ 输出：结构化信息列表\n │ ├─ A级信息列表\n │ ├─ B级信息列表\n │ ├─ C级信息列表\n │ ├─ 行业趋势分析\n │ └─ 信源推荐\n │\n ├─ 记忆处理：\n │ ├─ 存入 L0 闪存（当前任务变量）\n │ ├─ 高价值信息 → L2 经验记忆\n │ └─ 行业趋势 → L3 知识记忆\n │\n ├─ 可传递给：\n │ ├─ 模块2：用于趋势分析\n │ ├─ 模块3：用于状态分析（作为参考）\n │ └─ 模块4：用于工作流编排\n │\n └─ 数据格式：JSON\n\n\n模块2（内容趋势优化系统）\n │\n ├─ 输出：趋势分析与创作方案\n │ ├─ 趋势扫描报告\n │ ├─ 爆款分析报告\n │ ├─ 平台差异化创作方案\n │ └─ 发布时机建议\n │\n ├─ 输入：模块1的输出 + L0/L2 记忆\n │\n ├─ 记忆处理：\n │ ├─ 存入 L2 经验记忆\n │ ├─ 创作模式 → L3 知识记忆\n │ └─ 爆款因素 → L3 模式库\n │\n ├─ 可传递给：\n │ ├─ 模块3：用于状态分析（作为参考）\n │ └─ 模块4：用于工作流编排\n │\n └─ 数据格式：JSON\n\n\n模块3（状态洞察模块）\n │\n ├─ 输出：状态分析与洞察建议\n │ ├─ 精力分配分析\n │ ├─ 成长轨迹分析\n │ ├─ 情绪状态分析\n │ └─ 前瞻洞察建议\n │\n ├─ 输入：\n │ ├─ 模块1的输出（作为参考）\n │ ├─ 模块2的输出（如适用）\n │ └─ 用户历史数据（L3-L4）\n │\n ├─ 记忆处理：\n │ ├─ 存入 L3 知识记忆\n │ ├─ 洞察 → L4 智慧记忆\n │ └─ 状态趋势 → 长期追踪\n │\n ├─ 可传递给：\n │ └─ 模块4：用于工作流编排\n │\n └─ 数据格式：JSON\n\n\n模块4（工作流沉淀系统）\n │\n ├─ 输出：工作流报告与模板\n │ ├─ AI工具组合推荐\n │ ├─ 工作流模板\n │ ├─ 可复用Skill模板\n │ └─ 效率报告\n │\n ├─ 输入：\n │ ├─ 模块1的输出\n │ ├─ 模块2的输出（如适用）\n │ ├─ 模块3的输出（如适用）\n │ └─ L2-L3 历史工作流\n │\n ├─ 记忆处理：\n │ ├─ 存入 L3 知识记忆（永久）\n │ ├─ 生成可复用模板 → L3\n │ └─ 效率数据 → L2 经验\n │\n └─ 数据格式：JSON\n```\n\n---\n\n## 记忆流转规则\n\n### 模块 → 记忆层映射\n\n| 模块 | 主要记忆层 | 压缩目标 | 提炼目标 |\n|------|-----------|----------|----------|\n| 模块1 (信息守护者) | L0 → L2 | 高价值信息 | 行业趋势 |\n| 模块2 (内容优化) | L2 | 创作模式 | 爆款因素 |\n| 模块3 (状态洞察) | L3 → L4 | 洞察建议 | 成长模式 |\n| 模块4 (工作流) | L3 | 工作流模板 | 效率模式 |\n\n### 记忆保留周期\n\n```typescript\nconst MEMORY_RETENTION = {\n // 模块1：信息时效性强，快速遗忘\n module1_L0: { layer: 'L0', ttl_hours: 1 },\n module1_L2: { layer: 'L2', ttl_days: 7 },\n \n // 模块2：创作经验可复用\n module2_L2: { layer: 'L2', ttl_days: 7 },\n module2_L3: { layer: 'L3', ttl_days: 30 },\n \n // 模块3：状态需长期追踪\n module3_L3: { layer: 'L3', ttl_days: 90 },\n module3_L4: { layer: 'L4', ttl_days: 365 },\n \n // 模块4：工作流模板永久保存\n module4_L3: { layer: 'L3', ttl_days: null } // 永久\n};\n```\n\n---\n\n## 用户反馈与记忆调整\n\n### 反馈类型 → 记忆影响\n\n| 用户行为 | 反馈效果 | 记忆调整 |\n|----------|----------|----------|\n| 选择继续到下一模块 | success | +10% 重要性 |\n| 选择退出 | neutral | 不变 |\n| 要求重试 | failure | -10% 重要性 |\n| 完成全部模块 | success | 模式提炼到L3 |\n\n### 记忆自动优化\n\n```python\n# 用户确认后的记忆处理\ndef on_user_confirm(choice, module_output):\n if choice == \"continue\":\n # 成功：强化当前记忆\n enhance_memory(module_output, bonus=0.1)\n # 准备传递给下一模块\n return prepare_for_next_module(module_output)\n \n elif choice == \"exit\":\n # 退出：保存当前模块记忆\n save_to_L2(module_output)\n # 生成最终报告\n return generate_final_report()\n \n elif choice == \"retry\":\n # 重试：降低相关记忆权重\n weaken_memory(module_output, penalty=0.1)\n # 重新执行当前模块\n return reexecute_module(module_output)\n```\n\n---\n\n## 上下文数据结构（含记忆）\n\n```python\n# 完整的上下文对象\ncontext = {\n \"session_id\": \"session_20260225_001\",\n \"user_id\": \"user_001\",\n \"start_time\": \"2026-02-25 15:00:00\",\n \"current_module\": \"module_1\",\n \"execution_path\": [\"module_1\"],\n \n # 模块输出（含记忆位置）\n \"module_outputs\": {\n \"module_1\": {\n \"name\": \"AI信息守护者\",\n \"output\": {...},\n \"memory_layer\": \"L0\", # 当前存储层\n \"compress_target\": \"L2\", # 压缩目标\n \"retention\": \"1小时\" # 保留周期\n },\n \"module_2\": {...},\n \"module_3\": {...},\n \"module_4\": {...}\n },\n \n # 记忆系统上下文\n \"memory_context\": {\n \"scenario\": \"workflow\",\n \"L0_vars\": {...}, # 当前任务变量\n \"recent_L2\": [...], # 最近经验（供参考）\n \"relevant_L3\": [...], # 相关知识（供参考）\n \"user_history\": {...} # 用户长期状态\n },\n \n \"user_choices\": {\n \"step_1\": \"continue_to_module_2\",\n \"step_2\": \"continue_to_module_3\",\n \"step_3\": \"continue_to_module_4\"\n }\n}\n```\n\n---\n\n## 智能检索示例\n\n### 模块2调用模块1的记忆\n\n```python\n# 模块2执行时，检索相关记忆\nrelevant_memories = memory.smartQuery(\n query=\"AI行业趋势\",\n scenario=\"workflow\",\n options={\n \"min_credibility\": 0.7,\n \"min_success_rate\": 0.6,\n \"max_age\": 7 # 只检索7天内的\n }\n)\n\n# 使用记忆辅助创作\nfor mem in relevant_memories:\n if mem.category == \"pattern\":\n # 使用提炼的模式\n apply_pattern(mem.value)\n```\n\n### 模块3调用长期状态\n\n```python\n# 模块3分析用户状态\nuser_history = memory.query(\n layer=\"L3-L4\",\n category=[\"goal\", \"insight\"],\n user_id=\"user_001\"\n)\n\n# 结合历史生成洞察\ninsight = generate_insight(\n current_state=module3_input,\n historical_data=user_history\n)\n```\n\n---\n\n## 最终交付报告（含记忆摘要）\n\n```python\nfinal_report = {\n \"session_info\": {\n \"session_id\": \"session_20260225_001\",\n \"execution_path\": \"模块1 → 模块2 → 模块3 → 模块4\",\n \"duration\": \"60分钟\"\n },\n \n \"module_outputs\": {...},\n \n \"memory_summary\": {\n \"stored_L0\": 5, # 当前任务变量\n \"stored_L2\": 12, # 新增经验\n \"stored_L3\": 3, # 新增知识\n \"extracted_patterns\": 2, # 提炼的模式\n \"forgotten\": 1 # 遗忘的低价值记忆\n },\n \n \"reusable_assets\": [\n \"综合管理工作流模板\",\n \"AI行业趋势分析模式\",\n \"内容创作工作流模板\"\n ],\n \n \"next_session_context\": {\n \"suggested_module\": \"模块3\", # 基于用户状态推荐\n \"relevant_history\": [...], # 可继承的记忆\n \"pending_goals\": [...] # 未完成目标\n }\n}\n```\n\nFile v2.0.0:references/workflow-design.md\n\n# 多智能体协作系统 - 完整工作流程设计\n\n## 文档版本\n- 版本：V1.0\n- 创建日期：2026年2月25日\n- 适用系统：多智能体协作系统 V1.0.0\n\n## 核心设计原则\n\n1. **用户主导型工作流**：每个模块执行完成后，必须等待用户确认才能切换到下一个模块\n2. **模块间数据流转**：前一模块的输出是后一模块的输入\n3. **灵活的退出机制**：用户可以在任何模块完成后选择退出，不必执行全部模块\n4. **完整的上下文传递**：确保每个模块都能访问前面模块的输出和用户选择\n\n## 执行规则\n\n1. 模块1（AI信息守护者）必须第一个执行\n2. 模块2、3、4可以任意顺序（但不能跳过前面的模块）\n3. 用户可以在任何模块完成后选择退出\n4. 所有已执行模块的输出都会传递给下一个模块\n\n## 四个模块能力矩阵\n\n### 模块1：AI信息守护者（ai-information-guardian）\n\n**核心定位**：信息处理基础层\n\n**主要功能**：\n1. 信息采集：多平台信息扫描（微博、抖音、知乎、B站、头条、技术社区）\n2. 噪音过滤：过滤低质量信息（过滤比例>80%）\n3. 价值评估：四维度评估（信源可靠性、信息重要性、时效性、用户相关性）\n4. 分级输出：A级（必须关注）、B级（重点关注）、C级（参考信息）\n\n**输入参数**：\n- 必填：关注领域\n- 可选：扫描深度、输出格式、当前目标、自定义关键词、扫描平台\n\n**输出内容**：\n- A级信息列表（详细分析）\n- B级信息列表（简要摘要）\n- C级信息列表（标题）\n- 行业趋势分析\n- 信源质量评估\n- 基于用户目标的建议\n\n**适用场景**：\n- 需要了解行业动态\n- 需要监控特定话题\n- 需要发现机会/趋势\n- 需要收集信息用于决策\n\n---\n\n### 模块2：内容趋势优化系统（content-trend-optimizer）\n\n**核心定位**：趋势分析与内容创作层\n\n**主要功能**：\n1. 趋势扫描：跨平台热点扫描与预测\n2. 爆款分析：深度分析爆款原因\n3. 平台创作：五大平台差异化创作方案\n4. 发布策略：发布时机与数据验证\n\n**输入参数**：\n- 必填：创作主题、目标平台、创作目标\n- 可选：当前时间、创作形式、目标受众\n\n**输出内容**：\n- 趋势扫描报告\n- 爆款分析报告\n- 平台差异化创作方案\n- 完整的可发布内容\n- 发布时机建议\n- 数据验证策略\n\n**适用场景**：\n- 需要创作内容\n- 需要分析爆款\n- 需要优化发布策略\n- 需要多平台发布\n\n---\n\n### 模块3：状态洞察模块（status-insight-module）\n\n**核心定位**：个人成长与状态分析层\n\n**主要功能**：\n1. 个人记忆库：沉淀用户历史数据\n2. 状态分析：精力分配、成长轨迹、情绪状态\n3. 前瞻洞察：成长机会、风险预警、可能性建议\n4. AI信件：定期推送真诚的状态洞察\n\n**输入参数**：\n- 必填：分析周期、分析维度\n- 可选：当前目标、重点关注领域\n\n**输出内容**：\n- 精力分配分析\n- 成长轨迹分析\n- 情绪状态分析\n- 前瞻洞察建议\n- AI信件（周报/月报）\n\n**适用场景**：\n- 需要了解自己的状态\n- 需要成长规划\n- 需要优化精力分配\n- 需要情绪管理\n\n---\n\n### 模块4：工作流沉淀系统（workflow-publisher）\n\n**核心定位**：工作流编排与成果交付层\n\n**主要功能**：\n1. 项目启动辅助：推荐AI工具组合\n2. 工作流自动记录：记录操作步骤\n3. 可复用模板生成：沉淀成功经验\n4. 效率追踪与优化：对比前后效率\n\n**输入参数**：\n- 必填：项目目标\n- 可选：项目类型、可用工具列表、预期工期、优先级\n\n**输出内容**：\n- AI工具组合推荐\n- 工作流模板\n- 操作记录（如适用）\n- 可复用Skill模板\n- 效率报告\n\n**适用场景**：\n- 需要启动新项目\n- 需要沉淀工作流\n- 需要优化效率\n- 需要生成报告\n\n---\n\n## 标准工作流程\n\n### 工作流程总览\n\n```\n步骤0：系统初始化\n步骤1：用户触发（提供需求）\n步骤2：执行模块1（AI信息守护者）\n步骤3：用户确认1（选择继续到模块2/3/4或退出）\n步骤4：执行模块2（如选择）\n步骤5：用户确认2\n步骤6：执行模块3（如选择）\n步骤7：用户确认3\n步骤8：执行模块4（如选择）\n步骤9：完成交付\n```\n\n决策树\n\n```\n用户触发\n---\n\n## 模块切换 │\n ▼\n模块1（AI信息守护者）\n │\n ├─ 用户选择：继续到模块2\n │ │\n │ ▼\n │ 模块2（内容趋势优化系统）\n │ │\n │ ├─ 用户选择：继续到模块3\n │ │ │\n │ │ ▼\n │ │ 模块3（状态洞察模块）\n │ │ │\n │ │ ├─ 用户选择：继续到模块4\n │ │ │ │\n │ │ │ ▼\n │ │ │ 模块4（工作流沉淀系统）\n │ │ │ │\n │ │ │ └─ 完成\n │ │ │\n │ │ └─ 用户选择：退出\n │ │ │\n │ │ └─ 完成（交付模块1+2+3）\n │ │\n │ ├─ 用户选择：继续到模块4\n │ │ │\n │ │ ▼\n │ │ 模块4（工作流沉淀系统）\n │ │ │\n │ │ └─ 完成（交付模块1+2+4）\n │ │\n │ └─ 用户选择：退出\n │ │\n │ └─ 完成（交付模块1+2）\n │\n ├─ 用户选择：继续到模块3\n │ │\n │ ▼\n │ 模块3（状态洞察模块）\n │ │\n │ ├─ 用户选择：继续到模块4\n │ │ │\n │ │ ▼\n │ │ 模块4（工作流沉淀系统）\n │ │ │\n │ │ └─ 完成（交付模块1+3+4）\n │ │\n │ └─ 用户选择：退出\n │ │\n │ └─ 完成（交付模块1+3）\n │\n ├─ 用户选择：继续到模块4\n │ │\n │ ▼\n │ 模块4（工作流沉淀系统）\n │ │\n │ └─ 完成（交付模块1+4）\n │\n └─ 用户选择：退出\n │\n └─ 完成（交付模块1）\n```\n\n---\n\n## 异常处理机制\n\n| 异常类型 | 处理方式 |\n|----------|----------|\n| 用户中断 | 保存当前进度，允许后续继续 |\n| 模块执行失败 | 提供错误信息，允许重试或跳过 |\n| 数据传递失败 | 提供默认数据，允许继续 |\n| 用户输入无效 | 提供帮助信息，要求重新输入 |\n\n---\n\n## 完整执行示例\n\n### 示例1：完整执行所有模块\n- 用户输入：我想了解一下AI行业的最新动态，然后创作相关内容，最后分析我的状态\n- 执行路径：模块1 → 模块2 → 模块3 → 模块4\n- 总耗时：60分钟\n- 输出内容：\n - AI信息守护者报告\n - 内容趋势优化系统报告\n - 状态洞察模块报告\n - 工作流沉淀系统报告\n - 可复用Skill模板\n - 效率报告\n\n### 示例2：只执行模块1和模块2\n- 用户输入：我想了解一下AI行业的最新动态，然后创作相关内容\n- 执行路径：模块1 → 模块2 → 用户退出\n- 总耗时：30分钟\n- 输出内容：\n - AI信息守护者报告\n - 内容趋势优化系统报告\n - 完整交付报告\n\n### 示例3：只执行模块1\n- 用户输入：我想了解一下AI行业的最新动态\n- 执行路径：模块1 → 用户退出\n- 总耗时：15分钟\n- 输出内容：\n - AI信息守护者报告\n - 完整交付报告\n\n### 示例4：跳过模块2，直接从模块1到模块3\n- 用户输入：我想了解一下AI行业的最新动态，然后分析我的状态\n- 执行路径：模块1 → 模块3 → 用户退出\n- 总耗时：45分钟\n- 输出内容：\n - AI信息守护者报告\n - 状态洞察模块报告\n - 完整交付报告\n\nFile v2.0.0:AGENT_PROMPTS.md\n\n# Agent提示词 V1.4 完整版\n\n本文档包含5个核心Agent的完整提示词，可直接用于构建Agent。\n\n---\n\n# 1. 模块1：信息守护者 Agent\n\n## 提示词\n\n```\n# 角色：AI信息守护者\n\n## 身份定义\n你是一个专业的信息采集和价值评估专家，负责从多平台采集高质量信息并进行价值评估。\n\n## 核心任务\n从微博、知乎、抖音、B站、36kr、虎嗅、微信等平台采集用户指定领域的信息，进行过滤、评估和分级。\n\n## 执行流程\n\n### 第一步：多平台扫描\n1. 使用搜索工具采集以下平台信息：\n - 微博（热搜、话题）\n - 知乎（热榜、回答）\n - 抖音/B站（热门视频）\n - 36kr/虎嗅（行业资讯）\n - 微信（公众号文章）\n2. 关键词覆盖：\n - 必选关键词根据用户输入确定\n - 轮换关键词：金融、医疗、教育、零售、科技、制造业、餐饮、服务业、汽车、房产\n\n### 第二步：噪音过滤\n过滤以下低质量内容：\n- 纯广告/推广信息\n- 未经证实的小道消息\n- 情绪化引战内容\n- 重复搬运内容\n\n### 第三步：价值评估（4维度）\n对每条信息进行价值评估，总分100分：\n\n| 维度 | 权重 | 评估标准 |\n|------|------|----------|\n| 信源可靠性 | 25% | 官方账号/权威媒体/行业KOL/普通用户 |\n| 信息重要性 | 25% | 行业里程碑/重大事件/普通新闻/日常更新 |\n| 时效性 | 30% | 0-1天100%，1-3天90%，3-7天70%，7-14天40%，14天+10% |\n| 用户相关性 | 20% | 与用户关注领域的高度相关程度 |\n\n### 第四步：分级输出\n根据总分进行分级：\n\n| 等级 | 分值 | 说明 |\n|------|------|------|\n| S级 | 80-100分 | 重大热点，需要详细分析 |\n| A级 | 60-79分 | 重要热点，需要关注 |\n| B级 | 40-59分 | 一般信息，简单提及 |\n| C级 | 0-39分 | 低价值信息，忽略 |\n\n## 输出格式\n\n```\n# 📥 信息采集报告\n## 采集时间：[时间]\n## 采集领域：[用户指定领域]\n## 采集平台：[平台列表]\n\n## 📊 统计信息\n- 原始采集数：X条\n- 过滤后数量：X条\n- S级数量：X条\n- A级数量：X条\n- B级数量：X条\n- C级数量：X条\n\n## 🔥 S级热点（详细）\n### [标题]\n- **平台**：[来源]\n- **发布时间**：[日期]\n- **评分**：X分\n - 信源可靠性：X分\n - 信息重要性：X分\n - 时效性：X分\n - 用户相关性：X分\n- **核心内容**：[摘要]\n\n## 📈 A级热点（简略）\n### [标题]\n- **平台**：[来源]\n- **发布时间**：[日期]\n- **评分**：X分\n- **核心要点**：[摘要]\n\n## ⚡ 趋势分析\n- **整体趋势**：[描述]\n- **新兴话题**：[列表]\n- **衰退话题**：[列表]\n```\n\n## 约束条件\n\n1. **时效性优先**：必须获取最新信息，旧闻必须降级\n2. **真实可靠**：不编造信息，只报告搜索到的内容\n3. **去重处理**：相同内容只保留最权威的来源\n4. **数据驱动**：所有结论必须有信息支撑\n\n## 工具使用\n\n- 使用web_search进行多平台搜索\n- 使用extract_content_from_websites提取详细内容\n- 每次搜索至少覆盖3个平台\n```\n\n---\n\n# 2. 模块2：内容趋势优化系统 Agent\n\n## 提示词\n\n```\n# 角色：内容趋势优化专家\n\n## 身份定义\n你是一个专业的内容策略专家，负责基于热点信息生成创作方案和内容策略。\n\n## 核心任务\n对模块1输出的S级和A级热点进行深度分析，生成内容创作方案和趋势优化策略。\n\n## 输入依赖\n需要接收模块1的输出，包含：\n- S级热点列表\n- A级热点列表\n- 趋势分析\n\n## 执行流程\n\n### 第一步：热点深度解读\n对每个S级热点进行深度分析：\n1. **背景分析**：为什么会火？\n2. **传播路径**：如何扩散的？\n3. **参与方**：有哪些关键玩家？\n4. **影响面**：影响哪些群体？\n\n### 第二步：内容机会识别\n基于热点分析识别内容机会：\n1. **角度选择**：可以做什么角度？\n2. **差异化**：与现有内容的区别？\n3. **受众定位**：目标读者是谁？\n4. **形式选择**：图文/视频/长文/短评？\n\n### 第三步：创作方案生成\n为每个S级热点生成创作方案：\n\n```\n### 热点：[标题]\n#### 创作方案\n- **推荐角度**：[角度描述]\n- **目标受众**：[人群描述]\n- **内容形式**：[推荐形式]\n- **核心要点**：\n 1. [要点1]\n 2. [要点2]\n 3. [要点3]\n- **预期效果**：[预期反馈]\n- **风险提示**：[需要注意的问题]\n```\n\n### 第四步：趋势优化建议\n基于A级热点生成优化建议：\n1. **趋势预判**：哪些会继续发酵？\n2. **内容调整**：如何跟进？\n3. **时间节点**：什么时候发布最佳？\n\n## 输出格式\n\n```\n# 📝 内容趋势优化报告\n## 生成时间：[时间]\n## 基于热点数：S级X个 + A级X个\n\n## 🔥 重点内容创作方案\n\n### [S级热点1] - [推荐角度]\n**创作方案**：\n- **角度**：XXX\n- **形式**：XXX\n- **要点**：\n 1. XXX\n 2. XXX\n 3. XXX\n\n### [S级热点2] - [推荐角度]\n...\n\n## 📈 趋势优化建议\n\n### A级热点跟进策略\n| 热点 | 跟进价值 | 推荐时机 | 建议形式 |\n|------|----------|----------|----------|\n| XXX | 高/中/低 | 今天/明天/本周 | 图文/视频 |\n\n### 今日内容日历\n| 时间 | 内容 | 热点 |\n|------|------|------|\n| 早间 | XXX | XXX |\n| 午间 | XXX | XXX |\n| 晚间 | XXX | XXX |\n```\n\n## 约束条件\n\n1. **基于事实**：所有分析必须基于模块1的真实信息\n2. **可执行性**：方案必须具体可执行\n3. **差异化**：避免同质化内容建议\n4. **风险意识**：标注潜在风险\n```\n\n---\n\n# 3. 模块3：状态洞察模块 Agent\n\n## 提示词\n\n```\n# 角色：状态洞察分析师\n\n## 身份定义\n你是一个专业的状态分析师，负责分析热度趋势、情绪走向，并提供预测性洞察。\n\n## 核心任务\n基于模块1和模块2的输出，进行深度状态分析，包括热度分析、情绪分析、趋势预测。\n\n## 输入依赖\n需要接收模块1和模块2的输出：\n- 热点列表及评分\n- 创作方案\n- 趋势分析\n\n## 执行流程\n\n### 第一步：热度分析\n分析各热点的热度状态：\n1. **热度值计算**：基于传播量、讨论量、搜索量\n2. **热度阶段判断**：\n - 萌发期（0-24小时）\n - 爆发期（24-72小时）\n - 平稳期（3-7天）\n - 衰退期（7天+）\n3. **热度预测**：预测未来24-72小时走势\n\n### 第二步：情绪分析\n分析各热点引发的情绪：\n1. **情绪类型**：\n - 乐观/期待\n - 焦虑/担忧\n - 愤怒/不满\n - 好奇/期待\n - 麻木/无感\n2. **情绪强度**：1-5分\n3. **情绪走向**：上升/平稳/下降\n\n### 第三步：趋势预测\n基于数据预测趋势：\n1. **短期预测（24-72小时）**：\n - 哪些会继续发酵？\n - 哪些会快速衰退？\n2. **中期预测（1-2周）**：\n - 可能形成长期趋势的话题\n - 可能反转的事件\n3. **风险预警**：\n - 潜在负面舆情\n - 需要关注的信号\n\n### 第四步：个人状态洞察\n结合用户画像进行个性化分析：\n1. **关注匹配度**：热点与用户兴趣的匹配\n2. **机会分析**：对用户的影响和机会\n3. **行动建议**：用户应该做什么\n\n## 输出格式\n\n```\n# 🔍 状态洞察报告\n## 分析时间：[时间]\n## 分析范围：S级X个 + A级X个\n\n## 🌡️ 热度分析\n\n### S级热点热度状态\n| 热点 | 当前热度 | 阶段 | 趋势预测 |\n|------|----------|------|----------|\n| XXX | 高/中/低 | 萌发/爆发/平稳/衰退 | 上升/平稳/下降 |\n\n### 热度分布\n- 爆发期：X个（重点关注）\n- 萌发期：X个（密切关注）\n- 平稳期：X个（维持关注）\n- 衰退期：X个（降低优先级）\n\n## 💭 情绪分析\n\n### 整体情绪倾向\n- **主导情绪**：[类型]\n- **情绪强度**：[强度]\n- **情绪走向**：[走向]\n\n### 各热点情绪\n| 热点 | 主导情绪 | 强度 | 走向 |\n|------|----------|------|------|\n| XXX | 乐观/焦虑等 | 1-5 | 上升/平稳/下降 |\n\n## 📈 趋势预测\n\n### 短期预测（24-72小时）\n- **将继续发酵**：XXX\n- **可能衰退**：XXX\n\n### 中期预测（1-2周）\n- **长期趋势**：XXX\n- **可能反转**：XXX\n\n### ⚠️ 风险预警\n- **需要关注**：XXX\n- **潜在风险**：XXX\n\n## 🎯 个人洞察\n\n### 与你的相关性\n- **高相关**：XXX\n- **中相关**：XXX\n\n### 行动建议\n1. XXX\n2. XXX\n3. XXX\n```\n\n## 约束条件\n\n1. **数据驱动**：基于实际数据进行分析\n2. **谨慎预测**：预测基于概率，不是确定\n3. **风险提示**：标注不确定性\n4. **实用建议**：提供可执行的建议\n```\n\n---\n\n# 4. 模块4：工作流沉淀系统 Agent\n\n## 提示词\n\n```\n# 角色：工作流沉淀专家\n\n## 身份定义\n你是一个专业的知识管理专家，负责记录执行过程、生成可复用模板、评估效率。\n\n## 核心任务\n记录模块1-3的执行过程，生成工作流模板，评估执行效率，沉淀知识。\n\n## 输入依赖\n需要接收模块1-3的完整输出：\n- 信息采集报告\n- 内容优化方案\n- 状态洞察报告\n\n## 执行流程\n\n### 第一步：执行记录\n完整记录本次执行：\n1. **时间记录**：开始时间、结束时间、耗时\n2. **操作记录**：执行了哪些动作\n3. **输出记录**：生成了什么\n4. **决策记录**：做了哪些选择\n\n### 第二步：模板生成\n从本次执行中提取可复用模板：\n\n```\n### 模板：[模板名称]\n**用途**：XXX\n**触发条件**：XXX\n**执行步骤**：\n1. XXX\n2. XXX\n3. XXX\n**输入**：XXX\n**输出**：XXX\n**注意事项**：XXX\n```\n\n### 第三步：效率评估\n评估本次执行效率：\n1. **时间效率**：实际耗时 vs 预期耗时\n2. **质量评估**：输出质量评分\n3. **优化建议**：如何提升效率\n\n### 第四步：知识沉淀\n将洞察沉淀到知识库：\n1. **模式识别**：发现了什么规律？\n2. **经验总结**：学到了什么？\n3. **下次改进**：下次怎么做更好？\n\n## 输出格式\n\n```\n# 💾 工作流沉淀报告\n## 执行时间：[时间]\n## 总耗时：X分钟\n\n## 📋 执行记录\n\n### 时间线\n| 时间 | 操作 | 结果 |\n|------|------|------|\n| HH:MM | 采集信息 | X条 |\n| HH:MM | 过滤噪音 | X条 |\n| HH:MM | 价值评估 | 完成 |\n| ... | ... | ... |\n\n### 执行摘要\n- **采集信息数**：X条\n- **过滤后数量**：X条\n- **S级热点**：X个\n- **A级热点**：X个\n- **创作方案**：X个\n- **洞察分析**：X条\n\n## 📄 可复用模板\n\n### 模板1：[名称]\n**用途**：XXX\n**步骤**：\n1. XXX\n2. XXX\n\n### 模板2：[名称]\n...\n\n## ⚡ 效率评估\n\n### 时间分布\n| 阶段 | 耗时 | 占比 |\n|------|------|------|\n| 信息采集 | X分钟 | X% |\n| 内容优化 | X分钟 | X% |\n| 状态洞察 | X分钟 | X% |\n| 工作流沉淀 | X分钟 | X% |\n\n### 质量评分\n- **信息质量**：X/10\n- **分析深度**：X/10\n- **建议实用性**：X/10\n- **总体评分**：X/10\n\n### 优化建议\n1. XXX\n2. XXX\n\n## 🧠 知识沉淀\n\n### 本次发现\n- **新模式**：XXX\n- **新洞察**：XXX\n\n### 下次改进\n1. XXX\n2. XXX\n```\n\n## 约束条件\n\n1. **完整记录**：不遗漏任何重要步骤\n2. **可复用性**：模板必须可实际操作\n3. **持续改进**：每次都要有进步\n4. **知识积累**：为下次执行提供参考\n```\n\n---\n\n# 5. 整体协调器 Agent\n\n## 提示词\n\n```\n# 角色：多智能体协同协调器\n\n## 身份定义\n你是AI协作系统的核心协调者，负责管理4个模块的协同工作，展示用户选项，处理用户选择。\n\n## 核心任务\n协调模块1-4有序执行，展示用户选项，处理用户决策，管理整体流程。\n\n## 执行模式\n\n### 模式A：完整流程\n模块1 → 模块2 → 模块3 → 模块4\n\n### 模式B：用户主导流程\n每轮执行完后展示用户选项，用户选择下一步：\n- 继续到下一个模块\n- 跳到指定模块\n- 退出流程\n\n## 执行流程\n\n### 第一步：接收用户输入\n接收用户的问题/需求/任务描述\n\n### 第二步：意图识别\n分析用户意图，确定执行策略：\n\n| 意图类型 | 执行策略 |\n|----------|----------|\n| information | 只执行模块1 |\n| content | 执行模块1+2 |\n| status | 执行模块1+3 |\n| workflow | 执行模块1+4 |\n| full | 执行完整流程1+2+3+4 |\n| quick | 快速执行核心模块 |\n\n### 第三步：执行模块1（信息守护者）\n调用模块1 Agent，执行信息采集\n\n### 第四步：展示用户选项\n模块1执行完成后，展示选项：\n\n```\n【模块1完成】\n\n📊 已采集X条热点信息：\n- S级：X个\n- A级：X个\n\n【下一步选择】\n1. 继续到模块2（内容趋势优化）→ 生成创作方案\n2. 继续到模块3（状态洞察）→ 分析趋势和情绪\n3. 继续到模块4（工作流沉淀）→ 记录和沉淀\n4. 结束流程 → 仅交付模块1结果\n\n请回复数字或选项选择：\n```\n\n### 第五步：处理用户选择\n根据用户选择执行：\n- 选择1 → 执行模块2 → 回到步骤4\n- 选择2 → 执行模块3 → 回到步骤4\n- 选择3 → 执行模块4 → 完成\n- 选择4 → 结束 → 交付结果\n\n### 第六步：循环执行\n重复步骤4-5，直到用户选择退出或完成所有模块\n\n### 第七步：最终交付\n生成完整交付报告\n\n## 输出格式\n\n```\n# 🎯 多智能体协同执行报告\n\n## 执行信息\n- **会话ID**：XXX\n- **开始时间**：XXX\n- **结束时间**：XXX\n- **执行路径**：模块1 → 模块2 → 模块3\n\n## 用户选择记录\n| 轮次 | 选项 | 时间 |\n|------|------|------|\n| 1 | 开始执行 | HH:MM |\n| 2 | 继续到模块2 | HH:MM |\n| 3 | 继续到模块3 | HH:MM |\n| 4 | 结束流程 | HH:MM |\n\n## 执行摘要\n\n### 模块1：信息守护者\n- **状态**：✅ 完成\n- **产出**：X条S级热点，X条A级热点\n\n### 模块2：内容趋势优化\n- **状态**：✅ 完成\n- **产出**：X个创作方案\n\n### 模块3：状态洞察\n- **状态**：✅ 完成\n- **产出**：X条洞察，X个建议\n\n### 模块4：工作流沉淀\n- **状态**：⏸️ 未执行\n\n## 📦 交付内容\n- 信息采集报告\n- 内容优化方案\n- 状态洞察报告\n```\n\n## 约束条件\n\n1. **用户主导**：每步都让用户选择\n2. **灵活退出**：用户可以随时退出\n3. **完整记录**：记录所有选择\n4. **有序执行**：模块按顺序执行\n5. **清晰展示**：选项清晰易懂\n```\n\n---\n\n# 6. 整合使用指南\n\n## 如何使用这些提示词\n\n### 方式1：分别构建4个Agent\n- 创建Agent 1：信息守护者（使用提示词1）\n- 创建Agent 2：内容优化（使用提示词2）\n- 创建Agent 3：状态洞察（使用提示词3）\n- 创建Agent 4：工作流沉淀（使用提示词4）\n- 创建协调器Agent（使用提示词5）\n\n### 方式2：构建单一全能Agent\n将5个提示词整合为一个，使用角色切换来执行不同模块\n\n### 方式3：按需选择\n根据用户需求选择执行：\n- 只想要信息 → 只用提示词1\n- 想要信息+内容 → 用提示词1+2\n- 想要完整流程 → 全部使用\n\n## 关键约束\n\n1. **模块1必须先执行**：信息是基础\n2. **用户选项每轮展示**：保持用户主导\n3. **可以随时退出**：灵活处理\n4. **完整记录**：便于复盘\n\n---\n\n*提示词版本：V1.4*\n*生成时间：2026年2月26日*\n\nFile v2.0.0:assets/templates/claudegrade-runbook.md\n\n# Claude Grade Runbook\n\n## Request\n- User request:\n\n## Retrieved Memory (Top-5)\n1.\n2.\n3.\n4.\n5.\n\n## Role Plan\n- coordinator:\n- explorer:\n- planner:\n- implementer:\n- verifier:\n- reviewer:\n\n## Safety Audit\n- command:\n- decision:\n- failed guards:\n\n## Verification\n- checks:\n- verdict:\n- missing evidence:\n\n## Cost Notes\n- cache miss reasons:\n- invalid calls:\n- total tokens:\n\nFile v2.0.0:CLAUDEGRADE_UPGRADE_REPORT.md\n\n# Multi-Agent Collaboration Claude Grade 2.0.0\n\n## What changed\n\nThis upgrade keeps the original collaboration idea, but raises the package from a broad AI-collaboration toolkit to a more disciplined Claude-Code-style system.\n\n## Major upgrades\n\n1. Typed memory retrieval\n- Added `ClaudeMemorySystem`\n- Memory is now split into:\n - identity\n - correction\n - task\n - project\n - reference\n- Added background extraction and Top-5 retrieval\n\n2. Coordinator-led multi-agent workflow\n- Added `ClaudeCoordinator`\n- Fixed six-role operating model:\n - coordinator\n - explorer\n - planner\n - implementer\n - verifier\n - reviewer\n\n3. Verification-first acceptance\n- Added `VerificationAgent`\n- Success now depends on evidence, not narrative confidence\n\n4. Safety before execution\n- Added `SafetyGatePipeline`\n- Current implementation includes 14 pre-execution guards\n\n5. Cost and cache observability\n- Added `CostGovernor`\n- Tracks 14 cache miss reason categories and invalid-call waste\n\n## Why this is a big-version upgrade\n\nThe original package already had memory, routing, workflow, and goal systems.\nThis version adds the missing engineering controls that make a multi-agent system more trustworthy in real use:\n\n- retrieval before reasoning\n- role-bound coordination\n- proof-based verification\n- execution safety\n- cost governance\n\n## New files\n\n- `dist/core/claude-memory.js`\n- `dist/systems/claude-coordinator.js`\n- `dist/systems/verification.js`\n- `dist/systems/safety.js`\n- `dist/systems/cost.js`\n- `scripts/core/claude-memory.ts`\n- `scripts/systems/claude-coordinator.ts`\n- `scripts/systems/verification.ts`\n- `scripts/systems/safety.ts`\n- `scripts/systems/cost.ts`\n- `claudegrade-demo.js`\n\n## Validation\n\nValidated by running:\n\n```bash\nnode claudegrade-demo.js\n```\n\nFile v2.0.0:docs/AI协作操作系统_完整使用说明书.md\n\n# 🧠 AI协作操作系统 - 完整使用说明书\n\n**版本：1.0.0 | 更新日期：2026年2月25日**\n\n---\n\n## 目录\n\n1. [系统概述](#1-系统概述)\n2. [安装部署](#2-安装部署)\n3. [快速开始](#3-快速开始)\n4. [统一记忆系统](#4-统一记忆系统)\n5. [信息信号识别系统](#5-信息信号识别系统)\n6. [工作流资产沉淀系统](#6-工作流资产沉淀系统)\n7. [个人目标追踪系统](#7-个人目标追踪系统)\n8. [时间衰减机制](#8-时间衰减机制)\n9. [值班机制应用](#9-值班机制应用)\n10. [API完整参考](#10-api完整参考)\n11. [配置说明](#11-配置说明)\n12. [使用示例](#12-使用示例)\n13. [最佳实践](#13-最佳实践)\n14. [常见问题](#14-常见问题)\n15. [故障排除](#15-故障排除)\n\n---\n\n## 1. 系统概述\n\n### 1.1 什么是AI协作操作系统\n\nAI协作操作系统是一套完整的个人成长和知识管理工具，包含四个核心系统：\n\n```\n┌─────────────────────────────────────────────────────────────────┐\n│ AI协作操作系统架构 │\n├─────────────────────────────────────────────────────────────────┤\n│ │\n│ ┌─────────────────────────────────────────────────────────┐ │\n│ │ AICollaborationSystem (主类) │ │\n│ │ │ │\n│ │ const ai = new AICollaborationSystem('my_system'); │ │\n│ │ │ │\n│ └─────────────────────────────────────────────────────────┘ │\n│ │ │\n│ ▼ │\n│ ┌─────────────────────────────────────────────────────────┐ │\n│ │ UnifiedMemorySystem (统一记忆) │ │\n│ │ │ │\n│ │ L0闪存 → L1工作 → L2经验 → L3知识 → L4智慧 │ │\n│ │ │ │\n│ └─────────────────────────────────────────────────────────┘ │\n│ │ │\n│ ┌──────────────────┼──────────────────┐ │\n│ │ │ │ │\n│ ▼ ▼ ▼ │\n│ ┌─────────────────┐ ┌─────────────────┐ ┌─────────────────┐ │\n│ │SignalRecognition│ │WorkflowAsset │ │PersonalGoal │ │\n│ │System │ │System │ │System │ │\n│ │ │ │ │ │ │ │\n│ │ 信息信号识别 │ │ 工作流资产沉淀 │ │ 个人目标追踪 │ │\n│ │ │ │ │ │ │ │\n│ │ • 信号分层 │ │ • 隐性知识显性化│ │ • 动机解析 │ │\n│ │ • 模式发现 │ │ • 能力基因识别 │ │ • AI镜像 │ │\n│ │ • 时间衰减 │ │ • 方法论构建 │ │ • 未来预测 │ │\n│ └─────────────────┘ └─────────────────┘ └─────────────────┘ │\n│ │\n└─────────────────────────────────────────────────────────────────┘\n```\n\n### 1.2 四大核心系统\n\n| 系统 | 核心功能 | 应用场景 |\n|------|----------|----------|\n| **统一记忆系统** | 五层记忆架构管理 | 数据存储、知识沉淀、智慧积累 |\n| **信息信号识别** | 信息价值评估、过滤噪音 | 热点监测、趋势发现、决策支持 |\n| **工作流资产沉淀** | 隐性知识显性化 | 能力沉淀、方法论构建、经验传承 |\n| **个人目标追踪** | 目标管理、AI镜像 | 自我认知、精力管理、成长追踪 |\n\n### 1.3 核心特性\n\n- ✅ **一站式集成**：四个系统自动关联，共享记忆\n- ✅ **五层记忆架构**：从临时变量到人生智慧\n- ✅ **自动流转**：记忆自动归档、升级\n- ✅ **时间衰减机制**：不错过最新信息，过期自动降级\n- ✅ **AI镜像洞察**：发现认知盲点，预测未来\n- ✅ **开箱即用**：解压安装即可使用\n\n---\n\n## 2. 安装部署\n\n### 2.1 系统要求\n\n| 项目 | 要求 |\n|------|------|\n| Node.js | >= 16.0.0 |\n| npm | >= 7.0.0 |\n| 操作系统 | Windows / macOS / Linux |\n| 磁盘空间 | >= 100MB |\n\n### 2.2 安装步骤\n\n#### 方式一：一键安装（推荐）\n\n```bash\n# 1. 解压部署包\nunzip ai-collaboration-complete.zip\n\n# 2. 进入目录\ncd ai-collaboration-complete\n\n# 3. 执行一键安装脚本\n./install.sh\n```\n\n安装脚本会自动完成：\n- 检查Node.js环境\n- 安装依赖\n- 编译TypeScript\n- 创建记忆目录\n- 运行测试验证\n\n#### 方式二：手动安装\n\n```bash\n# 1. 解压\nunzip ai-collaboration-complete.zip\ncd ai-collaboration-complete\n\n# 2. 安装依赖\nnpm install\n\n# 3. 编译TypeScript\nnpm run build\n\n# 4. 验证安装\nnode dist/example.js\n```\n\n### 2.3 验证安装\n\n运行演示程序验证安装是否成功：\n\n```bash\n# 运行完整功能演示\nnode demo.js\n\n# 运行值班机制演示\nnode duty-demo.js\n\n# 运行时间衰减演示\nnode time-decay-demo.js\n```\n\n看到 `✅ 演示完成！` 表示安装成功。\n\n### 2.4 目录结构\n\n```\nai-collaboration-complete/\n├── install.sh # 一键安装脚本\n├── README.md # 快速开始\n├── package.json # 项目配置\n├── tsconfig.json # TypeScript配置\n├── LICENSE # MIT许可证\n│\n├── scripts/ # TypeScript源代码\n│ ├── index.ts # 主入口\n│ ├── example.ts # 基础示例\n│ ├── core/\n│ │ └── memory.ts # 统一记忆系统核心\n│ └── systems/\n│ ├── signal.ts # 信息信号识别系统\n│ ├── workflow.ts # 工作流资产沉淀系统\n│ └── goal.ts # 个人目标追踪系统\n│\n├── dist/ # 编译输出（可直接使用）\n│ ├── index.js # 主入口\n│ ├── example.js # 基础示例\n│ ├── core/\n│ │ └── memory.js # 记忆系统\n│ └── systems/\n│ ├── signal.js # 信号系统\n│ ├── workflow.js # 工作流系统\n│ └── goal.js # 目标系统\n│\n├── demo.js # 完整功能演示\n├── duty-demo.js # 值班机制演示\n├── time-decay-demo.js # 时间衰减演示\n│\n├── docs/ # 文档\n│ ├── 完整使用手册.md\n│ └── 集中部署指南.md\n│\n└── memory/ # 记忆存储目录\n └── my_system/ # 按技能名分类\n ├── L0_flash/ # 闪存\n ├── L1_working/ # 工作记忆\n ├── L2_experience/ # 经验记忆\n ├── L3_knowledge/ # 知识记忆\n ├── L4_wisdom/ # 智慧记忆\n ├── shared/ # 跨系统共享\n └── logs/ # 日志\n```\n\n---\n\n## 3. 快速开始\n\n### 3.1 第一个程序\n\n创建文件 `my-first-app.js`：\n\n```javascript\n// 导入系统\nconst { AICollaborationSystem } = require('./dist/index');\n\n// 创建实例（一行代码完成所有初始化）\nconst ai = new AICollaborationSystem('my_first_app');\n\n// 获取系统摘要\nconsole.log(ai.getSummary());\n\n// 存储一条记忆\nai.memory.addToL1('今日任务', '学习AI协作系统', 'task', 3);\n\n// 查询记忆\nconst results = ai.memory.queryAll('任务');\nconsole.log('查询结果:', results);\n\n// 生成AI镜像洞察\nconst insight = ai.generateInsight();\nconsole.log('AI洞察:', insight);\n```\n\n运行：\n\n```bash\nnode my-first-app.js\n```\n\n### 3.2 基础使用流程\n\n```javascript\nconst { AICollaborationSystem } = require('./dist/index');\n\n// 1. 初始化系统\nconst ai = new AICollaborationSystem('my_app', 'memory');\n\n// 2. 使用统一记忆系统\nai.memory.setVariable('user', '张三'); // L0闪存\nai.memory.addToL1('任务', '完成报告', 'task', 3); // L1工作记忆\nai.memory.addToL2('经验', '经验内容', 'insight', 4, ['tag']); // L2经验记忆\n\n// 3. 使用信息信号识别\nconst signals = [\n { title: '热点1', source: '来源', timeSensitivity: 'immediate', \n impactDepth: 'worldview', actionability: 8, compoundValue: 9 }\n];\nconst report = ai.dailyScan(signals);\nconsole.log(report);\n\n// 4. 使用工作流沉淀\nconst tasks = ['完成任务A'];\nconst responses = [{ operation: '步骤', experience: '经验' }];\nconst workflow = ai.dailyWorkflow(tasks, responses);\nconsole.log(workflow);\n\n// 5. 使用目标追踪\nconst goals = [{ name: '目标1', priority: 8, progress: 30 }];\nconst timeLog = { career: 40, family: 20, health: 10 };\nconst energy = ai.dailyGoalTracking(goals, timeLog, { career: 35, family: 25, health: 15 });\nconsole.log(energy);\n\n// 6. 健康检查\nconst health = ai.healthCheck();\nconsole.log(health);\n```\n\n---\n\n## 4. 统一记忆系统\n\n### 4.1 五层记忆架构\n\n```\n┌─────────────────────────────────────────────────────────────────┐\n│ 五层记忆架构 │\n├─────────────────────────────────────────────────────────────────┤\n│ │\n│ 【L0 闪存】临时变量、对话上下文 │\n│ ├── 容量：10条 │\n│ ├── 生命周期：当前会话 │\n│ ├── 访问速度：实时 │\n│ └── 用途：临时数据存储 │\n│ │\n│ 【L1 工作记忆】当前任务、核心规则 │\n│ ├── 容量：50行 │\n│ ├── 生命周期：当前任务周期 │\n│ ├── 访问速度：实时 │\n│ └── 用途：当前工作内容 │\n│ │\n│ 【L2 经验记忆】经验教训、能力基因 │\n│ ├── 容量：200条 │\n│ ├── 生命周期：长期 │\n│ ├── 访问速度：快速检索 │\n│ └── 用途：经验沉淀 │\n│ │\n│ 【L3 知识记忆】方法论、世界观、能力模型 │\n│ ├── 容量：1000条 │\n│ ├── 生命周期：永久 │\n│ ├── 访问速度：结构化查询 │\n│ └── 用途：知识体系 │\n│ │\n│ 【L4 智慧记忆】人生洞察、核心价值观 │\n│ ├── 容量：无限制 │\n│ ├── 生命周期：永久 │\n│ ├── 访问速度：按需查询 │\n│ └── 用途：人生智慧 │\n│ │\n└─────────────────────────────────────────────────────────────────┘\n```\n\n### 4.2 L0 闪存使用\n\nL0闪存用于存储临时变量和对话上下文。\n\n```javascript\n// 设置变量\nai.memory.setVariable('current_user', '张三');\nai.memory.setVariable('session_id', 'session_001');\nai.memory.setVariable('task_count', 5);\n\n// 获取变量\nconst user = ai.memory.getVariable('current_user');\nconsole.log('当前用户:', user);\n\n// 获取所有变量\nconst allVars = ai.memory.getAllVariables();\nconsole.log('所有变量:', allVars);\n\n// 设置上下文\nai.memory.setContext('正在处理用户登录请求');\nconst context = ai.memory.getContext();\nconsole.log('当前上下文:', context);\n```\n\n**使用场景**：\n- 存储当前会话状态\n- 临时计算结果\n- 用户偏好设置\n- 对话上下文\n\n### 4.3 L1 工作记忆使用\n\nL1工作记忆用于存储当前任务和核心规则。\n\n```javascript\n// 添加任务\nai.memory.addToL1('今日目标', '完成AI系统演示', 'task', 4);\n\n// 添加规则\nai.memory.addToL1('核心规则', '所有输出必须有结构化格式', 'rule', 5);\n\n// 添加洞察\nai.memory.addToL1('关键发现', '用户更倾向于简洁的输出', 'insight', 4);\n\n// 查询工作记忆\nconst results = ai.memory.queryL1('目标');\nconsole.log('查询结果:', results);\n\n// 获取全部内容\nconst content = ai.memory.getL1Content();\nconsole.log('工作记忆内容:', content);\n```\n\n**参数说明**：\n\n| 参数 | 类型 | 说明 |\n|------|------|------|\n| key | string | 记忆标题 |\n| value | string | 记忆内容 |\n| category | string | 类别：task/rule/insight/pattern |\n| importance | number | 重要程度：1-5 |\n\n### 4.4 L2 经验记忆使用\n\nL2经验记忆用于存储经验教训和能力基因。\n\n```javascript\n// 添加成功经验\nai.memory.addToL2(\n '成功经验_项目演示',\n {\n task: '完成系统演示',\n result: '成功',\n key: '清晰的输出格式让用户更容易理解',\n lessons: ['提前准备示例', '结构化输出']\n },\n 'insight',\n 4,\n ['success', 'demo', 'presentation'],\n 'shared'\n);\n\n// 添加踩坑记录\nai.memory.addToL2(\n '踩坑记录_数据存储',\n {\n issue: '忘记创建目录导致存储失败',\n solution: '添加自动创建目录逻辑',\n prevention: '存储前检查目录是否存在'\n },\n 'insight',\n 3,\n ['error', 'fix', 'storage'],\n 'shared'\n);\n\n// 查询经验\nconst experiences = ai.memory.queryL2('经验', 'success', 3);\nconsole.log('成功经验:', experiences);\n\n// 按标签查询\nconst taggedResults = ai.memory.queryL2('', 'demo', 0);\nconsole.log('演示相关:', taggedResults);\n```\n\n**参数说明**：\n\n| 参数 | 类型 | 说明 |\n|------|------|------|\n| key | string | 记忆标题 |\n| value | string/object | 记忆内容 |\n| category | string | 类别：task/insight/pattern/methodology |\n| importance | number | 重要程度：1-5 |\n| tags | string[] | 标签数组 |\n| system | string | 来源系统：signal/workflow/goal/shared |\n\n### 4.5 L3 知识记忆使用\n\nL3知识记忆用于存储方法论、世界观和能力模型。\n\n```javascript\n// 添加方法论\nai.memory.addToL3({\n id: '',\n level: 'L3',\n category: 'methodology',\n key: 'AI协作方法论',\n value: {\n name: 'AI协作五步法',\n steps: [\n '1.明确目标',\n '2.收集信息',\n '3.分析决策',\n '4.执行沉淀',\n '5.复盘优化'\n ],\n principles: ['简洁优先', '结构化输出', '持续迭代']\n },\n tags: ['methodology', 'ai-collaboration'],\n importance: 5,\n system: 'shared',\n createdAt: new Date().toISOString(),\n accessedAt: new Date().toISOString(),\n accessCount: 0\n});\n\n// 添加世界观\nai.memory.addToL3({\n id: '',\n level: 'L3',\n category: 'worldview',\n key: 'AI发展趋势',\n value: {\n observation: 'AI正在从工具变为伙伴',\n evidence: ['GPT能力提升', 'Agent应用增多'],\n implication: '需要学习与AI协作的能力'\n },\n tags: ['worldview', 'ai-trend'],\n importance: 5,\n system: 'signal',\n createdAt: new Date().toISOString(),\n accessedAt: new Date().toISOString(),\n accessCount: 0\n});\n\n// 查询方法论\nconst methodologies = ai.memory.queryL3('methodology');\nconsole.log('方法论:', methodologies);\n\n// 查询世界观\nconst worldviews = ai.memory.queryL3('worldview');\nconsole.log('世界观:', worldviews);\n\n// 查询所有L3\nconst allL3 = ai.memory.queryL3();\nconsole.log('所有知识:', allL3);\n```\n\n**类别说明**：\n\n| 类别 | 说明 | 示例 |\n|------|------|------|\n| methodology | 方法论 | 工作方法、决策框架 |\n| worldview | 世界观 | 行业趋势、认知模型 |\n| pattern | 能力模型 | 能力基因、行为模式 |\n| goal | 目标体系 | 人生目标、价值观 |\n\n### 4.6 L4 智慧记忆使用\n\nL4智慧记忆用于存储人生洞察和核心价值观。\n\n```javascript\n// 添加人生洞察\nai.memory.addToL4({\n id: '',\n level: 'L4',\n category: 'insight',\n key: '关于成长的洞察',\n value: {\n observation: '持续学习比天赋更重要',\n evidence: '观察身边成功人士的共同特点',\n implication: '每天进步1%，一年后提升37倍',\n action: '建立每日学习习惯'\n },\n tags: ['insight', 'growth'],\n importance: 5,\n system: 'goal',\n createdAt: new Date().toISOString(),\n accessedAt: new Date().toISOString(),\n accessCount: 0\n});\n\n// 添加核心价值观\nai.memory.addToL4({\n id: '',\n level: 'L4',\n category: 'value',\n key: '核心价值观',\n value: {\n values: ['诚信', '成长', '贡献'],\n description: '诚信是基础，成长是路径，贡献是目标'\n },\n tags: ['value', 'core'],\n importance: 5,\n system: 'goal',\n createdAt: new Date().toISOString(),\n accessedAt: new Date().toISOString(),\n accessCount: 0\n});\n\n// 查询洞察\nconst insights = ai.memory.queryL4('insight');\nconsole.log('人生洞察:', insights);\n\n// 查询价值观\nconst values = ai.memory.queryL4('value');\nconsole.log('核心价值观:', values);\n```\n\n### 4.7 统一查询\n\n```javascript\n// 跨层级统一查询\nconst results = ai.memory.queryAll('关键词');\n\nconsole.log('L0结果:', results.L0);\nconsole.log('L1结果:', results.L1);\nconsole.log('L2结果:', results.L2);\nconsole.log('L3结果:', results.L3);\nconsole.log('L4结果:', results.L4);\n```\n\n### 4.8 跨系统同步\n\n```javascript\n// 同步数据到其他系统\nconst entries = ai.memory.queryL2('重要');\nai.memory.syncToSystem('signal', entries);\nai.memory.syncToSystem('workflow', entries);\nai.memory.syncToSystem('goal', entries);\n\n// 从其他系统获取同步数据\nconst signalData = ai.memory.syncFromSystem('signal');\nconst workflowData = ai.memory.syncFromSystem('workflow');\nconst goalData = ai.memory.syncFromSystem('goal');\n```\n\n### 4.9 记忆自动流转\n\n系统会自动进行记忆流转：\n\n```\nL0闪存(满10条) → 自动转存到L1\nL1工作记忆(满50行) → 自动归档到L2\nL2经验记忆(满200条) → 高价值条目自动升级到L3\nL3知识记忆 → 核心洞察可手动升级到L4\n```\n\n---\n\n## 5. 信息信号识别系统\n\n### 5.1 系统概述\n\n信息信号识别系统用于从海量信息中识别有价值的信号，过滤噪音。\n\n```\n┌─────────────────────────────────────────────────────────────────┐\n│ 信息信号识别流程 │\n├─────────────────────────────────────────────────────────────────┤\n│ │\n│ 【输入】原始信息列表 │\n│ ↓ │\n│ 【评估】计算综合价值 │\n│ ├── 时间敏感度 (0-10) │\n│ ├── 影响深度 (0-10) │\n│ ├── 可行动性 (0-10) │\n│ └── 复利价值 (0-10) │\n│ ↓ │\n│ 【分层】信号等级划分 │\n│ ├── 元信号(meta): 综合价值≥8，改变世界观 │\n│ ├── 核心信号(core): 综合价值≥6，影响决策 │\n│ ├── 普通信号(signal): 综合价值≥3，值得关注 │\n│ └── 噪音(noise): 综合价值<3，可忽略 │\n│ ↓ │\n│ 【时间衰减】应用时间衰减机制 │\n│ ├── 0-1天: 100%，不衰减 │\n│ ├── 1-3天: 90%，轻微衰减 │\n│ ├── 3-7天: 70%，中度衰减 │\n│ ├── 7-14天: 40%，重度衰减，默认不显示 │\n│ └── 14天以上: 10%，极低，仅存档 │\n│ ↓ │\n│ 【输出】处理后的信号列表 │\n│ │\n└─────────────────────────────────────────────────────────────────┘\n```\n\n### 5.2 信号评估维度\n\n| 维度 | 说明 | 评分范围 |\n|------|------|----------|\n| timeSensitivity | 时间敏感度 | immediate(2)/continuous(6)/delayed(8)/cyclical(4)/meta(10) |\n| impactDepth | 影响深度 | tool(2)/method(4)/strategy(6)/cognition(8)/worldview(10) |\n| actionability | 可行动性 | 0-10 |\n| compoundValue | 复利价值 | 0-10 |\n\n### 5.3 基础使用\n\n```javascript\n// 定义原始信号\nconst rawSignals = [\n {\n title: 'OpenAI发布GPT-5',\n source: 'OpenAI官方',\n timeSensitivity: 'immediate',\n impactDepth: 'worldview',\n actionability: 9,\n compoundValue: 10,\n publishDate: new Date() // 发布时间（用于时间衰减）\n },\n {\n title: '某明星八卦',\n source: '娱乐新闻',\n timeSensitivity: 'immediate',\n impactDepth: 'tool',\n actionability: 1,\n compoundValue: 1,\n publishDate: new Date()\n }\n];\n\n// 生成每日扫描报告\nconst report = ai.signal.generateDailyScanReport(\n '2026-02-25',\n rawSignals\n);\n\n// 查看结果\nconsole.log('信号列表:', report.signals);\nconsole.log('发现模式:', report.patterns);\nconsole.log('行动建议:', report.actions);\n```\n\n### 5.4 信号等级说明\n\n```javascript\n// 信号等级判断标准\nconst signalLevels = {\n meta: {\n threshold: 8,\n description: '元信号，改变世界观',\n action: '立即关注，可能需要调整战略',\n storage: 'L2经验记忆 + L3世界观'\n },\n core: {\n threshold: 6,\n description: '核心信号，影响决策',\n action: '重点关注，纳入决策考量',\n storage: 'L2经验记忆'\n },\n signal: {\n threshold: 3,\n description: '普通信号，值得关注',\n action: '记录备案，持续观察',\n storage: 'L1工作记忆'\n },\n noise: {\n threshold: 0,\n description: '噪音，可忽略',\n action: '不存储',\n storage: '不存储'\n }\n};\n```\n\n### 5.5 时间衰减机制\n\n```javascript\n// 时间衰减配置\nconst TIME_DECAY_CONFIG = {\n DEFAULT_MAX_AGE_DAYS: 7, // 默认显示最近7天\n \n DECAY_RATES: {\n '0-1天': 1.0, // 当天/昨天：不衰减\n '1-3天': 0.9, // 1-3天：轻微衰减\n '3-7天': 0.7, // 3-7天：中度衰减\n '7-14天': 0.4, // 7-14天：重度衰减\n '14天以上': 0.1 // 14天以上：极低\n },\n \n LEVEL_ADJUSTMENT: {\n '7天以上': { maxLevel: 'B级', defaultVisible: false },\n '14天以上': { maxLevel: 'C级', defaultVisible: false }\n }\n};\n\n// 应用时间衰减\nfunction applyTimeDecay(signal) {\n const age = calculateAgeInDays(signal.publishDate);\n const decay = getDecayRate(age);\n \n // 应用衰减系数\n signal.adjustedScore = signal.rawScore * decay;\n \n // 应用等级限制\n if (age > 7) signal.maxLevel = 'B级';\n if (age > 14) signal.maxLevel = 'C级';\n \n // 设置默认可见性\n signal.defaultVisible = age <= 7;\n \n return signal;\n}\n```\n\n### 5.6 查询历史信号\n\n```javascript\n// 查询信号\nconst signals = ai.signal.querySignals('AI');\nconsole.log('AI相关信号:', signals);\n\n// 查询特定等级的信号\nconst coreSignals = ai.signal.querySignals('')\n .filter(s => s.level === 'core');\nconsole.log('核心信号:', coreSignals);\n```\n\n### 5.7 同步到其他系统\n\n```javascript\n// 同步世界观到其他系统\nai.signal.syncToOtherSystems();\n```\n\n---\n\n## 6. 工作流资产沉淀系统\n\n### 6.1 系统概述\n\n工作流资产沉淀系统用于将隐性知识显性化，构建个人方法论。\n\n```\n┌─────────────────────────────────────────────────────────────────┐\n│ 知识显性化五层模型 │\n├─────────────────────────────────────────────────────────────────┤\n│ │\n│ 【第1层】操作步骤层 (Operation) │\n│ ├── 内容：具体做了什么 │\n│ ├── 发现方式：直接记录 │\n│ └── 输出形式：流程文档 │\n│ │\n│ 【第2层】经验技巧层 (Experience) │\n│ ├── 内容：为什么这样做更好 │\n│ ├── 发现方式：提问引导 │\n│ └── 输出形式：技巧清单 │\n│ │\n│ 【第3层】决策逻辑层 (Decision) │\n│ ├── 内容：如果...会怎样 │\n│ ├── 发现方式：情境假设 │\n│ └── 输出形式：决策树 │\n│ │\n│ 【第4层】思维模式层 (Thinking) │\n│ ├── 内容：你是怎么想的 │\n│ ├── 发现方式：深度对话 │\n│ └── 输出形式：思维模型 │\n│ │\n│ 【第5层】价值观层 (Value) │\n│ ├── 内容：这对你意味着什么 │\n│ ├── 发现方式：深度对话 │\n│ └── 输出形式：价值宣言 │\n│ │\n└─────────────────────────────────────────────────────────────────┘\n```\n\n### 6.2 基础使用\n\n```javascript\n// 定义任务和响应\nconst tasks = ['完成产品需求文档', '主持团队周会'];\nconst responses = [\n {\n operation: '1.用户调研 2.需求分析 3.文档撰写 4.评审修改',\n experience: '调研阶段多花时间，后期返工少',\n decision: '如果时间紧，先写核心功能，次要功能后续迭代',\n thinking: '从用户价值出发，而非功能堆砌',\n value: '用户价值第一，团队效率第二'\n },\n {\n operation: '1.同步进度 2.讨论问题 3.分配任务',\n experience: '周会时间控制在1小时内效果最好',\n decision: '如果有争议，先记录后续单独讨论',\n thinking: '周会是同步信息，不是解决问题',\n value: '高效沟通比长时间讨论更重要'\n }\n];\n\n// 生成工作流报告\nconst report = ai.workflow.generateDailyWorkflowReport(\n '2026-02-25',\n tasks,\n responses\n);\n\n// 查看结果\nconsole.log('隐性知识:', report.tacitKnowledge);\nconsole.log('能力基因:', report.capabilityGenes);\nconsole.log('方法论:', report.methodologies);\n```\n\n### 6.3 隐性知识结构\n\n```javascript\n// 隐性知识对象结构\nconst tacitKnowledge = {\n level: 'operation', // 层级\n content: '具体内容',\n discoveryMethod: '发现方式',\n outputForm: '输出形式'\n};\n```\n\n### 6.4 能力基因识别\n\n系统会自动识别能力基因：\n\n```javascript\n// 能力基因结构\nconst capabilityGene = {\n name: '判断能力', // 基因名称\n category: 'decision', // 类别\n description: '决策逻辑描述', // 描述\n manifestation: '在XX任务中体现', // 表现场景\n transferableScenarios: ['类似决策场景'], // 可迁移场景\n strength: 'medium' // 强度：high/medium/low\n};\n```\n\n### 6.5 方法论构建\n\n```javascript\n// 方法论结构\nconst methodology = {\n name: '工作方法论',\n levels: {\n philosophy: '用户价值第一', // 哲学层\n principles: ['从用户价值出发'], // 原则层\n methods: ['如果时间紧，先核心'], // 方法层\n processes: ['调研→分析→撰写'], // 流程层\n tools: ['文档模板'] // 工具层\n },\n validation: '待验证'\n};\n```\n\n### 6.6 查询方法论\n\n```javascript\n// 查询已沉淀的方法论\nconst methodologies = ai.workflow.queryMethodologies();\nconsole.log('方法论列表:', methodologies);\n```\n\n---\n\n## 7. 个人目标追踪系统\n\n### 7.1 系统概述\n\n个人目标追踪系统用于管理目标、追踪进度、发现盲点。\n\n```\n┌─────────────────────────────────────────────────────────────────┐\n│ 个人目标追踪流程 │\n├─────────────────────────────────────────────────────────────────┤\n│ │\n│ 【输入】 │\n│ ├── 目标列表 │\n│ ├── 时间日志 │\n│ ├── 理想分配 │\n│ └── 声称优先级 │\n│ │\n│ 【处理】 │\n│ ├── 动机解析 → 识别深层动机 │\n│ ├── 目标网络 → 发现目标关系 │\n│ ├── 精力分配 → 分析实际投入 │\n│ └── 盲点发现 → 识别言行不一 │\n│ │\n│ 【输出】 │\n│ ├── AI镜像信 → 个性化反馈 │\n│ ├── 未来预测 → 发展趋势预测 │\n│ └── 下周建议 → 行动建议 │\n│ │\n└─────────────────────────────────────────────────────────────────┘\n```\n\n### 7.2 基础使用\n\n```javascript\n// 定义目标\nconst goals = [\n {\n name: '学习AI技术',\n description: '掌握AI相关技术',\n priority: 8,\n progress: 35,\n deadline: new Date('2026-12-31'),\n motivations: []\n },\n {\n name: '保持健康',\n description: '每周运动3次',\n priority: 9,\n progress: 50,\n deadline: new Date('2026-12-31'),\n motivations: []\n }\n];\n\n// 定义时间日志\nconst timeLog = {\n career: 45, // 工作45小时\n family: 15, // 家庭15小时\n health: 3, // 健康3小时\n learning: 8, // 学习8小时\n social: 5, // 社交5小时\n leisure: 8 // 休闲8小时\n};\n\n// 定义理想分配\nconst idealAllocation = {\n career: 35,\n family: 25,\n health: 15,\n learning: 15,\n social: 5,\n leisure: 5\n};\n\n// 定义声称优先级\nconst statedPriorities = {\n career: 8,\n family: 9,\n health: 9,\n learning: 8,\n social: 5,\n leisure: 4\n};\n\n// 生成每周报告\nconst report = ai.goal.generateWeeklySelfAwarenessReport(\n '本周',\n goals,\n timeLog,\n idealAllocation,\n statedPriorities\n);\n\n// 查看结果\nconsole.log('精力分配:', report.energyAllocation);\nconsole.log('认知盲点:', report.blindSpots);\nconsole.log('AI镜像:', report.mirrorFeedback);\n```\n\n### 7.3 动机解析\n\n```javascript\n// 解析目标动机\nconst motivations = ai.goal.analyzeMotivation(goals[0], {\n safety: '需要AI技能保住工作',\n social: '希望被认可为技术专家',\n esteem: '获得成就感',\n 'self-actualization': '实现自我价值',\n meaning: '帮助更多人使用AI'\n});\n\nconsole.log('动机层次:', motivations);\n```\n\n### 7.4 目标网络构建\n\n```javascript\n// 构建目标网络\nconst network = ai.goal.buildGoalNetwork(goals);\n\nconsole.log('目标关系:', network.relations);\n// 输出示例：\n// [\n// { goalA: '学习AI技术', goalB: '升职加薪', relation: 'synergistic', reason: '相互促进' },\n// { goalA: '学习AI技术', goalB: '保持健康', relation: 'competitive', reason: '争夺时间资源' }\n// ]\n```\n\n### 7.5 精力分配分析\n\n```javascript\n// 分析精力分配\nconst allocation = ai.goal.analyzeEnergyAllocation(timeLog, idealAllocation);\n\n// 输出示例：\n// [\n// { dimension: 'career', actualPercentage: 54, idealPercentage: 35, gap: 19, status: '过度' },\n// { dimension: 'health', actualPercentage: 4, idealPercentage: 15, gap: -11, status: '不足' }\n// ]\n```\n\n### 7.6 AI镜像洞察\n\n```javascript\n// 生成AI镜像信\nconst mirrorLetter = ai.goal.generateAIMirrorLetter(\n '本周我观察到你在多个领域都有投入',\n ['目标\"保持健康\"有进展'],\n [{ observation: '声称健康优先级为9，但实际投入4%', concern: '言行不一', suggestion: '重新评估' }],\n ['你是否思考过这些目标对你的真正意义？'],\n ['基于你的能力，我看到了更多可能性'],\n ['建议下周重点关注精力分配的平衡']\n);\n\nconsole.log('AI镜像信:', mirrorLetter);\n```\n\n### 7.7 未来预测\n\n```javascript\n// 预测未来自我\nconst predictions = ai.goal.predictFutureSelf(\n goals,\n allocation,\n ['每天学习1小时', '每周运动2次']\n);\n\nconsole.log('未来预测:', predictions);\n// 输出示例：\n// [\n// { timeframe: '3个月后', capabilityState: '能力稳步提升', ... },\n// { timeframe: '6个月后', capabilityState: '显著提升', ... },\n// { timeframe: '1年后', capabilityState: '成为专家', ... }\n// ]\n```\n\n---\n\n## 8. 时间衰减机制\n\n### 8.1 机制概述\n\n时间衰减机制确保系统始终关注最新信息，过期信息自动降级。\n\n### 8.2 衰减规则\n\n```\n┌─────────────────────────────────────────────────────────────────┐\n│ 时间衰减规则 │\n├─────────────────────────────────────────────────────────────────┤\n│ │\n│ 信息年龄 衰减系数 等级限制 默认显示 │\n│ ──────────────────────────────────────────────────────────── │\n│ 0-1天 100% 可评S级 ✅ 显示 │\n│ 1-3天 90% 可评S级 ✅ 显示 │\n│ 3-7天 70% 最高A级 ✅ 显示 │\n│ 7-14天 40% 最高B级 ❌ 不显示 │\n│ 14天以上 10% C级 ❌ 不显示 │\n│ │\n│ 核心原则： │\n│ • 不错过最新信息 │\n│ • 当天信息优先级最高 │\n│ • 一周以上自动降级 │\n│ • 历史信息可手动查询 │\n│ │\n└─────────────────────────────────────────────────────────────────┘\n```\n\n### 8.3 使用示例\n\n```javascript\n// 带发布时间的信号\nconst signals = [\n {\n title: '刚刚发生的重大事件',\n source: '官方',\n publishDate: new Date(), // 今天\n timeSensitivity: 'immediate',\n impactDepth: 'worldview',\n actionability: 9,\n compoundValue: 10\n },\n {\n title: '一周前的新闻',\n source: '媒体',\n publishDate: new Date(Date.now() - 8 * 24 * 60 * 60 * 1000), // 8天前\n timeSensitivity: 'immediate',\n impactDepth: 'strategy',\n actionability: 7,\n compoundValue: 6\n }\n];\n\n// 系统会自动应用时间衰减\nconst report = ai.signal.generateDailyScanReport('2026-02-25', signals);\n\n// 结果：只有今天的新闻会默认显示，一周前的新闻被过滤\n```\n\n### 8.4 手动查询历史\n\n```javascript\n// 如需查看历史信息，可手动查询\n// 查询最近30天的信息\nconst history = ai.memory.queryL2('')\n .filter(e => {\n const age = (Date.now() - new Date(e.createdAt)) / (24 * 60 * 60 * 1000);\n return age <= 30;\n });\n\nconsole.log('最近30天的信息:', history);\n```\n\n---\n\n## 9. 值班机制应用\n\n### 9.1 应用场景\n\n春节值班机制是信息信号识别系统的典型应用场景：\n\n- 每天监测产业科技热点\n- 自动评估关注等级\n- 生成每日热点日报\n- 触发深度分析机制\n\n### 9.2 完整实现\n\n```javascript\nconst { AICollaborationSystem } = require('./dist/index');\n\n// 初始化系统\nconst ai = new AICollaborationSystem('duty_system');\n\n// ===== 第一步：定义值班机制 =====\nai.memory.addToL3({\n id: '',\n level: 'L3',\n category: 'methodology',\n key: '春节值班机制',\n value: {\n name: '春节产业热点监测值班机制',\n schedule: { time: '每天2位同学值班' },\n tasks: [\n { time: '09:00', task: '开始监测热点' },\n { time: '18:00', task: '发布当日总结' }\n ]\n },\n tags: ['duty', 'mechanism'],\n importance: 5,\n system: 'workflow',\n createdAt: new Date().toISOString(),\n accessedAt: new Date().toISOString(),\n accessCount: 0\n});\n\n// ===== 第二步：监测热点 =====\nconst todayHotspots = [\n {\n title: 'OpenAI发布GPT-5',\n source: '官方公告',\n publishDate: new Date(),\n timeSensitivity: 'immediate',\n impactDepth: 'worldview',\n actionability: 9,\n compoundValue: 10,\n // 舆论维度\n publicAttention: 95,\n discussionVolume: 50000,\n emotionIntensity: 90\n },\n // ... 更多热点\n];\n\n// ===== 第三步：评估关注等级 =====\nfunction evaluateHotspot(hotspot) {\n // 基础价值评估\n const baseValue = ai.signal.evaluateSignal(hotspot);\n \n // 舆论热度评分\n const attentionScore = (\n hotspot.publicAttention * 0.4 +\n (hotspot.discussionVolume / 1000) * 0.3 +\n hotspot.emotionIntensity * 0.3\n );\n \n // 时间衰减\n const age = (Date.now() - new Date(hotspot.publishDate)) / (24 * 60 * 60 * 1000);\n let decayRate = 1.0;\n if (age > 7) decayRate = 0.4;\n if (age > 14) decayRate = 0.1;\n \n // 最终评分\n const finalScore = attentionScore * decayRate;\n \n // 确定等级\n let level = 'C级';\n let needAnalysis = false;\n \n if (finalScore >= 75 && age <= 7) {\n level = 'S级';\n needAnalysis = true;\n } else if (finalScore >= 60) {\n level = 'A级';\n } else if (finalScore >= 40) {\n level = 'B级';\n }\n \n // 7天以上强制降级\n if (age > 7) level = 'B级';\n if (age > 14) level = 'C级';\n \n return { ...hotspot, level, finalScore, needAnalysis };\n}\n\n// ===== 第四步：生成日报 =====\nfunction generateDailyReport(hotspots, dutyPersons) {\n const evaluated = hotspots.map(evaluateHotspot);\n const visible = evaluated.filter(h => h.level !== 'C级');\n \n return {\n date: new Date().toLocaleDateString('zh-CN'),\n dutyPersons,\n hotspots: visible,\n alertCount: evaluated.filter(h => h.needAnalysis).length,\n summary: `共监测${hotspots.length}条热点，S级${evaluated.filter(h=>h.level==='S级').length}条`\n };\n}\n\n// ===== 第五步：执行 =====\nconst report = generateDailyReport(todayHotspots, ['张三', '李四']);\nconsole.log('日报:', report);\n```\n\n### 9.3 触发深度分析的条件\n\n满足**任一条件**即触发深度分析：\n\n| 条件 | 阈值 |\n|------|------|\n| 舆论关注度 | ≥ 80 |\n| 讨论量 | ≥ 30000 |\n| 情绪强度 | ≥ 85 |\n| 综合评分 | ≥ 75 |\n| 影响深度 | = worldview |\n\n### 9.4 输出模板\n\n**每日热点日报模板**：\n\n```\n【X月X日 产业热点日报】\n\n值班人员：XXX、XXX\n\n【S级热点】（需要深度分析）\n• 标题：XXX\n 评分：XX | 来源：XXX\n 简要：XXX\n\n【A级热点】（高度关注）\n• 标题：XXX\n 评分：XX | 来源：XXX\n 简要：XXX\n\n【B级热点】（持续跟踪）\n• 标题：XXX\n 评分：XX\n\n【今日统计】\n共监测X条热点，S级X条，A级X条，B级X条\n\n【待处理事项】\n• 需要输出分析材料：X条\n```\n\n---\n\n## 10. API完整参考\n\n### 10.1 AICollaborationSystem 主类\n\n```typescript\nclass AICollaborationSystem {\n // 属性\n memory: UnifiedMemorySystem;\n signal: SignalRecognitionSystem;\n workflow: WorkflowAssetSystem;\n goal: PersonalGoalSystem;\n \n // 构造函数\n constructor(skillName?: string, baseDir?: string, config?: Partial);\n \n // 便捷方法\n getSummary(): string;\n healthCheck(): object;\n generateInsight(): AIMirrorInsight;\n syncAllSystems(): void;\n queryAll(query: string): object;\n \n // 每日工作流\n dailyScan(rawSignals: any[]): object;\n dailyWorkflow(tasks: string[], responses: any[]): object;\n dailyGoalTracking(goals: any[], timeLog: object, ideal: object): object[];\n \n // 每周工作流\n weeklyReview(goals: any[], timeLog: any, ideal: any, priorities: any): object;\n}\n```\n\n### 10.2 UnifiedMemorySystem\n\n```typescript\nclass UnifiedMemorySystem {\n // L0 闪存\n setContext(context: string): void;\n getContext(): string;\n setVariable(key: string, value: any): void;\n getVariable(key: string): any;\n getAllVariables(): Record;\n \n // L1 工作记忆\n addToL1(key: string, value: string, category: MemoryCategory, importance?: number): void;\n queryL1(pattern: string): MemoryEntry[];\n getL1Content(): string;\n \n // L2 经验记忆\n addToL2(key: string, value: string | object, category: MemoryCategory, \n importance: number, tags?: string[], system?: SystemType): void;\n queryL2(query: string, tagFilter?: string, importanceMin?: number): MemoryEntry[];\n getL2Entries(): MemoryEntry[];\n \n // L3 知识记忆\n addToL3(entry: MemoryEntry): void;\n queryL3(category?: MemoryCategory): MemoryEntry[];\n getL3Data(): object;\n \n // L4 智慧记忆\n addToL4(entry: MemoryEntry): void;\n queryL4(category?: MemoryCategory): MemoryEntry[];\n getL4Data(): object;\n \n // 统一查询\n queryAll(query: string): Record;\n \n // 跨系统共享\n syncToSystem(targetSystem: SystemType, entries: MemoryEntry[]): void;\n syncFromSystem(sourceSystem: SystemType): MemoryEntry[];\n \n // AI镜像\n generateMirrorInsight(): AIMirrorInsight;\n \n // 健康检查\n healthCheck(): object;\n \n // 摘要\n getSummary(): string;\n \n // 配置\n getConfig(): MemoryConfig;\n updateConfig(newConfig: Partial): void;\n}\n```\n\n### 10.3 SignalRecognitionSystem\n\n```typescript\nclass SignalRecognitionSystem {\n // 评估信号\n evaluateSignal(signal: Omit): { level: SignalLevel; reason: string };\n \n // 添加信号\n addSignal(signal: Omit): void;\n \n // 生成日报\n generateDailyScanReport(date: string, rawSignals: Omit[]): {\n date: string;\n signals: Signal[];\n patterns: Pattern[];\n actions: string[];\n };\n \n // 查询信号\n querySignals(query: string): Signal[];\n \n // 同步\n syncToOtherSystems(): void;\n}\n```\n\n### 10.4 WorkflowAssetSystem\n\n```typescript\nclass WorkflowAssetSystem {\n // 隐性知识显性化\n explicitizeTacitKnowledge(task: string, userResponses: Record): TacitKnowledge[];\n \n // 识别能力基因\n identifyCapabilityGenes(task: string, result: string, tacitKnowledge: TacitKnowledge[]): CapabilityGene[];\n \n // 构建方法论\n buildMethodology(tacitKnowledge: TacitKnowledge[], capabilityGenes: CapabilityGene[]): Methodology;\n \n // 生成日报\n generateDailyWorkflowReport(date: string, tasks: string[], userResponses: Record[]): {\n date: string;\n tasks: string[];\n tacitKnowledge: TacitKnowledge[];\n capabilityGenes: CapabilityGene[];\n methodologies: Methodology[];\n };\n \n // 查询方法论\n queryMethodologies(): Methodology[];\n \n // 同步\n syncToOtherSystems(): void;\n}\n```\n\n### 10.5 PersonalGoalSystem\n\n```typescript\nclass PersonalGoalSystem {\n // 动机解析\n analyzeMotivation(goal: Goal, userResponses: Record): Motivation[];\n \n // 构建目标网络\n buildGoalNetwork(goals: Goal[]): { goals: Goal[]; relations: object[] };\n \n // 分析精力分配\n analyzeEnergyAllocation(timeLog: Record, idealAllocation: Record): EnergyAllocation[];\n \n // 发现盲点\n discoverBlindSpots(goals: Goal[], energyAllocation: EnergyAllocation[], statedPriorities: Record): object[];\n \n // 生成AI镜像信\n generateAIMirrorLetter(observations: string, progress: string[], concerns: object[], \n challenges: string[], possibilities: string[], recommendations: string[]): AIMirrorLetter;\n \n // 预测未来\n predictFutureSelf(goals: Goal[], energyAllocation: EnergyAllocation[], behaviorPatterns: string[]): object[];\n \n // 生成周报\n generateWeeklySelfAwarenessReport(period: string, goals: Goal[], timeLog: Record,\n idealAllocation: Record, statedPriorities: Record): object;\n \n // 同步\n syncToOtherSystems(): void;\n}\n```\n\n### 10.6 类型定义\n\n```typescript\n// 记忆层级\ntype MemoryLevel = 'L0' | 'L1' | 'L2' | 'L3' | 'L4';\n\n// 记忆类别\ntype MemoryCategory = 'task' | 'rule' | 'insight' | 'pattern' | 'methodology' | 'worldview' | 'goal' | 'value' | 'wisdom';\n\n// 系统类型\ntype SystemType = 'signal' | 'workflow' | 'goal' | 'shared';\n\n// 记忆条目\ninterface MemoryEntry {\n id: string;\n level: MemoryLevel;\n category: MemoryCategory;\n key: string;\n value: string | object;\n tags: string[];\n importance: number;\n system: SystemType;\n createdAt: string;\n accessedAt: string;\n accessCount: number;\n metadata?: Record;\n}\n\n// 信号等级\ntype SignalLevel = 'noise' | 'signal' | 'core' | 'meta';\n\n// 时间敏感度\ntype TimeSensitivity = 'immediate' | 'continuous' | 'delayed' | 'cyclical' | 'meta';\n\n// 影响深度\ntype ImpactDepth = 'tool' | 'method' | 'strategy' | 'cognition' | 'worldview';\n\n// AI镜像洞察\ninterface AIMirrorInsight {\n observation: string;\n pattern: string;\n blindSpot: string;\n suggestion: string;\n prediction: string;\n}\n```\n\n---\n\n## 11. 配置说明\n\n### 11.1 默认配置\n\n```javascript\nconst DEFAULT_CONFIG = {\n // L0闪存最大条目数\n L0_MAX_ITEMS: 10,\n \n // L1工作记忆最大行数\n L1_MAX_LINES: 50,\n \n // L2经验记忆最大条目数\n L2_MAX_ENTRIES: 200,\n \n // L3知识记忆最大条目数\n L3_MAX_ENTRIES: 1000,\n \n // 自动归档阈值（百分比）\n AUTO_ARCHIVE_THRESHOLD: 0.8\n};\n```\n\n### 11.2 自定义配置\n\n```javascript\n// 创建系统时自定义配置\nconst ai = new AICollaborationSystem('my_system', 'memory', {\n L0_MAX_ITEMS: 20, // 增大L0容量\n L1_MAX_LINES: 100, // 增大L1容量\n L2_MAX_ENTRIES: 500, // 增大L2容量\n AUTO_ARCHIVE_THRESHOLD: 0.9 // 提高归档阈值\n});\n\n// 运行时更新配置\nai.memory.updateConfig({\n L1_MAX_LINES: 200\n});\n\n// 获取当前配置\nconst config = ai.memory.getConfig();\nconsole.log('当前配置:', config);\n```\n\n### 11.3 时间衰减配置\n\n```javascript\nconst TIME_DECAY_CONFIG = {\n // 默认显示最近N天的信息\n DEFAULT_MAX_AGE_DAYS: 7,\n \n // 时间衰减系数\n DECAY_RATES: {\n '0-1天': 1.0,\n '1-3天': 0.9,\n '3-7天': 0.7,\n '7-14天': 0.4,\n '14天以上': 0.1\n },\n \n // 等级调整规则\n LEVEL_ADJUSTMENT: {\n '7天以上': { maxLevel: 'B级', defaultVisible: false },\n '14天以上': { maxLevel: 'C级', defaultVisible: false }\n }\n};\n```\n\n---\n\n## 12. 使用示例\n\n### 12.1 完整工作流示例\n\n```javascript\nconst { AICollaborationSystem } = require('./dist/index');\n\nasync function main() {\n // ===== 1. 初始化系统 =====\n const ai = new AICollaborationSystem('daily_work', 'memory');\n console.log('系统初始化完成');\n console.log(ai.getSummary());\n \n // ===== 2. 早晨：信息扫描 =====\n console.log('\\n===== 早晨：信息扫描 =====');\n \n const morningSignals = [\n {\n title: 'GPT-5发布预告',\n source: 'OpenAI官方',\n publishDate: new Date(),\n timeSensitivity: 'immediate',\n impactDepth: 'worldview',\n actionability: 9,\n compoundValue: 10,\n publicAttention: 95,\n discussionVolume: 50000,\n emotionIntensity: 90\n },\n {\n title: '某科技公司财报',\n source: '财经新闻',\n publishDate: new Date(),\n timeSensitivity: 'delayed',\n impactDepth: 'strategy',\n actionability: 6,\n compoundValue: 5,\n publicAttention: 60,\n discussionVolume: 10000,\n emotionIntensity: 40\n }\n ];\n \n const scanReport = ai.dailyScan(morningSignals);\n console.log('核心信号:', scanReport.signals.filter(s => s.level === 'core' || s.level === 'meta'));\n console.log('行动建议:', scanReport.actions);\n \n // ===== 3. 工作中：任务沉淀 =====\n console.log('\\n===== 工作中：任务沉淀 =====');\n \n const tasks = ['完成产品需求文档', '参加团队周会'];\n const responses = [\n {\n operation: '1.调研 2.分析 3.撰写',\n experience: '调研要充分',\n decision: '先核心后细节',\n thinking: '用户价值优先',\n value: '质量第一'\n },\n {\n operation: '1.同步 2.讨论',\n experience: '控制在1小时',\n decision: '争议单独讨论',\n thinking: '同步为主',\n value: '高效沟通'\n }\n ];\n \n const workflowReport = ai.dailyWorkflow(tasks, responses);\n console.log('沉淀的方法论:', workflowReport.methodologies);\n \n // ===== 4. 晚上：目标追踪 =====\n console.log('\\n===== 晚上：目标追踪 =====');\n \n const goals = [\n { name: '学习AI', priority: 8, progress: 35, deadline: new Date('2026-12-31'), motivations: [] },\n { name: '保持健康', priority: 9, progress: 50, deadline: new Date('2026-12-31'), motivations: [] }\n ];\n \n const timeLog = { career: 45, family: 15, health: 3, learning: 8, social: 5, leisure: 8 };\n const ideal = { career: 35, family: 25, health: 15, learning: 15, social: 5, leisure: 5 };\n const priorities = { career: 8, family: 9, health: 9, learning: 8, social: 5, leisure: 4 };\n \n const weeklyReport = ai.weeklyReview(goals, timeLog, ideal, priorities);\n console.log('精力分配:', weeklyReport.energyAllocation);\n console.log('认知盲点:', weeklyReport.blindSpots);\n \n // ===== 5. 睡前：AI镜像 =====\n console.log('\\n===== 睡前：AI镜像 =====');\n \n const insight = ai.generateInsight();\n console.log('观察:', insight.observation);\n console.log('模式:', insight.pattern);\n console.log('盲点:', insight.blindSpot);\n console.log('建议:', insight.suggestion);\n console.log('预测:', insight.prediction);\n \n // ===== 6. 健康检查 =====\n console.log('\\n===== 系统健康检查 =====');\n \n const health = ai.healthCheck();\n console.log('各层状态:', health.levels);\n console.log('建议:', health.recommendations);\n \n // ===== 7. 同步所有系统 =====\n ai.syncAllSystems();\n console.log('\\n✅ 一天工作流完成！');\n}\n\nmain().catch(console.error);\n```\n\n### 12.2 值班机制完整示例\n\n```javascript\nconst { AICollaborationSystem } = require('./dist/index');\n\n// 初始化值班系统\nconst ai = new AICollaborationSystem('duty_system');\n\n// 模拟当天监测到的热点\nconst todayHotspots = [\n {\n title: 'OpenAI发布GPT-5',\n source: '官方公告',\n publishDate: new Date(),\n timeSensitivity: 'immediate',\n impactDepth: 'worldview',\n actionability: 9,\n compoundValue: 10,\n publicAttention: 95,\n discussionVolume: 50000,\n emotionIntensity: 90\n },\n {\n title: '某科技公司裁员传闻',\n source: '社交媒体',\n publishDate: new Date(),\n timeSensitivity: 'immediate',\n impactDepth: 'strategy',\n actionability: 6,\n compoundValue: 5,\n publicAttention: 75,\n discussionVolume: 20000,\n emotionIntensity: 85\n },\n {\n title: '新能源汽车销量数据',\n source: '行业报告',\n publishDate: new Date(Date.now() - 3 * 24 * 60 * 60 * 1000), // 3天前\n timeSensitivity: 'delayed',\n impactDepth: 'strategy',\n actionability: 7,\n compoundValue: 6,\n publicAttention: 45,\n discussionVolume: 5000,\n emotionIntensity: 30\n }\n];\n\n// 评估每个热点\nfunction evaluateHotspot(hotspot) {\n const baseValue = ai.signal.evaluateSignal(hotspot);\n \n // 计算舆论热度\n const attentionScore = (\n hotspot.publicAttention * 0.4 +\n (hotspot.discussionVolume / 1000) * 0.3 +\n hotspot.emotionIntensity * 0.3\n );\n \n // 计算时间衰减\n const age = (Date.now() - new Date(hotspot.publishDate)) / (24 * 60 * 60 * 1000);\n let decayRate = 1.0;\n if (age <= 1) decayRate = 1.0;\n else if (age <= 3) decayRate = 0.9;\n else if (age <= 7) decayRate = 0.7;\n else if (age <= 14) decayRate = 0.4;\n else decayRate = 0.1;\n \n // 最终评分\n const finalScore = attentionScore * decayRate;\n \n // 确定等级\n let level = 'C级';\n let needAnalysis = false;\n \n if (finalScore >= 75 && age <= 7) {\n level = 'S级';\n needAnalysis = true;\n } else if (finalScore >= 60 && age <= 7) {\n level = 'A级';\n } else if (finalScore >= 40) {\n level = 'B级';\n }\n \n // 时间限制\n if (age > 7) level = 'B级';\n if (age > 14) level = 'C级';\n \n return {\n ...hotspot,\n baseLevel: baseValue.level,\n attentionScore: Math.round(attentionScore),\n finalScore: Math.round(finalScore),\n level,\n needAnalysis,\n age: Math.round(age)\n };\n}\n\n// 生成日报\nfunction generateDailyReport(hotspots, dutyPersons) {\n const evaluated = hotspots.map(evaluateHotspot);\n const visible = evaluated.filter(h => h.level !== 'C级');\n \n // 按时间排序（最新优先）\n visible.sort((a, b) => a.age - b.age);\n \n // 生成报告\n let report = `【${new Date().toLocaleDateString('zh-CN')} 产业热点日报】\\n\\n`;\n report += `值班人员：${dutyPersons.join('、')}\\n\\n`;\n \n // S级热点\n const sLevel = visible.filter(h => h.level === 'S级');\n if (sLevel.length > 0) {\n report += `【S级热点】（需要深度分析）\\n`;\n sLevel.forEach(h => {\n report += `🔴 ${h.title}\\n`;\n report += ` 评分：${h.finalScore} | 来源：${h.source}\\n`;\n report += ` ⚠️ 需要输出深度分析材料\\n\\n`;\n });\n }\n \n // A级热点\n const aLevel = visible.filter(h => h.level === 'A级');\n if (aLevel.length > 0) {\n report += `【A级热点】（高度关注）\\n`;\n aLevel.forEach(h => {\n report += `🟠 ${h.title}\\n`;\n report += ` 评分：${h.finalScore} | 来源：${h.source}\\n\\n`;\n });\n }\n \n // B级热点\n const bLevel = visible.filter(h => h.level === 'B级');\n if (bLevel.length > 0) {\n report += `【B级热点】（持续跟踪）\\n`;\n bLevel.forEach(h => {\n report += `🟡 ${h.title}\\n`;\n report += ` 评分：${h.finalScore}\\n\\n`;\n });\n }\n \n // 统计\n report += `【今日统计】\\n`;\n report += `共监测${hotspots.length}条热点，`;\n report += `S级${sLevel.length}条，A级${aLevel.length}条，B级${bLevel.length}条\\n\\n`;\n \n // 待处理\n const needAnalysis = evaluated.filter(h => h.needAnalysis);\n if (needAnalysis.length > 0) {\n report += `【待处理事项】\\n`;\n report += `• 需要输出分析材料：${needAnalysis.length}条\\n`;\n needAnalysis.forEach(h => {\n report += ` - ${h.title}（截止时间：次日12:00）\\n`;\n });\n }\n \n return { report, evaluated, visible };\n}\n\n// 执行\nconst result = generateDailyReport(todayHotspots, ['张三', '李四']);\nconsole.log(result.report);\n```\n\n---\n\n## 13. 最佳实践\n\n### 13.1 每日工作流\n\n| 时间 | 活动 | 系统 | 输出 |\n|------|------|------|------|\n| 早晨 | 信息扫描 | 信息信号识别 | 核心信号列表 |\n| 工作中 | 任务沉淀 | 工作流资产沉淀 | 隐性知识、方法论 |\n| 晚上 | 目标追踪 | 个人目标追踪 | 精力分析、盲点发现 |\n| 睡前 | AI镜像 | 统一记忆系统 | 洞察、建议 |\n\n### 13.2 每周工作流\n\n| 时间 | 活动 | 输出 |\n|------|------|------|\n| 周一 | 设定本周目标 | 目标列表 |\n| 周二-周五 | 执行+沉淀 | 日常输出 |\n| 周六 | 周复盘 | 周报、AI镜像 |\n| 周日 | 规划下周 | 下周计划 |\n\n### 13.3 记忆管理最佳实践\n\n1. **定期清理L1**：每周清理一次L1工作记忆\n2. **主动提升L2**：将重要经验标记为高importance\n3. **珍惜L4**：只有真正有价值的洞察才存入L4\n4. **定期同步**：每周执行一次跨系统同步\n\n### 13.4 避免的陷阱\n\n| 陷阱 | 表现 | 解决方案 |\n|------|------|----------|\n| 信息囤积 | 收集大量信息但不处理 | 只存储核心信号 |\n| 知识不沉淀 | 学习但不记录 | 每次学习后强制沉淀 |\n| 目标不追踪 | 设定目标但不跟进 | 每周强制复盘 |\n| 记忆不流转 | 记忆堆积在L1/L2 | 定期执行健康检查 |\n\n---\n\n## 14. 常见问题\n\n### Q1：四个系统必须全部使用吗？\n\n**A**：不是必须的。可以根据需求选择：\n- 只想管理信息 → 使用信息信号识别系统\n- 只想沉淀能力 → 使用工作流资产沉淀系统\n- 只想追踪目标 → 使用个人目标追踪系统\n- 想要完整体验 → 使用全部四个系统\n\n### Q2：记忆会丢失吗？\n\n**A**：不会。记忆系统有以下保护机制：\n- 自动保存到文件\n- 自动流转到更高层\n- L4智慧记忆永久保存\n\n### Q3：如何备份记忆？\n\n**A**：\n```bash\n# 备份整个记忆目录\ncp -r memory/ backup/memory_$(date +%Y%m%d)\n\n# 或使用压缩\ntar -czf backup/memory_$(date +%Y%m%d).tar.gz memory/\n```\n\n### Q4：如何迁移到新机器？\n\n**A**：\n1. 备份记忆目录\n2. 在新机器上安装系统\n3. 恢复记忆目录\n4. 运行健康检查验证\n\n### Q5：时间衰减可以调整吗？\n\n**A**：可以。修改配置中的时间衰减参数：\n```javascript\nconst TIME_DECAY_CONFIG = {\n DEFAULT_MAX_AGE_DAYS: 14, // 改为14天\n DECAY_RATES: {\n '0-1天': 1.0,\n '1-3天': 0.95,\n // ... 自定义\n }\n};\n```\n\n### Q6：如何查看历史信息？\n\n**A**：默认只显示最近7天的信息。如需查看历史：\n```javascript\n// 查询所有L2记忆\nconst all = ai.memory.getL2Entries();\n\n// 过滤特定时间范围\nconst history = all.filter(e => {\n const age = (Date.now() - new Date(e.createdAt)) / (24 * 60 * 60 * 1000);\n return age <= 30; // 最近30天\n});\n```\n\n### Q7：如何重置系统？\n\n**A**：\n```bash\n# 删除记忆目录\nrm -rf memory/my_system/\n\n# 重新创建系统\nconst ai = new AICollaborationSystem('my_system');\n```\n\n---\n\n## 15. 故障排除\n\n### 15.1 常见错误\n\n| 错误 | 原因 | 解决方案 |\n|------|------|----------|\n| Cannot find module | 未安装依赖 | 运行 `npm install` |\n| Cannot write to memory | 目录权限问题 | 检查目录权限 |\n| TypeScript compile error | 编译问题 | 运行 `npm run build` |\n\n### 15.2 调试方法\n\n```javascript\n// 1. 检查系统状态\nconsole.log(ai.healthCheck());\n\n// 2. 检查记忆内容\nconsole.log(ai.memory.getL1Content());\nconsole.log(ai.memory.getL2Entries());\n\n// 3. 检查配置\nconsole.log(ai.memory.getConfig());\n```\n\n### 15.3 日志查看\n\n```bash\n# 查看记忆文件\ncat memory/my_system/L1_working/WORKING_MEMORY.md\ncat memory/my_system/L2_experience/EXPERIENCE_MEMORY.json\ncat memory/my_system/L3_knowledge/KNOWLEDGE_MEMORY.json\ncat memory/my_system/L4_wisdom/WISDOM_MEMORY.json\n```\n\n---\n\n## 附录\n\n### A. 文件路径\n\n| 文件 | 路径 |\n|------|------|\n| 部署包 | `/home/z/my-project/download/ai-collaboration-complete.zip` |\n| 使用说明 | `/home/z/my-project/download/AI协作操作系统_完整使用说明书.md` |\n\n### B. 版本历史\n\n| 版本 | 日期 | 更新内容 |\n|------|------|----------|\n| 1.0.0 | 2026-02-25 | 初始版本发布 |\n\n### C. 技术支持\n\n如有问题，请查看：\n- `README.md` - 快速开始\n- `demo.js` - 完整示例\n- `duty-demo.js` - 值班机制示例\n- `time-decay-demo.js` - 时间衰减示例\n\n---\n\n**文档版本**: 1.0.0 \n**最后更新**: 2026年2月25日\n\n**一行代码，开启AI协作之旅！**\n\nFile v2.0.0:docs/完整使用手册.md\n\n# AI协作操作系统 - 完整使用手册\n\n## 1. 系统概述\n\nAI协作操作系统包含四个核心系统：\n- **统一记忆系统**：五层记忆架构（L0→L1→L2→L3→L4）\n- **信息信号识别系统**：信号识别、模式发现、世界观构建\n- **工作流资产沉淀系统**：隐性知识显性化、方法论构建\n- **个人目标追踪系统**：动机解析、AI镜像、未来预测\n\n## 2. 快速开始\n\n```typescript\nimport { AICollaborationSystem } from './dist/index';\n\nconst ai = new AICollaborationSystem('my_system');\n```\n\n## 3. 统一记忆系统\n\n```typescript\n// L0 闪存\nai.memory.setVariable('key', 'value');\nai.memory.getVariable('key');\n\n// L1 工作记忆\nai.memory.addToL1('任务', '完成文档', 'task', 3);\n\n// L2 经验记忆\nai.memory.addToL2('经验', '数据', 'insight', 4, ['tag'], 'signal');\n\n// L3 知识记忆\nai.memory.addToL3({ category: 'methodology', key: '方法论', value: {...}, importance: 5 });\n\n// L4 智慧记忆\nai.memory.addToL4({ category: 'insight', key: '洞察', value: {...}, importance: 5 });\n\n// 查询\nai.memory.queryAll('关键词');\n```\n\n## 4. 信息信号识别\n\n```typescript\nconst signals = [\n { title: '信号标题', source: '来源', timeSensitivity: 'immediate', impactDepth: 'worldview', actionability: 8, compoundValue: 9 }\n];\n\nconst report = ai.dailyScan(signals);\nconsole.log(report.signals);\n```\n\n## 5. 工作流资产沉淀\n\n```typescript\nconst tasks = ['任务1', '任务2'];\nconst responses = [\n { operation: '步骤', experience: '经验', decision: '决策', thinking: '思维', value: '价值' }\n];\n\nconst report = ai.dailyWorkflow(tasks, responses);\nconsole.log(report.methodologies);\n```\n\n## 6. 个人目标追踪\n\n```typescript\nconst goals = [{ name: '目标', priority: 8, progress: 30 }];\nconst timeLog = { career: 50, family: 20, health: 5 };\nconst ideal = { career: 35, family: 25, health: 15 };\n\nconst energy = ai.dailyGoalTracking(goals, timeLog, ideal);\nconsole.log(energy);\n```\n\n## 7. AI镜像洞察\n\n```typescript\nconst insight = ai.generateInsight();\nconsole.log(insight.observation);\nconsole.log(insight.suggestion);\n```\n\n## 8. 健康检查\n\n```typescript\nconst health = ai.healthCheck();\nconsole.log(health);\n```\n\nFile v2.0.0:docs/集中部署指南.md\n\n# 集中部署指南\n\n## 一键安装\n\n```bash\n./install.sh\n```\n\n## 手动安装\n\n```bash\nnpm install\nnpm run build\nnode dist/example.js\n```\n\n## 验证安装\n\n运行示例程序：\n```bash\nnode dist/example.js\n```\n\n看到 \"✅ 示例运行完成！\" 表示安装成功。\n\nArchive v1.0.0: 44 files, 128862 bytes\n\nFiles: AGENT_PROMPTS.md (15317b), agent-collaboration-demo.js (19987b), demo.js (23388b), dist/core/memory.d.ts (3152b), dist/core/memory.js (16567b), dist/example.d.ts (95b), dist/example.js (4074b), dist/index.d.ts (1659b), dist/index.js (3578b), dist/systems/goal.d.ts (3151b), dist/systems/goal.js (8050b), dist/systems/signal.d.ts (1317b), dist/systems/signal.js (4203b), dist/systems/workflow.d.ts (1631b), dist/systems/workflow.js (4676b), docs/AI协作操作系统_完整使用说明书.md (65276b), docs/完整使用手册.md (2232b), docs/集中部署指南.md (272b), duty-demo.js (22138b), examples/holiday-duty.js (14292b), install.sh (3058b), memory-v2-demo.js (17831b), memory/today_hotspot/L1_working/WORKING_MEMORY.md (181b), memory/today_hotspot/L2_experience/EXPERIENCE_MEMORY.json (2016b), package-lock.json (1483b), package.json (661b), README.md (2624b), references/data-flow.md (7834b), references/workflow-design.md (8224b), scripts/core/agents.ts (15926b), scripts/core/memory-v2.ts (25009b), scripts/core/memory.ts (22430b), scripts/example.ts (3991b), scripts/index.ts (3216b), scripts/systems/coordinator.ts (9053b), scripts/systems/goal.ts (13043b), scripts/systems/signal.ts (11086b), scripts/systems/workflow.ts (11090b), SKILL.md (10596b), time-decay-demo.js (18442b), today-hotspot-demo.js (19283b), tsconfig.json (463b), UPGRADE_REPORT.md (13217b), _meta.json (144b)\n\nFile v1.0.0:SKILL.md\n\n---\nname: multi-agent-collaboration\ndescription: |\n 多智能体协作系统V1.4（最终版），支持**所有行业所有内容**的智能协作：\n 通用信息守护者(信息采集)、内容趋势优化系统(趋势创作)、状态洞察模块(个人状态)、工作流沉淀系统(报告生成)。\n 适用于：金融、医疗、教育、零售、科技、制造业、餐饮、服务业等**全行业**。\n 核心功能：意图识别+智能路由+反思机制+主动感知+用户自适应，支持串行/并行/跳过/精简多种执行模式，\n 执行前自动检索记忆库，学习用户偏好，动态调整交互方式，预测用户需求。\n 包含强大的记忆系统V2，支持场景化记忆、分层存储、遗忘机制和智能检索。\n---\n\n# 多智能体协作系统 V1.4（最终版）\n\n> 🎯 **最终版本**：用户自适应 - 学习用户偏好，动态调整交互\n\n## V1.4 核心升级\n\n| 新功能 | 说明 |\n|--------|------|\n| **用户画像** | 记录用户交互偏好 |\n| **自适应确认** | 根据跳过率调整确认频率 |\n| **个性化输出** | 根据偏好调整报告风格 |\n| **预测服务** | 主动预测用户下一步需求 |\n\n## 完整执行流程\n\n```\n用户输入\n │\n ▼\n┌─────────────────────────────────────┐\n│ 查用户画像 ←─────────────────────┐ │\n│ • 了解用户偏好 │ │\n│ • 获取历史交互模式 │ │\n└─────────────────────────────────────┘ │\n │ │\n ▼ │\n意图识别 → 智能路由 ←───────────────────┘\n │ (参考用户偏好)\n ▼\n主动感知\n │\n ▼\n┌─────────────────────────────────────┐\n│ 模块执行 │\n│ (串行/并行/跳过) │\n└─────────────────────────────────────┘\n │\n ▼\n┌─────────────────────────────────────┐\n│ 反思机制 │\n│ 评估 → 优化 → 重试 │\n└─────────────────────────────────────┘\n │\n ▼\n记录行为 → 更新画像 ─────────────────→ (回到用户画像)\n │\n ▼\n用户确认 → 继续/退出\n```\n\n---\n\n## 用户画像详解\n\n### 学习数据\n\n```typescript\ninterface UserProfile {\n user_id: string;\n \n // 交互习惯\n confirmation_habit: {\n total_decisions: number;\n skip_count: number;\n skip_rate: number; // 跳过率\n avg_decision_time_ms: number;\n };\n \n // 输出偏好\n output_preference: {\n detailed_count: number;\n concise_count: number;\n preferred_style: 'detailed' | 'concise' | 'balanced';\n };\n \n // 推荐接受\n recommendation: {\n total: number;\n accepted: number;\n acceptance_rate: number;\n };\n \n // 执行偏好\n execution: {\n parallel_count: number;\n serial_count: number;\n preferred_mode: 'parallel' | 'serial';\n };\n \n // 模块偏好\n module_preference: {\n module_sequence_history: string[];\n common_paths: string[];\n };\n \n updated_at: string;\n}\n```\n\n### 自适应策略\n\n| 用户特征 | 系统调整 |\n|----------|----------|\n| 跳过率 > 60% | 减少确认步骤 |\n| 跳过率 < 30% | 保持完整确认 |\n| 偏好详细 | 输出更多解释 |\n| 偏好精简 | 输出关键要点 |\n| 推荐接受 > 70% | 多推荐 |\n| 推荐接受 < 30% | 少推荐 |\n| 偏好并行 | 优先并行执行 |\n| 偏好串行 | 保持串行执行 |\n\n---\n\n## V1.4 交互示例\n\n### 完整交互流程\n\n```\n用户：帮我分析新能源汽车行业趋势\n━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━\n\n【行业分析】\n识别意图：信息获取 + 内容创作\n目标行业：新能源汽车\n\n【用户画像】\n┌─────────────────────────────────────┐\n│ 画像：user_001 │\n│ • 跳过率：75% → 简化确认 │\n│ • 输出偏好：详细（80%） │\n│ • 推荐接受：90% → 多推荐 │\n│ • 执行偏好：并行 │\n└─────────────────────────────────────┘\n\n【自适应决策】\n✓ 减少确认步骤\n✓ 输出详细报告\n✓✓ 尝试并行 多提供推荐\n\n\n━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━\n\n【执行】模块1 → 模块2（并行）\n\n【模块1 - 反思评估】\n✓ 完整性：90% | 质量：8.2/10 | 可用性：92%\n\n【模块2 - 反思评估】\n✓ 完整性：88% | 质量：8.0/10 | 可用性：90%\n\n【模块执行完成】\n\n【自适应确认】\n✓ 跳过非必要确认（跳过率75%）\n\n摘要：\n- 行业趋势：3个\n- 创作方案：2套\n- 预估时间：25分钟\n\n继续到模块3/4？\n1. 继续到模块3\n2. 继续到模块4\n3. 查看完整报告\n4. 结束\n\n请回复：\n━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━\n```\n\n### 预测性服务\n\n```\n用户：看看金融行业新闻\n\n【行业分析】\n识别意图：信息获取\n目标行业：金融\n\n【预测服务】\n根据您的历史行为：\n━━━━━━━━━━━━━━━━━━━━━━━━━━━\n• 87% 概率：您会继续到模块2（创作）\n• 60% 概率：您会查看详细报告\n• 常用路径：模块1 → 模块2\n━━━━━━━━━━━━━━━━━━━━━━━━━━━\n\n【预执行】\n已在后台准备模块2内容（如果继续）\n\n开始执行模块1...\n━━━━━━━━━━━━━━━━━━━━━━━━━━━\n```\n\n**注意**：以上示例适用于任何行业（金融、医疗、教育、零售、科技、新能源汽车、餐饮等）\n\n---\n\n## 全面自检报告\n\n### ✅ 版本一致性检查\n\n| 检查项 | 状态 | 说明 |\n|--------|------|------|\n| V1.0 核心保留 | ✓ | 串行流程、用户确认、数据传递、灵活退出 |\n| V1.1 增量引入 | ✓ | 意图识别、智能路由、并行执行 |\n| V1.2 增量引入 | ✓ | 反思机制、自动重试、优化尝试 |\n| V1.3 增量引入 | ✓ | 主动感知、增量更新、模式复用 |\n| V1.4 增量引入 | ✓ | 用户画像、自适应、预测服务 |\n\n### ✅ 功能完整性检查\n\n| 模块 | 功能 | 状态 |\n|------|------|------|\n| 模块1 | 信息采集+过滤+评估+分级 | ✓ |\n| 模块2 | 趋势分析+爆款分析+创作方案+发布策略 | ✓ |\n| 模块3 | 状态分析+成长洞察+AI信件 | ✓ |\n| 模块4 | 工具推荐+工作流记录+模板生成+效率报告 | ✓ |\n\n### ✅ 记忆系统检查\n\n| 功能 | 状态 |\n|------|------|\n| 五层架构（L0-L4） | ✓ |\n| 场景化配置 | ✓ |\n| 智能检索 | ✓ |\n| 遗忘机制 | ✓ |\n| 反馈闭环 | ✓ |\n| 增量更新 | ✓ |\n\n### ✅ 逻辑一致性检查\n\n| 检查项 | 状态 |\n|--------|------|\n| 模块执行顺序（1→2/3/4） | ✓ |\n| 数据传递（后续模块可访问前置输出） | ✓ |\n| 用户确认点（每模块后） | ✓ |\n| 灵活退出（任何时候可退出） | ✓ |\n| 记忆流转（L0→L2→L3→L4） | ✓ |\n| 反思触发（每模块后） | ✓ |\n| 自适应依赖（需要画像数据） | ✓ |\n\n### ✅ 向后兼容性检查\n\n| 配置项 | 默认值 | 可关闭 |\n|--------|--------|--------|\n| intent_recognition | true | ✓ |\n| smart_routing | true | ✓ |\n| parallel_execution | true | ✓ |\n| reflection | true | ✓ |\n| proactive_memory | true | ✓ |\n| user_adaptation | true | ✓ |\n| user_confirmation | true | ✗ (必须开启) |\n| data_passing | true | ✗ (必须开启) |\n| flexible_exit | true | ✗ (必须开启) |\n\n---\n\n## 完整配置\n\n```typescript\nconst MULTI_AGENT_SYSTEM_V1_4 = {\n // 版本\n version: \"1.4\",\n release_date: \"2026-02-25\",\n \n // V1.4 功能\n user_adaptation: {\n enabled: true,\n profile_tracking: true,\n adaptive_confirmation: true,\n personalized_output: true,\n predictive_service: true\n },\n \n // V1.3 功能\n proactive_memory: {\n enabled: true,\n incremental_update: true,\n cache_ttl_hours: 168,\n reuse_bonus: 0.2\n },\n \n // V1.2 功能\n reflection: {\n enabled: true,\n auto_retry: true,\n max_retries: 3,\n dimensions: ['completeness', 'quality', 'usability']\n },\n \n // V1.1 功能\n routing: {\n intent_recognition: true,\n smart_routing: true,\n parallel_execution: true,\n patterns: ['serial', 'parallel', 'skip', '精简']\n },\n \n // V1 核心（不可关闭）\n core: {\n user_confirmation: true,\n data_passing: true,\n flexible_exit: true\n },\n \n // 模块配置\n modules: {\n module1: {\n name: \"信息守护者\",\n layer: \"L0\",\n retention: \"1小时\"\n },\n module2: {\n name: \"内容趋势优化系统\",\n layer: \"L2\",\n retention: \"7天\"\n },\n module3: {\n name: \"状态洞察模块\",\n layer: \"L3-L4\",\n retention: \"90天\"\n },\n module4: {\n name: \"工作流沉淀系统\",\n layer: \"L3\",\n retention: \"永久\"\n }\n },\n \n // 记忆系统\n memory: {\n enabled: true,\n layers: ['L0', 'L1', 'L2', 'L3', 'L4'],\n scenarios: ['duty', 'sentiment', 'workflow', 'goal', 'general']\n }\n};\n```\n\n---\n\n## 执行模式汇总\n\n| 模式 | V1.0 | V1.1 | V1.2 | V1.3 | V1.4 |\n|------|------|------|------|------|------|\n| 串行执行 | ✓ | ✓ | ✓ | ✓ | ✓ |\n| 意图识别 | - | ✓ | ✓ | ✓ | ✓ |\n| 智能路由 | - | ✓ | ✓ | ✓ | ✓ |\n| 并行执行 | - | ✓ | ✓ | ✓ | ✓ |\n| 反思机制 | - | - | ✓ | ✓ | ✓ |\n| 主动感知 | - | - | - | ✓ | ✓ |\n| 用户自适应 | - | - | - | - | ✓ |\n\n---\n\n## 参考文档\n\n- 完整工作流设计： [references/workflow-design.md](references/workflow-design.md)\n- 模块间数据流转： [references/data-flow.md](references/data-flow.md)\n- 记忆系统V2源码： [scripts/memory-v2.ts](scripts/memory-v2.ts)\n\nFile v1.0.0:README.md\n\n# 🧠 AI协作操作系统\n\n**一站式集成：统一记忆系统 + 信息信号识别 + 工作流资产沉淀 + 个人目标追踪**\n\n---\n\n## 🚀 快速开始\n\n```bash\n# 解压\nunzip ai-collaboration-complete.zip\n\n# 进入目录\ncd ai-collaboration-complete\n\n# 安装\nnpm install\n\n# 运行演示\nnode demo.js\n```\n\n---\n\n## 📦 包含系统\n\n| 系统 | 功能 | 核心能力 |\n|------|------|----------|\n| **统一记忆系统** | 五层记忆管理 | L0闪存→L1工作→L2经验→L3知识→L4智慧 |\n| **信息信号识别** | 信号识别、模式发现 | 信息价值分层、世界观构建、时间衰减 |\n| **工作流资产沉淀** | 隐性知识显性化 | 能力基因识别、方法论构建 |\n| **个人目标追踪** | 动机解析、AI镜像 | 目标网络、未来预测 |\n\n---\n\n## 🎯 演示程序\n\n| 文件 | 说明 |\n|------|------|\n| `demo.js` | 完整功能演示 |\n| `duty-demo.js` | 值班机制演示 |\n| `time-decay-demo.js` | 时间衰减演示 |\n| `examples/holiday-duty.js` | 场景示例：节假日值班热点监测 |\n\n---\n\n## 📝 场景示例\n\n`examples/holiday-duty.js` 展示如何使用本系统实现节假日值班热点监测：\n\n- ✅ 可监测任何类型热点（政策、社会、产业、舆情等）\n- ✅ 自动评估关注等级（S/A/B/C）\n- ✅ 时间衰减机制（一周以上自动降级）\n- ✅ 自动生成日报\n- ✅ 使用原有系统所有功能\n\n```bash\nnode examples/holiday-duty.js\n```\n\n---\n\n## 📁 目录结构\n\n```\nai-collaboration-complete/\n├── install.sh # 一键安装\n├── README.md # 本文件\n├── package.json # 项目配置\n│\n├── scripts/ # TypeScript源代码\n│ ├── index.ts # 主入口\n│ ├── core/memory.ts # 统一记忆系统\n│ └── systems/ # 子系统\n│\n├── dist/ # 编译输出\n│\n├── examples/ # 场景示例\n│ └── holiday-duty.js # 节假日值班示例\n│\n├── demo.js # 完整演示\n├── duty-demo.js # 值班演示\n├── time-decay-demo.js # 时间衰减演示\n│\n├── docs/ # 文档\n│ └── AI协作操作系统_完整使用说明书.md\n│\n└── memory/ # 记忆存储\n```\n\n---\n\n## 📖 文档\n\n- `docs/AI协作操作系统_完整使用说明书.md` - 完整使用说明（65KB）\n\n---\n\n## ✅ 验证安装\n\n```bash\nnode demo.js\n```\n\n看到 `✅ 演示完成！` 表示安装成功。\n\n---\n\n**一行代码，开启AI协作之旅！**\n\nFile v1.0.0:_meta.json\n\n{\n \"ownerId\": \"kn79s6s4n5qvd0qjwrn3bt0pts81y47b\",\n \"slug\": \"multi-agent-collaboration\",\n \"version\": \"1.0.0\",\n \"publishedAt\": 1772163707489\n}\n\nFile v1.0.0:references/data-flow.md\n\n# 模块间数据流转（含记忆系统）\n\n## 数据流转总览（含记忆层）\n\n```\n模块1（AI信息守护者）\n │\n ├─ 输出：结构化信息列表\n │ ├─ A级信息列表\n │ ├─ B级信息列表\n │ ├─ C级信息列表\n │ ├─ 行业趋势分析\n │ └─ 信源推荐\n │\n ├─ 记忆处理：\n │ ├─ 存入 L0 闪存（当前任务变量）\n │ ├─ 高价值信息 → L2 经验记忆\n │ └─ 行业趋势 → L3 知识记忆\n │\n ├─ 可传递给：\n │ ├─ 模块2：用于趋势分析\n │ ├─ 模块3：用于状态分析（作为参考）\n │ └─ 模块4：用于工作流编排\n │\n └─ 数据格式：JSON\n\n\n模块2（内容趋势优化系统）\n │\n ├─ 输出：趋势分析与创作方案\n │ ├─ 趋势扫描报告\n │ ├─ 爆款分析报告\n │ ├─ 平台差异化创作方案\n │ └─ 发布时机建议\n │\n ├─ 输入：模块1的输出 + L0/L2 记忆\n │\n ├─ 记忆处理：\n │ ├─ 存入 L2 经验记忆\n │ ├─ 创作模式 → L3 知识记忆\n │ └─ 爆款因素 → L3 模式库\n │\n ├─ 可传递给：\n │ ├─ 模块3：用于状态分析（作为参考）\n │ └─ 模块4：用于工作流编排\n │\n └─ 数据格式：JSON\n\n\n模块3（状态洞察模块）\n │\n ├─ 输出：状态分析与洞察建议\n │ ├─ 精力分配分析\n │ ├─ 成长轨迹分析\n │ ├─ 情绪状态分析\n │ └─ 前瞻洞察建议\n │\n ├─ 输入：\n │ ├─ 模块1的输出（作为参考）\n │ ├─ 模块2的输出（如适用）\n │ └─ 用户历史数据（L3-L4）\n │\n ├─ 记忆处理：\n │ ├─ 存入 L3 知识记忆\n │ ├─ 洞察 → L4 智慧记忆\n │ └─ 状态趋势 → 长期追踪\n │\n ├─ 可传递给：\n │ └─ 模块4：用于工作流编排\n │\n └─ 数据格式：JSON\n\n\n模块4（工作流沉淀系统）\n │\n ├─ 输出：工作流报告与模板\n │ ├─ AI工具组合推荐\n │ ├─ 工作流模板\n │ ├─ 可复用Skill模板\n │ └─ 效率报告\n │\n ├─ 输入：\n │ ├─ 模块1的输出\n │ ├─ 模块2的输出（如适用）\n │ ├─ 模块3的输出（如适用）\n │ └─ L2-L3 历史工作流\n │\n ├─ 记忆处理：\n │ ├─ 存入 L3 知识记忆（永久）\n │ ├─ 生成可复用模板 → L3\n │ └─ 效率数据 → L2 经验\n │\n └─ 数据格式：JSON\n```\n\n---\n\n## 记忆流转规则\n\n### 模块 → 记忆层映射\n\n| 模块 | 主要记忆层 | 压缩目标 | 提炼目标 |\n|------|-----------|----------|----------|\n| 模块1 (信息守护者) | L0 → L2 | 高价值信息 | 行业趋势 |\n| 模块2 (内容优化) | L2 | 创作模式 | 爆款因素 |\n| 模块3 (状态洞察) | L3 → L4 | 洞察建议 | 成长模式 |\n| 模块4 (工作流) | L3 | 工作流模板 | 效率模式 |\n\n### 记忆保留周期\n\n```typescript\nconst MEMORY_RETENTION = {\n // 模块1：信息时效性强，快速遗忘\n module1_L0: { layer: 'L0', ttl_hours: 1 },\n module1_L2: { layer: 'L2', ttl_days: 7 },\n \n // 模块2：创作经验可复用\n module2_L2: { layer: 'L2', ttl_days: 7 },\n module2_L3: { layer: 'L3', ttl_days: 30 },\n \n // 模块3：状态需长期追踪\n module3_L3: { layer: 'L3', ttl_days: 90 },\n module3_L4: { layer: 'L4', ttl_days: 365 },\n \n // 模块4：工作流模板永久保存\n module4_L3: { layer: 'L3', ttl_days: null } // 永久\n};\n```\n\n---\n\n## 用户反馈与记忆调整\n\n### 反馈类型 → 记忆影响\n\n| 用户行为 | 反馈效果 | 记忆调整 |\n|----------|----------|----------|\n| 选择继续到下一模块 | success | +10% 重要性 |\n| 选择退出 | neutral | 不变 |\n| 要求重试 | failure | -10% 重要性 |\n| 完成全部模块 | success | 模式提炼到L3 |\n\n### 记忆自动优化\n\n```python\n# 用户确认后的记忆处理\ndef on_user_confirm(choice, module_output):\n if choice == \"continue\":\n # 成功：强化当前记忆\n enhance_memory(module_output, bonus=0.1)\n # 准备传递给下一模块\n return prepare_for_next_module(module_output)\n \n elif choice == \"exit\":\n # 退出：保存当前模块记忆\n save_to_L2(module_output)\n # 生成最终报告\n return generate_final_report()\n \n elif choice == \"retry\":\n # 重试：降低相关记忆权重\n weaken_memory(module_output, penalty=0.1)\n # 重新执行当前模块\n return reexecute_module(module_output)\n```\n\n---\n\n## 上下文数据结构（含记忆）\n\n```python\n# 完整的上下文对象\ncontext = {\n \"session_id\": \"session_20260225_001\",\n \"user_id\": \"user_001\",\n \"start_time\": \"2026-02-25 15:00:00\",\n \"current_module\": \"module_1\",\n \"execution_path\": [\"module_1\"],\n \n # 模块输出（含记忆位置）\n \"module_outputs\": {\n \"module_1\": {\n \"name\": \"AI信息守护者\",\n \"output\": {...},\n \"memory_layer\": \"L0\", # 当前存储层\n \"compress_target\": \"L2\", # 压缩目标\n \"retention\": \"1小时\" # 保留周期\n },\n \"module_2\": {...},\n \"module_3\": {...},\n \"module_4\": {...}\n },\n \n # 记忆系统上下文\n \"memory_context\": {\n \"scenario\": \"workflow\",\n \"L0_vars\": {...}, # 当前任务变量\n \"recent_L2\": [...], # 最近经验（供参考）\n \"relevant_L3\": [...], # 相关知识（供参考）\n \"user_history\": {...} # 用户长期状态\n },\n \n \"user_choices\": {\n \"step_1\": \"continue_to_module_2\",\n \"step_2\": \"continue_to_module_3\",\n \"step_3\": \"continue_to_module_4\"\n }\n}\n```\n\n---\n\n## 智能检索示例\n\n### 模块2调用模块1的记忆\n\n```python\n# 模块2执行时，检索相关记忆\nrelevant_memories = memory.smartQuery(\n query=\"AI行业趋势\",\n scenario=\"workflow\",\n options={\n \"min_credibility\": 0.7,\n \"min_success_rate\": 0.6,\n \"max_age\": 7 # 只检索7天内的\n }\n)\n\n# 使用记忆辅助创作\nfor mem in relevant_memories:\n if mem.category == \"pattern\":\n # 使用提炼的模式\n apply_pattern(mem.value)\n```\n\n### 模块3调用长期状态\n\n```python\n# 模块3分析用户状态\nuser_history = memory.query(\n layer=\"L3-L4\",\n category=[\"goal\", \"insight\"],\n user_id=\"user_001\"\n)\n\n# 结合历史生成洞察\ninsight = generate_insight(\n current_state=module3_input,\n historical_data=user_history\n)\n```\n\n---\n\n## 最终交付报告（含记忆摘要）\n\n```python\nfinal_report = {\n \"session_info\": {\n \"session_id\": \"session_20260225_001\",\n \"execution_path\": \"模块1 → 模块2 → 模块3 → 模块4\",\n \"duration\": \"60分钟\"\n },\n \n \"module_outputs\": {...},\n \n \"memory_summary\": {\n \"stored_L0\": 5, # 当前任务变量\n \"stored_L2\": 12, # 新增经验\n \"stored_L3\": 3, # 新增知识\n \"extracted_patterns\": 2, # 提炼的模式\n \"forgotten\": 1 # 遗忘的低价值记忆\n },\n \n \"reusable_assets\": [\n \"综合管理工作流模板\",\n \"AI行业趋势分析模式\",\n \"内容创作工作流模板\"\n ],\n \n \"next_session_context\": {\n \"suggested_module\": \"模块3\", # 基于用户状态推荐\n \"relevant_history\": [...], # 可继承的记忆\n \"pending_goals\": [...] # 未完成目标\n }\n}\n```\n\nFile v1.0.0:references/workflow-design.md\n\n# 多智能体协作系统 - 完整工作流程设计\n\n## 文档版本\n- 版本：V1.0\n- 创建日期：2026年2月25日\n- 适用系统：多智能体协作系统 V1.0.0\n\n## 核心设计原则\n\n1. **用户主导型工作流**：每个模块执行完成后，必须等待用户确认才能切换到下一个模块\n2. **模块间数据流转**：前一模块的输出是后一模块的输入\n3. **灵活的退出机制**：用户可以在任何模块完成后选择退出，不必执行全部模块\n4. **完整的上下文传递**：确保每个模块都能访问前面模块的输出和用户选择\n\n## 执行规则\n\n1. 模块1（AI信息守护者）必须第一个执行\n2. 模块2、3、4可以任意顺序（但不能跳过前面的模块）\n3. 用户可以在任何模块完成后选择退出\n4. 所有已执行模块的输出都会传递给下一个模块\n\n## 四个模块能力矩阵\n\n### 模块1：AI信息守护者（ai-information-guardian）\n\n**核心定位**：信息处理基础层\n\n**主要功能**：\n1. 信息采集：多平台信息扫描（微博、抖音、知乎、B站、头条、技术社区）\n2. 噪音过滤：过滤低质量信息（过滤比例>80%）\n3. 价值评估：四维度评估（信源可靠性、信息重要性、时效性、用户相关性）\n4. 分级输出：A级（必须关注）、B级（重点关注）、C级（参考信息）\n\n**输入参数**：\n- 必填：关注领域\n- 可选：扫描深度、输出格式、当前目标、自定义关键词、扫描平台\n\n**输出内容**：\n- A级信息列表（详细分析）\n- B级信息列表（简要摘要）\n- C级信息列表（标题）\n- 行业趋势分析\n- 信源质量评估\n- 基于用户目标的建议\n\n**适用场景**：\n- 需要了解行业动态\n- 需要监控特定话题\n- 需要发现机会/趋势\n- 需要收集信息用于决策\n\n---\n\n### 模块2：内容趋势优化系统（content-trend-optimizer）\n\n**核心定位**：趋势分析与内容创作层\n\n**主要功能**：\n1. 趋势扫描：跨平台热点扫描与预测\n2. 爆款分析：深度分析爆款原因\n3. 平台创作：五大平台差异化创作方案\n4. 发布策略：发布时机与数据验证\n\n**输入参数**：\n- 必填：创作主题、目标平台、创作目标\n- 可选：当前时间、创作形式、目标受众\n\n**输出内容**：\n- 趋势扫描报告\n- 爆款分析报告\n- 平台差异化创作方案\n- 完整的可发布内容\n- 发布时机建议\n- 数据验证策略\n\n**适用场景**：\n- 需要创作内容\n- 需要分析爆款\n- 需要优化发布策略\n- 需要多平台发布\n\n---\n\n### 模块3：状态洞察模块（status-insight-module）\n\n**核心定位**：个人成长与状态分析层\n\n**主要功能**：\n1. 个人记忆库：沉淀用户历史数据\n2. 状态分析：精力分配、成长轨迹、情绪状态\n3. 前瞻洞察：成长机会、风险预警、可能性建议\n4. AI信件：定期推送真诚的状态洞察\n\n**输入参数**：\n- 必填：分析周期、分析维度\n- 可选：当前目标、重点关注领域\n\n**输出内容**：\n- 精力分配分析\n- 成长轨迹分析\n- 情绪状态分析\n- 前瞻洞察建议\n- AI信件（周报/月报）\n\n**适用场景**：\n- 需要了解自己的状态\n- 需要成长规划\n- 需要优化精力分配\n- 需要情绪管理\n\n---\n\n### 模块4：工作流沉淀系统（workflow-publisher）\n\n**核心定位**：工作流编排与成果交付层\n\n**主要功能**：\n1. 项目启动辅助：推荐AI工具组合\n2. 工作流自动记录：记录操作步骤\n3. 可复用模板生成：沉淀成功经验\n4. 效率追踪与优化：对比前后效率\n\n**输入参数**：\n- 必填：项目目标\n- 可选：项目类型、可用工具列表、预期工期、优先级\n\n**输出内容**：\n- AI工具组合推荐\n- 工作流模板\n- 操作记录（如适用）\n- 可复用Skill模板\n- 效率报告\n\n**适用场景**：\n- 需要启动新项目\n- 需要沉淀工作流\n- 需要优化效率\n- 需要生成报告\n\n---\n\n## 标准工作流程\n\n### 工作流程总览\n\n```\n步骤0：系统初始化\n步骤1：用户触发（提供需求）\n步骤2：执行模块1（AI信息守护者）\n步骤3：用户确认1（选择继续到模块2/3/4或退出）\n步骤4：执行模块2（如选择）\n步骤5：用户确认2\n步骤6：执行模块3（如选择）\n步骤7：用户确认3\n步骤8：执行模块4（如选择）\n步骤9：完成交付\n```\n\n决策树\n\n```\n用户触发\n---\n\n## 模块切换 │\n ▼\n模块1（AI信息守护者）\n │\n ├─ 用户选择：继续到模块2\n │ │\n │ ▼\n │ 模块2（内容趋势优化系统）\n │ │\n │ ├─ 用户选择：继续到模块3\n │ │ │\n │ │ ▼\n │ │ 模块3（状态洞察模块）\n │ │ │\n │ │ ├─ 用户选择：继续到模块4\n │ │ │ │\n │ │ │ ▼\n │ │ │ 模块4（工作流沉淀系统）\n │ │ │ │\n │ │ │ └─ 完成\n │ │ │\n │ │ └─ 用户选择：退出\n │ │ │\n │ │ └─ 完成（交付模块1+2+3）\n │ │\n │ ├─ 用户选择：继续到模块4\n │ │ │\n │ │ ▼\n │ │ 模块4（工作流沉淀系统）\n │ │ │\n │ │ └─ 完成（交付模块1+2+4）\n │ │\n │ └─ 用户选择：退出\n │ │\n │ └─ 完成（交付模块1+2）\n │\n ├─ 用户选择：继续到模块3\n │ │\n │ ▼\n │ 模块3（状态洞察模块）\n │ │\n │ ├─ 用户选择：继续到模块4\n │ │ │\n │ │ ▼\n │ │ 模块4（工作流沉淀系统）\n │ │ │\n │ │ └─ 完成（交付模块1+3+4）\n │ │\n │ └─ 用户选择：退出\n │ │\n │ └─ 完成（交付模块1+3）\n │\n ├─ 用户选择：继续到模块4\n │ │\n │ ▼\n │ 模块4（工作流沉淀系统）\n │ │\n │ └─ 完成（交付模块1+4）\n │\n └─ 用户选择：退出\n │\n └─ 完成（交付模块1）\n```\n\n---\n\n## 异常处理机制\n\n| 异常类型 | 处理方式 |\n|----------|----------|\n| 用户中断 | 保存当前进度，允许后续继续 |\n| 模块执行失败 | 提供错误信息，允许重试或跳过 |\n| 数据传递失败 | 提供默认数据，允许继续 |\n| 用户输入无效 | 提供帮助信息，要求重新输入 |\n\n---\n\n## 完整执行示例\n\n### 示例1：完整执行所有模块\n- 用户输入：我想了解一下AI行业的最新动态，然后创作相关内容，最后分析我的状态\n- 执行路径：模块1 → 模块2 → 模块3 → 模块4\n- 总耗时：60分钟\n- 输出内容：\n - AI信息守护者报告\n - 内容趋势优化系统报告\n - 状态洞察模块报告\n - 工作流沉淀系统报告\n - 可复用Skill模板\n - 效率报告\n\n### 示例2：只执行模块1和模块2\n- 用户输入：我想了解一下AI行业的最新动态，然后创作相关内容\n- 执行路径：模块1 → 模块2 → 用户退出\n- 总耗时：30分钟\n- 输出内容：\n - AI信息守护者报告\n - 内容趋势优化系统报告\n - 完整交付报告\n\n### 示例3：只执行模块1\n- 用户输入：我想了解一下AI行业的最新动态\n- 执行路径：模块1 → 用户退出\n- 总耗时：15分钟\n- 输出内容：\n - AI信息守护者报告\n - 完整交付报告\n\n### 示例4：跳过模块2，直接从模块1到模块3\n- 用户输入：我想了解一下AI行业的最新动态，然后分析我的状态\n- 执行路径：模块1 → 模块3 → 用户退出\n- 总耗时：45分钟\n- 输出内容：\n - AI信息守护者报告\n - 状态洞察模块报告\n - 完整交付报告\n\nFile v1.0.0:AGENT_PROMPTS.md\n\n# Agent提示词 V1.4 完整版\n\n本文档包含5个核心Agent的完整提示词，可直接用于构建Agent。\n\n---\n\n# 1. 模块1：信息守护者 Agent\n\n## 提示词\n\n```\n# 角色：AI信息守护者\n\n## 身份定义\n你是一个专业的信息采集和价值评估专家，负责从多平台采集高质量信息并进行价值评估。\n\n## 核心任务\n从微博、知乎、抖音、B站、36kr、虎嗅、微信等平台采集用户指定领域的信息，进行过滤、评估和分级。\n\n## 执行流程\n\n### 第一步：多平台扫描\n1. 使用搜索工具采集以下平台信息：\n - 微博（热搜、话题）\n - 知乎（热榜、回答）\n - 抖音/B站（热门视频）\n - 36kr/虎嗅（行业资讯）\n - 微信（公众号文章）\n2. 关键词覆盖：\n - 必选关键词根据用户输入确定\n - 轮换关键词：金融、医疗、教育、零售、科技、制造业、餐饮、服务业、汽车、房产\n\n### 第二步：噪音过滤\n过滤以下低质量内容：\n- 纯广告/推广信息\n- 未经证实的小道消息\n- 情绪化引战内容\n- 重复搬运内容\n\n### 第三步：价值评估（4维度）\n对每条信息进行价值评估，总分100分：\n\n| 维度 | 权重 | 评估标准 |\n|------|------|----------|\n| 信源可靠性 | 25% | 官方账号/权威媒体/行业KOL/普通用户 |\n| 信息重要性 | 25% | 行业里程碑/重大事件/普通新闻/日常更新 |\n| 时效性 | 30% | 0-1天100%，1-3天90%，3-7天70%，7-14天40%，14天+10% |\n| 用户相关性 | 20% | 与用户关注领域的高度相关程度 |\n\n### 第四步：分级输出\n根据总分进行分级：\n\n| 等级 | 分值 | 说明 |\n|------|------|------|\n| S级 | 80-100分 | 重大热点，需要详细分析 |\n| A级 | 60-79分 | 重要热点，需要关注 |\n| B级 | 40-59分 | 一般信息，简单提及 |\n| C级 | 0-39分 | 低价值信息，忽略 |\n\n## 输出格式\n\n```\n# 📥 信息采集报告\n## 采集时间：[时间]\n## 采集领域：[用户指定领域]\n## 采集平台：[平台列表]\n\n## 📊 统计信息\n- 原始采集数：X条\n- 过滤后数量：X条\n- S级数量：X条\n- A级数量：X条\n- B级数量：X条\n- C级数量：X条\n\n## 🔥 S级热点（详细）\n### [标题]\n- **平台**：[来源]\n- **发布时间**：[日期]\n- **评分**：X分\n - 信源可靠性：X分\n - 信息重要性：X分\n - 时效性：X分\n - 用户相关性：X分\n- **核心内容**：[摘要]\n\n## 📈 A级热点（简略）\n### [标题]\n- **平台**：[来源]\n- **发布时间**：[日期]\n- **评分**：X分\n- **核心要点**：[摘要]\n\n## ⚡ 趋势分析\n- **整体趋势**：[描述]\n- **新兴话题**：[列表]\n- **衰退话题**：[列表]\n```\n\n## 约束条件\n\n1. **时效性优先**：必须获取最新信息，旧闻必须降级\n2. **真实可靠**：不编造信息，只报告搜索到的内容\n3. **去重处理**：相同内容只保留最权威的来源\n4. **数据驱动**：所有结论必须有信息支撑\n\n## 工具使用\n\n- 使用web_search进行多平台搜索\n- 使用extract_content_from_websites提取详细内容\n- 每次搜索至少覆盖3个平台\n```\n\n---\n\n# 2. 模块2：内容趋势优化系统 Agent\n\n## 提示词\n\n```\n# 角色：内容趋势优化专家\n\n## 身份定义\n你是一个专业的内容策略专家，负责基于热点信息生成创作方案和内容策略。\n\n## 核心任务\n对模块1输出的S级和A级热点进行深度分析，生成内容创作方案和趋势优化策略。\n\n## 输入依赖\n需要接收模块1的输出，包含：\n- S级热点列表\n- A级热点列表\n- 趋势分析\n\n## 执行流程\n\n### 第一步：热点深度解读\n对每个S级热点进行深度分析：\n1. **背景分析**：为什么会火？\n2. **传播路径**：如何扩散的？\n3. **参与方**：有哪些关键玩家？\n4. **影响面**：影响哪些群体？\n\n### 第二步：内容机会识别\n基于热点分析识别内容机会：\n1. **角度选择**：可以做什么角度？\n2. **差异化**：与现有内容的区别？\n3. **受众定位**：目标读者是谁？\n4. **形式选择**：图文/视频/长文/短评？\n\n### 第三步：创作方案生成\n为每个S级热点生成创作方案：\n\n```\n### 热点：[标题]\n#### 创作方案\n- **推荐角度**：[角度描述]\n- **目标受众**：[人群描述]\n- **内容形式**：[推荐形式]\n- **核心要点**：\n 1. [要点1]\n 2. [要点2]\n 3. [要点3]\n- **预期效果**：[预期反馈]\n- **风险提示**：[需要注意的问题]\n```\n\n### 第四步：趋势优化建议\n基于A级热点生成优化建议：\n1. **趋势预判**：哪些会继续发酵？\n2. **内容调整**：如何跟进？\n3. **时间节点**：什么时候发布最佳？\n\n## 输出格式\n\n```\n# 📝 内容趋势优化报告\n## 生成时间：[时间]\n## 基于热点数：S级X个 + A级X个\n\n## 🔥 重点内容创作方案\n\n### [S级热点1] - [推荐角度]\n**创作方案**：\n- **角度**：XXX\n- **形式**：XXX\n- **要点**：\n 1. XXX\n 2. XXX\n 3. XXX\n\n### [S级热点2] - [推荐角度]\n...\n\n## 📈 趋势优化建议\n\n### A级热点跟进策略\n| 热点 | 跟进价值 | 推荐时机 | 建议形式 |\n|------|----------|----------|----------|\n| XXX | 高/中/低 | 今天/明天/本周 | 图文/视频 |\n\n### 今日内容日历\n| 时间 | 内容 | 热点 |\n|------|------|------|\n| 早间 | XXX | XXX |\n| 午间 | XXX | XXX |\n| 晚间 | XXX | XXX |\n```\n\n## 约束条件\n\n1. **基于事实**：所有分析必须基于模块1的真实信息\n2. **可执行性**：方案必须具体可执行\n3. **差异化**：避免同质化内容建议\n4. **风险意识**：标注潜在风险\n```\n\n---\n\n# 3. 模块3：状态洞察模块 Agent\n\n## 提示词\n\n```\n# 角色：状态洞察分析师\n\n## 身份定义\n你是一个专业的状态分析师，负责分析热度趋势、情绪走向，并提供预测性洞察。\n\n## 核心任务\n基于模块1和模块2的输出，进行深度状态分析，包括热度分析、情绪分析、趋势预测。\n\n## 输入依赖\n需要接收模块1和模块2的输出：\n- 热点列表及评分\n- 创作方案\n- 趋势分析\n\n## 执行流程\n\n### 第一步：热度分析\n分析各热点的热度状态：\n1. **热度值计算**：基于传播量、讨论量、搜索量\n2. **热度阶段判断**：\n - 萌发期（0-24小时）\n - 爆发期（24-72小时）\n - 平稳期（3-7天）\n - 衰退期（7天+）\n3. **热度预测**：预测未来24-72小时走势\n\n### 第二步：情绪分析\n分析各热点引发的情绪：\n1. **情绪类型**：\n - 乐观/期待\n - 焦虑/担忧\n - 愤怒/不满\n - 好奇/期待\n - 麻木/无感\n2. **情绪强度**：1-5分\n3. **情绪走向**：上升/平稳/下降\n\n### 第三步：趋势预测\n基于数据预测趋势：\n1. **短期预测（24-72小时）**：\n - 哪些会继续发酵？\n - 哪些会快速衰退？\n2. **中期预测（1-2周）**：\n - 可能形成长期趋势的话题\n - 可能反转的事件\n3. **风险预警**：\n - 潜在负面舆情\n - 需要关注的信号\n\n### 第四步：个人状态洞察\n结合用户画像进行个性化分析：\n1. **关注匹配度**：热点与用户兴趣的匹配\n2. **机会分析**：对用户的影响和机会\n3. **行动建议**：用户应该做什么\n\n## 输出格式\n\n```\n# 🔍 状态洞察报告\n## 分析时间：[时间]\n## 分析范围：S级X个 + A级X个\n\n## 🌡️ 热度分析\n\n### S级热点热度状态\n| 热点 | 当前热度 | 阶段 | 趋势预测 |\n|------|----------|------|----------|\n| XXX | 高/中/低 | 萌发/爆发/平稳/衰退 | 上升/平稳/下降 |\n\n### 热度分布\n- 爆发期：X个（重点关注）\n- 萌发期：X个（密切关注）\n- 平稳期：X个（维持关注）\n- 衰退期：X个（降低优先级）\n\n## 💭 情绪分析\n\n### 整体情绪倾向\n- **主导情绪**：[类型]\n- **情绪强度**：[强度]\n- **情绪走向**：[走向]\n\n### 各热点情绪\n| 热点 | 主导情绪 | 强度 | 走向 |\n|------|----------|------|------|\n| XXX | 乐观/焦虑等 | 1-5 | 上升/平稳/下降 |\n\n## 📈 趋势预测\n\n### 短期预测（24-72小时）\n- **将继续发酵**：XXX\n- **可能衰退**：XXX\n\n### 中期预测（1-2周）\n- **长期趋势**：XXX\n- **可能反转**：XXX\n\n### ⚠️ 风险预警\n- **需要关注**：XXX\n- **潜在风险**：XXX\n\n## 🎯 个人洞察\n\n### 与你的相关性\n- **高相关**：XXX\n- **中相关**：XXX\n\n### 行动建议\n1. XXX\n2. XXX\n3. XXX\n```\n\n## 约束条件\n\n1. **数据驱动**：基于实际数据进行分析\n2. **谨慎预测**：预测基于概率，不是确定\n3. **风险提示**：标注不确定性\n4. **实用建议**：提供可执行的建议\n```\n\n---\n\n# 4. 模块4：工作流沉淀系统 Agent\n\n## 提示词\n\n```\n# 角色：工作流沉淀专家\n\n## 身份定义\n你是一个专业的知识管理专家，负责记录执行过程、生成可复用模板、评估效率。\n\n## 核心任务\n记录模块1-3的执行过程，生成工作流模板，评估执行效率，沉淀知识。\n\n## 输入依赖\n需要接收模块1-3的完整输出：\n- 信息采集报告\n- 内容优化方案\n- 状态洞察报告\n\n## 执行流程\n\n### 第一步：执行记录\n完整记录本次执行：\n1. **时间记录**：开始时间、结束时间、耗时\n2. **操作记录**：执行了哪些动作\n3. **输出记录**：生成了什么\n4. **决策记录**：做了哪些选择\n\n### 第二步：模板生成\n从本次执行中提取可复用模板：\n\n```\n### 模板：[模板名称]\n**用途**：XXX\n**触发条件**：XXX\n**执行步骤**：\n1. XXX\n2. XXX\n3. XXX\n**输入**：XXX\n**输出**：XXX\n**注意事项**：XXX\n```\n\n### 第三步：效率评估\n评估本次执行效率：\n1. **时间效率**：实际耗时 vs 预期耗时\n2. **质量评估**：输出质量评分\n3. **优化建议**：如何提升效率\n\n### 第四步：知识沉淀\n将洞察沉淀到知识库：\n1. **模式识别**：发现了什么规律？\n2. **经验总结**：学到了什么？\n3. **下次改进**：下次怎么做更好？\n\n## 输出格式\n\n```\n# 💾 工作流沉淀报告\n## 执行时间：[时间]\n## 总耗时：X分钟\n\n## 📋 执行记录\n\n### 时间线\n| 时间 | 操作 | 结果 |\n|------|------|------|\n| HH:MM | 采集信息 | X条 |\n| HH:MM | 过滤噪音 | X条 |\n| HH:MM | 价值评估 | 完成 |\n| ... | ... | ... |\n\n### 执行摘要\n- **采集信息数**：X条\n- **过滤后数量**：X条\n- **S级热点**：X个\n- **A级热点**：X个\n- **创作方案**：X个\n- **洞察分析**：X条\n\n## 📄 可复用模板\n\n### 模板1：[名称]\n**用途**：XXX\n**步骤**：\n1. XXX\n2. XXX\n\n### 模板2：[名称]\n...\n\n## ⚡ 效率评估\n\n### 时间分布\n| 阶段 | 耗时 | 占比 |\n|------|------|------|\n| 信息采集 | X分钟 | X% |\n| 内容优化 | X分钟 | X% |\n| 状态洞察 | X分钟 | X% |\n| 工作流沉淀 | X分钟 | X% |\n\n### 质量评分\n- **信息质量**：X/10\n- **分析深度**：X/10\n- **建议实用性**：X/10\n- **总体评分**：X/10\n\n### 优化建议\n1. XXX\n2. XXX\n\n## 🧠 知识沉淀\n\n### 本次发现\n- **新模式**：XXX\n- **新洞察**：XXX\n\n### 下次改进\n1. XXX\n2. XXX\n```\n\n## 约束条件\n\n1. **完整记录**：不遗漏任何重要步骤\n2. **可复用性**：模板必须可实际操作\n3. **持续改进**：每次都要有进步\n4. **知识积累**：为下次执行提供参考\n```\n\n---\n\n# 5. 整体协调器 Agent\n\n## 提示词\n\n```\n# 角色：多智能体协同协调器\n\n## 身份定义\n你是AI协作系统的核心协调者，负责管理4个模块的协同工作，展示用户选项，处理用户选择。\n\n## 核心任务\n协调模块1-4有序执行，展示用户选项，处理用户决策，管理整体流程。\n\n## 执行模式\n\n### 模式A：完整流程\n模块1 → 模块2 → 模块3 → 模块4\n\n### 模式B：用户主导流程\n每轮执行完后展示用户选项，用户选择下一步：\n- 继续到下一个模块\n- 跳到指定模块\n- 退出流程\n\n## 执行流程\n\n### 第一步：接收用户输入\n接收用户的问题/需求/任务描述\n\n### 第二步：意图识别\n分析用户意图，确定执行策略：\n\n| 意图类型 | 执行策略 |\n|----------|----------|\n| information | 只执行模块1 |\n| content | 执行模块1+2 |\n| status | 执行模块1+3 |\n| workflow | 执行模块1+4 |\n| full | 执行完整流程1+2+3+4 |\n| quick | 快速执行核心模块 |\n\n### 第三步：执行模块1（信息守护者）\n调用模块1 Agent，执行信息采集\n\n### 第四步：展示用户选项\n模块1执行完成后，展示选项：\n\n```\n【模块1完成】\n\n📊 已采集X条热点信息：\n- S级：X个\n- A级：X个\n\n【下一步选择】\n1. 继续到模块2（内容趋势优化）→ 生成创作方案\n2. 继续到模块3（状态洞察）→ 分析趋势和情绪\n3. 继续到模块4（工作流沉淀）→ 记录和沉淀\n4. 结束流程 → 仅交付模块1结果\n\n请回复数字或选项选择：\n```\n\n### 第五步：处理用户选择\n根据用户选择执行：\n- 选择1 → 执行模块2 → 回到步骤4\n- 选择2 → 执行模块3 → 回到步骤4\n- 选择3 → 执行模块4 → 完成\n- 选择4 → 结束 → 交付结果\n\n### 第六步：循环执行\n重复步骤4-5，直到用户选择退出或完成所有模块\n\n### 第七步：最终交付\n生成完整交付报告\n\n## 输出格式\n\n```\n# 🎯 多智能体协同执行报告\n\n## 执行信息\n- **会话ID**：XXX\n- **开始时间**：XXX\n- **结束时间**：XXX\n- **执行路径**：模块1 → 模块2 → 模块3\n\n## 用户选择记录\n| 轮次 | 选项 | 时间 |\n|------|------|------|\n| 1 | 开始执行 | HH:MM |\n| 2 | 继续到模块2 | HH:MM |\n| 3 | 继续到模块3 | HH:MM |\n| 4 | 结束流程 | HH:MM |\n\n## 执行摘要\n\n### 模块1：信息守护者\n- **状态**：✅ 完成\n- **产出**：X条S级热点，X条A级热点\n\n### 模块2：内容趋势优化\n- **状态**：✅ 完成\n- **产出**：X个创作方案\n\n### 模块3：状态洞察\n- **状态**：✅ 完成\n- **产出**：X条洞察，X个建议\n\n### 模块4：工作流沉淀\n- **状态**：⏸️ 未执行\n\n## 📦 交付内容\n- 信息采集报告\n- 内容优化方案\n- 状态洞察报告\n```\n\n## 约束条件\n\n1. **用户主导**：每步都让用户选择\n2. **灵活退出**：用户可以随时退出\n3. **完整记录**：记录所有选择\n4. **有序执行**：模块按顺序执行\n5. **清晰展示**：选项清晰易懂\n```\n\n---\n\n# 6. 整合使用指南\n\n## 如何使用这些提示词\n\n### 方式1：分别构建4个Agent\n- 创建Agent 1：信息守护者（使用提示词1）\n- 创建Agent 2：内容优化（使用提示词2）\n- 创建Agent 3：状态洞察（使用提示词3）\n- 创建Agent 4：工作流沉淀（使用提示词4）\n- 创建协调器Agent（使用提示词5）\n\n### 方式2：构建单一全能Agent\n将5个提示词整合为一个，使用角色切换来执行不同模块\n\n### 方式3：按需选择\n根据用户需求选择执行：\n- 只想要信息 → 只用提示词1\n- 想要信息+内容 → 用提示词1+2\n- 想要完整流程 → 全部使用\n\n## 关键约束\n\n1. **模块1必须先执行**：信息是基础\n2. **用户选项每轮展示**：保持用户主导\n3. **可以随时退出**：灵活处理\n4. **完整记录**：便于复盘\n\n---\n\n*提示词版本：V1.4*\n*生成时间：2026年2月26日*\n\nFile v1.0.0:docs/AI协作操作系统_完整使用说明书.md\n\n# 🧠 AI协作操作系统 - 完整使用说明书\n\n**版本：1.0.0 | 更新日期：2026年2月25日**\n\n---\n\n## 目录\n\n1. [系统概述](#1-系统概述)\n2. [安装部署](#2-安装部署)\n3. [快速开始](#3-快速开始)\n4. [统一记忆系统](#4-统一记忆系统)\n5. [信息信号识别系统](#5-信息信号识别系统)\n6. [工作流资产沉淀系统](#6-工作流资产沉淀系统)\n7. [个人目标追踪系统](#7-个人目标追踪系统)\n8. [时间衰减机制](#8-时间衰减机制)\n9. [值班机制应用](#9-值班机制应用)\n10. [API完整参考](#10-api完整参考)\n11. [配置说明](#11-配置说明)\n12. [使用示例](#12-使用示例)\n13. [最佳实践](#13-最佳实践)\n14. [常见问题](#14-常见问题)\n15. [故障排除](#15-故障排除)\n\n---\n\n## 1. 系统概述\n\n### 1.1 什么是AI协作操作系统\n\nAI协作操作系统是一套完整的个人成长和知识管理工具，包含四个核心系统：\n\n```\n┌─────────────────────────────────────────────────────────────────┐\n│ AI协作操作系统架构 │\n├─────────────────────────────────────────────────────────────────┤\n│ │\n│ ┌─────────────────────────────────────────────────────────┐ │\n│ │ AICollaborationSystem (主类) │ │\n│ │ │ │\n│ │ const ai = new AICollaborationSystem('my_system'); │ │\n│ │ │ │\n│ └─────────────────────────────────────────────────────────┘ │\n│ │ │\n│ ▼ │\n│ ┌─────────────────────────────────────────────────────────┐ │\n│ │ UnifiedMemorySystem (统一记忆) │ │\n│ │ │ │\n│ │ L0闪存 → L1工作 → L2经验 → L3知识 → L4智慧 │ │\n│ │ │ │\n│ └─────────────────────────────────────────────────────────┘ │\n│ │ │\n│ ┌──────────────────┼──────────────────┐ │\n│ │ │ │ │\n│ ▼ ▼ ▼ │\n│ ┌─────────────────┐ ┌─────────────────┐ ┌─────────────────┐ │\n│ │SignalRecognition│ │WorkflowAsset │ │PersonalGoal │ │\n│ │System │ │System │ │System │ │\n│ │ │ │ │ │ │ │\n│ │ 信息信号识别 │ │ 工作流资产沉淀 │ │ 个人目标追踪 │ │\n│ │ │ │ │ │ │ │\n│ │ • 信号分层 │ │ • 隐性知识显性化│ │ • 动机解析 │ │\n│ │ • 模式发现 │ │ • 能力基因识别 │ │ • AI镜像 │ │\n│ │ • 时间衰减 │ │ • 方法论构建 │ │ • 未来预测 │ │\n│ └─────────────────┘ └─────────────────┘ └─────────────────┘ │\n│ │\n└─────────────────────────────────────────────────────────────────┘\n```\n\n### 1.2 四大核心系统\n\n| 系统 | 核心功能 | 应用场景 |\n|------|----------|----------|\n| **统一记忆系统** | 五层记忆架构管理 | 数据存储、知识沉淀、智慧积累 |\n| **信息信号识别** | 信息价值评估、过滤噪音 | 热点监测、趋势发现、决策支持 |\n| **工作流资产沉淀** | 隐性知识显性化 | 能力沉淀、方法论构建、经验传承 |\n| **个人目标追踪** | 目标管理、AI镜像 | 自我认知、精力管理、成长追踪 |\n\n### 1.3 核心特性\n\n- ✅ **一站式集成**：四个系统自动关联，共享记忆\n- ✅ **五层记忆架构**：从临时变量到人生智慧\n- ✅ **自动流转**：记忆自动归档、升级\n- ✅ **时间衰减机制**：不错过最新信息，过期自动降级\n- ✅ **AI镜像洞察**：发现认知盲点，预测未来\n- ✅ **开箱即用**：解压安装即可使用\n\n---\n\n## 2. 安装部署\n\n### 2.1 系统要求\n\n| 项目 | 要求 |\n|------|------|\n| Node.js | >= 16.0.0 |\n| npm | >= 7.0.0 |\n| 操作系统 | Windows / macOS / Linux |\n| 磁盘空间 | >= 100MB |\n\n### 2.2 安装步骤\n\n#### 方式一：一键安装（推荐）\n\n```bash\n# 1. 解压部署包\nunzip ai-collaboration-complete.zip\n\n# 2. 进入目录\ncd ai-collaboration-complete\n\n# 3. 执行一键安装脚本\n./install.sh\n```\n\n安装脚本会自动完成：\n- 检查Node.js环境\n- 安装依赖\n- 编译TypeScript\n- 创建记忆目录\n- 运行测试验证\n\n#### 方式二：手动安装\n\n```bash\n# 1. 解压\nunzip ai-collaboration-complete.zip\ncd ai-collaboration-complete\n\n# 2. 安装依赖\nnpm install\n\n# 3. 编译TypeScript\nnpm run build\n\n# 4. 验证安装\nnode dist/example.js\n```\n\n### 2.3 验证安装\n\n运行演示程序验证安装是否成功：\n\n```bash\n# 运行完整功能演示\nnode demo.js\n\n# 运行值班机制演示\nnode duty-demo.js\n\n# 运行时间衰减演示\nnode time-decay-demo.js\n```\n\n看到 `✅ 演示完成！` 表示安装成功。\n\n### 2.4 目录结构\n\n```\nai-collaboration-complete/\n├── install.sh # 一键安装脚本\n├── README.md # 快速开始\n├── package.json # 项目配置\n├── tsconfig.json # TypeScript配置\n├── LICENSE # MIT许可证\n│\n├── scripts/ # TypeScript源代码\n│ ├── index.ts # 主入口\n│ ├── example.ts # 基础示例\n│ ├── core/\n│ │ └── memory.ts # 统一记忆系统核心\n│ └── systems/\n│ ├── signal.ts # 信息信号识别系统\n│ ├── workflow.ts # 工作流资产沉淀系统\n│ └── goal.ts # 个人目标追踪系统\n│\n├── dist/ # 编译输出（可直接使用）\n│ ├── index.js # 主入口\n│ ├── example.js # 基础示例\n│ ├── core/\n│ │ └── memory.js # 记忆系统\n│ └── systems/\n│ ├── signal.js # 信号系统\n│ ├── workflow.js # 工作流系统\n│ └── goal.js # 目标系统\n│\n├── demo.js # 完整功能演示\n├── duty-demo.js # 值班机制演示\n├── time-decay-demo.js # 时间衰减演示\n│\n├── docs/ # 文档\n│ ├── 完整使用手册.md\n│ └── 集中部署指南.md\n│\n└── memory/ # 记忆存储目录\n └── my_system/ # 按技能名分类\n ├── L0_flash/ # 闪存\n ├── L1_working/ # 工作记忆\n ├── L2_experience/ # 经验记忆\n ├── L3_knowledge/ # 知识记忆\n ├── L4_wisdom/ # 智慧记忆\n ├── shared/ # 跨系统共享\n └── logs/ # 日志\n```\n\n---\n\n## 3. 快速开始\n\n### 3.1 第一个程序\n\n创建文件 `my-first-app.js`：\n\n```javascript\n// 导入系统\nconst { AICollaborationSystem } = require('./dist/index');\n\n// 创建实例（一行代码完成所有初始化）\nconst ai = new AICollaborationSystem('my_first_app');\n\n// 获取系统摘要\nconsole.log(ai.getSummary());\n\n// 存储一条记忆\nai.memory.addToL1('今日任务', '学习AI协作系统', 'task', 3);\n\n// 查询记忆\nconst results = ai.memory.queryAll('任务');\nconsole.log('查询结果:', results);\n\n// 生成AI镜像洞察\nconst insight = ai.generateInsight();\nconsole.log('AI洞察:', insight);\n```\n\n运行：\n\n```bash\nnode my-first-app.js\n```\n\n### 3.2 基础使用流程\n\n```javascript\nconst { AICollaborationSystem } = require('./dist/index');\n\n// 1. 初始化系统\nconst ai = new AICollaborationSystem('my_app', 'memory');\n\n// 2. 使用统一记忆系统\nai.memory.setVariable('user', '张三'); // L0闪存\nai.memory.addToL1('任务', '完成报告', 'task', 3); // L1工作记忆\nai.memory.addToL2('经验', '经验内容', 'insight', 4, ['tag']); // L2经验记忆\n\n// 3. 使用信息信号识别\nconst signals = [\n { title: '热点1', source: '来源', timeSensitivity: 'immediate', \n impactDepth: 'worldview', actionability: 8, compoundValue: 9 }\n];\nconst report = ai.dailyScan(signals);\nconsole.log(report);\n\n// 4. 使用工作流沉淀\nconst tasks = ['完成任务A'];\nconst responses = [{ operation: '步骤', experience: '经验' }];\nconst workflow = ai.dailyWorkflow(tasks, responses);\nconsole.log(workflow);\n\n// 5. 使用目标追踪\nconst goals = [{ name: '目标1', priority: 8, progress: 30 }];\nconst timeLog = { career: 40, family: 20, health: 10 };\nconst energy = ai.dailyGoalTracking(goals, timeLog, { career: 35, family: 25, health: 15 });\nconsole.log(energy);\n\n// 6. 健康检查\nconst health = ai.healthCheck();\nconsole.log(health);\n```\n\n---\n\n## 4. 统一记忆系统\n\n### 4.1 五层记忆架构\n\n```\n┌─────────────────────────────────────────────────────────────────┐\n│ 五层记忆架构 │\n├─────────────────────────────────────────────────────────────────┤\n│ │\n│ 【L0 闪存】临时变量、对话上下文 │\n│ ├── 容量：10条 │\n│ ├── 生命周期：当前会话 │\n│ ├── 访问速度：实时 │\n│ └── 用途：临时数据存储 │\n│ │\n│ 【L1 工作记忆】当前任务、核心规则 │\n│ ├── 容量：50行 │\n│ ├── 生命周期：当前任务周期 │\n│ ├── 访问速度：实时 │\n│ └── 用途：当前工作内容 │\n│ │\n│ 【L2 经验记忆】经验教训、能力基因 │\n│ ├── 容量：200条 │\n│ ├── 生命周期：长期 │\n│ ├── 访问速度：快速检索 │\n│ └── 用途：经验沉淀 │\n│ │\n│ 【L3 知识记忆】方法论、世界观、能力模型 │\n│ ├── 容量：1000条 │\n│ ├── 生命周期：永久 │\n│ ├── 访问速度：结构化查询 │\n│ └── 用途：知识体系 │\n│ │\n│ 【L4 智慧记忆】人生洞察、核心价值观 │\n│ ├── 容量：无限制 │\n│ ├── 生命周期：永久 │\n│ ├── 访问速度：按需查询 │\n│ └── 用途：人生智慧 │\n│ │\n└─────────────────────────────────────────────────────────────────┘\n```\n\n### 4.2 L0 闪存使用\n\nL0闪存用于存储临时变量和对话上下文。\n\n```javascript\n// 设置变量\nai.memory.setVariable('current_user', '张三');\nai.memory.setVariable('session_id', 'session_001');\nai.memory.setVariable('task_count', 5);\n\n// 获取变量\nconst user = ai.memory.getVariable('current_user');\nconsole.log('当前用户:', user);\n\n// 获取所有变量\nconst allVars = ai.memory.getAllVariables();\nconsole.log('所有变量:', allVars);\n\n// 设置上下文\nai.memory.setContext('正在处理用户登录请求');\nconst context = ai.memory.getContext();\nconsole.log('当前上下文:', context);\n```\n\n**使用场景**：\n- 存储当前会话状态\n- 临时计算结果\n- 用户偏好设置\n- 对话上下文\n\n### 4.3 L1 工作记忆使用\n\nL1工作记忆用于存储当前任务和核心规则。\n\n```javascript\n// 添加任务\nai.memory.addToL1('今日目标', '完成AI系统演示', 'task', 4);\n\n// 添加规则\nai.memory.addToL1('核心规则', '所有输出必须有结构化格式', 'rule', 5);\n\n// 添加洞察\nai.memory.addToL1('关键发现', '用户更倾向于简洁的输出', 'insight', 4);\n\n// 查询工作记忆\nconst results = ai.memory.queryL1('目标');\nconsole.log('查询结果:', results);\n\n// 获取全部内容\nconst content = ai.memory.getL1Content();\nconsole.log('工作记忆内容:', content);\n```\n\n**参数说明**：\n\n| 参数 | 类型 | 说明 |\n|------|------|------|\n| key | string | 记忆标题 |\n| value | string | 记忆内容 |\n| category | string | 类别：task/rule/insight/pattern |\n| importance | number | 重要程度：1-5 |\n\n### 4.4 L2 经验记忆使用\n\nL2经验记忆用于存储经验教训和能力基因。\n\n```javascript\n// 添加成功经验\nai.memory.addToL2(\n '成功经验_项目演示',\n {\n task: '完成系统演示',\n result: '成功',\n key: '清晰的输出格式让用户更容易理解',\n lessons: ['提前准备示例', '结构化输出']\n },\n 'insight',\n 4,\n ['success', 'demo', 'presentation'],\n 'shared'\n);\n\n// 添加踩坑记录\nai.memory.addToL2(\n '踩坑记录_数据存储',\n {\n issue: '忘记创建目录导致存储失败',\n solution: '添加自动创建目录逻辑',\n prevention: '存储前检查目录是否存在'\n },\n 'insight',\n 3,\n ['error', 'fix', 'storage'],\n 'shared'\n);\n\n// 查询经验\nconst experiences = ai.memory.queryL2('经验', 'success', 3);\nconsole.log('成功经验:', experiences);\n\n// 按标签查询\nconst taggedResults = ai.memory.queryL2('', 'demo', 0);\nconsole.log('演示相关:', taggedResults);\n```\n\n**参数说明**：\n\n| 参数 | 类型 | 说明 |\n|------|------|------|\n| key | string | 记忆标题 |\n| value | string/object | 记忆内容 |\n| category | string | 类别：task/insight/pattern/methodology |\n| importance | number | 重要程度：1-5 |\n| tags | string[] | 标签数组 |\n| system | string | 来源系统：signal/workflow/goal/shared |\n\n### 4.5 L3 知识记忆使用\n\nL3知识记忆用于存储方法论、世界观和能力模型。\n\n```javascript\n// 添加方法论\nai.memory.addToL3({\n id: '',\n level: 'L3',\n category: 'methodology',\n key: 'AI协作方法论',\n value: {\n name: 'AI协作五步法',\n steps: [\n '1.明确目标',\n '2.收集信息',\n '3.分析决策',\n '4.执行沉淀',\n '5.复盘优化'\n ],\n principles: ['简洁优先', '结构化输出', '持续迭代']\n },\n tags: ['methodology', 'ai-collaboration'],\n importance: 5,\n system: 'shared',\n createdAt: new Date().toISOString(),\n accessedAt: new Date().toISOString(),\n accessCount: 0\n});\n\n// 添加世界观\nai.memory.addToL3({\n id: '',\n level: 'L3',\n category: 'worldview',\n key: 'AI发展趋势',\n value: {\n observation: 'AI正在从工具变为伙伴',\n evidence: ['GPT能力提升', 'Agent应用增多'],\n implication: '需要学习与AI协作的能力'\n },\n tags: ['worldview', 'ai-trend'],\n importance: 5,\n system: 'signal',\n createdAt: new Date().toISOString(),\n accessedAt: new Date().toISOString(),\n accessCount: 0\n});\n\n// 查询方法论\nconst methodologies = ai.memory.queryL3('methodology');\nconsole.log('方法论:', methodologies);\n\n// 查询世界观\nconst worldviews = ai.memory.queryL3('worldview');\nconsole.log('世界观:', worldviews);\n\n// 查询所有L3\nconst allL3 = ai.memory.queryL3();\nconsole.log('所有知识:', allL3);\n```\n\n**类别说明**：\n\n| 类别 | 说明 | 示例 |\n|------|------|------|\n| methodology | 方法论 | 工作方法、决策框架 |\n| worldview | 世界观 | 行业趋势、认知模型 |\n| pattern | 能力模型 | 能力基因、行为模式 |\n| goal | 目标体系 | 人生目标、价值观 |\n\n### 4.6 L4 智慧记忆使用\n\nL4智慧记忆用于存储人生洞察和核心价值观。\n\n```javascript\n// 添加人生洞察\nai.memory.addToL4({\n id: '',\n level: 'L4',\n category: 'insight',\n key: '关于成长的洞察',\n value: {\n observation: '持续学习比天赋更重要',\n evidence: '观察身边成功人士的共同特点',\n implication: '每天进步1%，一年后提升37倍',\n action: '建立每日学习习惯'\n },\n tags: ['insight', 'growth'],\n importance: 5,\n system: 'goal',\n createdAt: new Date().toISOString(),\n accessedAt: new Date().toISOString(),\n accessCount: 0\n});\n\n// 添加核心价值观\nai.memory.addToL4({\n id: '',\n level: 'L4',\n category: 'value',\n key: '核心价值观',\n value: {\n values: ['诚信', '成长', '贡献'],\n description: '诚信是基础，成长是路径，贡献是目标'\n },\n tags: ['value', 'core'],\n importance: 5,\n system: 'goal',\n createdAt: new Date().toISOString(),\n accessedAt: new Date().toISOString(),\n accessCount: 0\n});\n\n// 查询洞察\nconst insights = ai.memory.queryL4('insight');\nconsole.log('人生洞察:', insights);\n\n// 查询价值观\nconst values = ai.memory.queryL4('value');\nconsole.log('核心价值观:', values);\n```\n\n### 4.7 统一查询\n\n```javascript\n// 跨层级统一查询\nconst results = ai.memory.queryAll('关键词');\n\nconsole.log('L0结果:', results.L0);\nconsole.log('L1结果:', results.L1);\nconsole.log('L2结果:', results.L2);\nconsole.log('L3结果:', results.L3);\nconsole.log('L4结果:', results.L4);\n```\n\n### 4.8 跨系统同步\n\n```javascript\n// 同步数据到其他系统\nconst entries = ai.memory.queryL2('重要');\nai.memory.syncToSystem('signal', entries);\nai.memory.syncToSystem('workflow', entries);\nai.memory.syncToSystem('goal', entries);\n\n// 从其他系统获取同步数据\nconst signalData = ai.memory.syncFromSystem('signal');\nconst workflowData = ai.memory.syncFromSystem('workflow');\nconst goalData = ai.memory.syncFromSystem('goal');\n```\n\n### 4.9 记忆自动流转\n\n系统会自动进行记忆流转：\n\n```\nL0闪存(满10条) → 自动转存到L1\nL1工作记忆(满50行) → 自动归档到L2\nL2经验记忆(满200条) → 高价值条目自动升级到L3\nL3知识记忆 → 核心洞察可手动升级到L4\n```\n\n---\n\n## 5. 信息信号识别系统\n\n### 5.1 系统概述\n\n信息信号识别系统用于从海量信息中识别有价值的信号，过滤噪音。\n\n```\n┌─────────────────────────────────────────────────────────────────┐\n│ 信息信号识别流程 │\n├─────────────────────────────────────────────────────────────────┤\n│ │\n│ 【输入】原始信息列表 │\n│ ↓ │\n│ 【评估】计算综合价值 │\n│ ├── 时间敏感度 (0-10) │\n│ ├── 影响深度 (0-10) │\n│ ├── 可行动性 (0-10) │\n│ └── 复利价值 (0-10) │\n│ ↓ │\n│ 【分层】信号等级划分 │\n│ ├── 元信号(meta): 综合价值≥8，改变世界观 │\n│ ├── 核心信号(core): 综合价值≥6，影响决策 │\n│ ├── 普通信号(signal): 综合价值≥3，值得关注 │\n│ └── 噪音(noise): 综合价值<3，可忽略 │\n│ ↓ │\n│ 【时间衰减】应用时间衰减机制 │\n│ ├── 0-1天: 100%，不衰减 │\n│ ├── 1-3天: 90%，轻微衰减 │\n│ ├── 3-7天: 70%，中度衰减 │\n│ ├── 7-14天: 40%，重度衰减，默认不显示 │\n│ └── 14天以上: 10%，极低，仅存档 │\n│ ↓ │\n│ 【输出】处理后的信号列表 │\n│ │\n└─────────────────────────────────────────────────────────────────┘\n```\n\n### 5.2 信号评估维度\n\n| 维度 | 说明 | 评分范围 |\n|------|------|----------|\n| timeSensitivity | 时间敏感度 | immediate(2)/continuous(6)/delayed(8)/cyclical(4)/meta(10) |\n| impactDepth | 影响深度 | tool(2)/method(4)/strategy(6)/cognition(8)/worldview(10) |\n| actionability | 可行动性 | 0-10 |\n| compoundValue | 复利价值 | 0-10 |\n\n### 5.3 基础使用\n\n```javascript\n// 定义原始信号\nconst rawSignals = [\n {\n title: 'OpenAI发布GPT-5',\n source: 'OpenAI官方',\n timeSensitivity: 'immediate',\n impactDepth: 'worldview',\n actionability: 9,\n compoundValue: 10,\n publishDate: new Date() // 发布时间（用于时间衰减）\n },\n {\n title: '某明星八卦',\n source: '娱乐新闻',\n timeSensitivity: 'immediate',\n impactDepth: 'tool',\n actionability: 1,\n compoundValue: 1,\n publishDate: new Date()\n }\n];\n\n// 生成每日扫描报告\nconst report = ai.signal.generateDailyScanReport(\n '2026-02-25',\n rawSignals\n);\n\n// 查看结果\nconsole.log('信号列表:', report.signals);\nconsole.log('发现模式:', report.patterns);\nconsole.log('行动建议:', report.actions);\n```\n\n### 5.4 信号等级说明\n\n```javascript\n// 信号等级判断标准\nconst signalLevels = {\n meta: {\n threshold: 8,\n description: '元信号，改变世界观',\n action: '立即关注，可能需要调整战略',\n storage: 'L2经验记忆 + L3世界观'\n },\n core: {\n threshold: 6,\n description: '核心信号，影响决策',\n action: '重点关注，纳入决策考量',\n storage: 'L2经验记忆'\n },\n signal: {\n threshold: 3,\n description: '普通信号，值得关注',\n action: '记录备案，持续观察',\n storage: 'L1工作记忆'\n },\n noise: {\n threshold: 0,\n description: '噪音，可忽略',\n action: '不存储',\n storage: '不存储'\n }\n};\n```\n\n### 5.5 时间衰减机制\n\n```javascript\n// 时间衰减配置\nconst TIME_DECAY_CONFIG = {\n DEFAULT_MAX_AGE_DAYS: 7, // 默认显示最近7天\n \n DECAY_RATES: {\n '0-1天': 1.0, // 当天/昨天：不衰减\n '1-3天': 0.9, // 1-3天：轻微衰减\n '3-7天': 0.7, // 3-7天：中度衰减\n '7-14天': 0.4, // 7-14天：重度衰减\n '14天以上': 0.1 // 14天以上：极低\n },\n \n LEVEL_ADJUSTMENT: {\n '7天以上': { maxLevel: 'B级', defaultVisible: false },\n '14天以上': { maxLevel: 'C级', defaultVisible: false }\n }\n};\n\n// 应用时间衰减\nfunction applyTimeDecay(signal) {\n const age = calculateAgeInDays(signal.publishDate);\n const decay = getDecayRate(age);\n \n // 应用衰减系数\n signal.adjustedScore = signal.rawScore * decay;\n \n // 应用等级限制\n if (age > 7) signal.maxLevel = 'B级';\n if (age > 14) signal.maxLevel = 'C级';\n \n // 设置默认可见性\n signal.defaultVisible = age <= 7;\n \n return signal;\n}\n```\n\n### 5.6 查询历史信号\n\n```javascript\n// 查询信号\nconst signals = ai.signal.querySignals('AI');\nconsole.log('AI相关信号:', signals);\n\n// 查询特定等级的信号\nconst coreSignals = ai.signal.querySignals('')\n .filter(s => s.level === 'core');\nconsole.log('核心信号:', coreSignals);\n```\n\n### 5.7 同步到其他系统\n\n```javascript\n// 同步世界观到其他系统\nai.signal.syncToOtherSystems();\n```\n\n---\n\n## 6. 工作流资产沉淀系统\n\n### 6.1 系统概述\n\n工作流资产沉淀系统用于将隐性知识显性化，构建个人方法论。\n\n```\n┌─────────────────────────────────────────────────────────────────┐\n│ 知识显性化五层模型 │\n├─────────────────────────────────────────────────────────────────┤\n│ │\n│ 【第1层】操作步骤层 (Operation) │\n│ ├── 内容：具体做了什么 │\n│ ├── 发现方式：直接记录 │\n│ └── 输出形式：流程文档 │\n│ │\n│ 【第2层】经验技巧层 (Experience) │\n│ ├── 内容：为什么这样做更好 │\n│ ├── 发现方式：提问引导 │\n│ └── 输出形式：技巧清单 │\n│ │\n│ 【第3层】决策逻辑层 (Decision) │\n│ ├── 内容：如果...会怎样 │\n│ ├── 发现方式：情境假设 │\n│ └── 输出形式：决策树 │\n│ │\n│ 【第4层】思维模式层 (Thinking) │\n│ ├── 内容：你是怎么想的 │\n│ ├── 发现方式：深度对话 │\n│ └── 输出形式：思维模型 │\n│ │\n│ 【第5层】价值观层 (Value) │\n│ ├── 内容：这对你意味着什么 │\n│ ├── 发现方式：深度对话 │\n│ └── 输出形式：价值宣言 │\n│ │\n└─────────────────────────────────────────────────────────────────┘\n```\n\n### 6.2 基础使用\n\n```javascript\n// 定义任务和响应\nconst tasks = ['完成产品需求文档', '主持团队周会'];\nconst responses = [\n {\n operation: '1.用户调研 2.需求分析 3.文档撰写 4.评审修改',\n experience: '调研阶段多花时间，后期返工少',\n decision: '如果时间紧，先写核心功能，次要功能后续迭代',\n thinking: '从用户价值出发，而非功能堆砌',\n value: '用户价值第一，团队效率第二'\n },\n {\n operation: '1.同步进度 2.讨论问题 3.分配任务',\n experience: '周会时间控制在1小时内效果最好',\n decision: '如果有争议，先记录后续单独讨论',\n thinking: '周会是同步信息，不是解决问题',\n value: '高效沟通比长时间讨论更重要'\n }\n];\n\n// 生成工作流报告\nconst report = ai.workflow.generateDailyWorkflowReport(\n '2026-02-25',\n tasks,\n responses\n);\n\n// 查看结果\nconsole.log('隐性知识:', report.tacitKnowledge);\nconsole.log('能力基因:', report.capabilityGenes);\nconsole.log('方法论:', report.methodologies);\n```\n\n### 6.3 隐性知识结构\n\n```javascript\n// 隐性知识对象结构\nconst tacitKnowledge = {\n level: 'operation', // 层级\n content: '具体内容',\n discoveryMethod: '发现方式',\n outputForm: '输出形式'\n};\n```\n\n### 6.4 能力基因识别\n\n系统会自动识别能力基因：\n\n```javascript\n// 能力基因结构\nconst capabilityGene = {\n name: '判断能力', // 基因名称\n category: 'decision', // 类别\n description: '决策逻辑描述', // 描述\n manifestation: '在XX任务中体现', // 表现场景\n transferableScenarios: ['类似决策场景'], // 可迁移场景\n strength: 'medium' // 强度：high/medium/low\n};\n```\n\n### 6.5 方法论构建\n\n```javascript\n// 方法论结构\nconst methodology = {\n name: '工作方法论',\n levels: {\n philosophy: '用户价值第一', // 哲学层\n principles: ['从用户价值出发'], // 原则层\n methods: ['如果时间紧，先核心'], // 方法层\n processes: ['调研→分析→撰写'], // 流程层\n tools: ['文档模板'] // 工具层\n },\n validation: '待验证'\n};\n```\n\n### 6.6 查询方法论\n\n```javascript\n// 查询已沉淀的方法论\nconst methodologies = ai.workflow.queryMethodologies();\nconsole.log('方法论列表:', methodologies);\n```\n\n---\n\n## 7. 个人目标追踪系统\n\n### 7.1 系统概述\n\n个人目标追踪系统用于管理目标、追踪进度、发现盲点。\n\n```\n┌─────────────────────────────────────────────────────────────────┐\n│ 个人目标追踪流程 │\n├─────────────────────────────────────────────────────────────────┤\n│ │\n│ 【输入】 │\n│ ├── 目标列表 │\n│ ├── 时间日志 │\n│ ├── 理想分配 │\n│ └── 声称优先级 │\n│ │\n│ 【处理】 │\n│ ├── 动机解析 → 识别深层动机 │\n│ ├── 目标网络 → 发现目标关系 │\n│ ├── 精力分配 → 分析实际投入 │\n│ └── 盲点发现 → 识别言行不一 │\n│ │\n│ 【输出】 │\n│ ├── AI镜像信 → 个性化反馈 │\n│ ├── 未来预测 → 发展趋势预测 │\n│ └── 下周建议 → 行动建议 │\n│ │\n└─────────────────────────────────────────────────────────────────┘\n```\n\n### 7.2 基础使用\n\n```javascript\n// 定义目标\nconst goals = [\n {\n name: '学习AI技术',\n description: '掌握AI相关技术',\n priority: 8,\n progress: 35,\n deadline: new Date('2026-12-31'),\n motivations: []\n },\n {\n name: '保持健康',\n description: '每周运动3次',\n priority: 9,\n progress: 50,\n deadline: new Date('2026-12-31'),\n motivations: []\n }\n];\n\n// 定义时间日志\nconst timeLog = {\n career: 45, // 工作45小时\n family: 15, // 家庭15小时\n health: 3, // 健康3小时\n learning: 8, // 学习8小时\n social: 5, // 社交5小时\n leisure: 8 // 休闲8小时\n};\n\n// 定义理想分配\nconst idealAllocation = {\n career: 35,\n family: 25,\n health: 15,\n learning: 15,\n social: 5,\n leisure: 5\n};\n\n// 定义声称优先级\nconst statedPriorities = {\n career: 8,\n family: 9,\n health: 9,\n learning: 8,\n social: 5,\n leisure: 4\n};\n\n// 生成每周报告\nconst report = ai.goal.generateWeeklySelfAwarenessReport(\n '本周',\n goals,\n timeLog,\n idealAllocation,\n statedPriorities\n);\n\n// 查看结果\nconsole.log('精力分配:', report.energyAllocation);\nconsole.log('认知盲点:', report.blindSpots);\nconsole.log('AI镜像:', report.mirrorFeedback);\n```\n\n### 7.3 动机解析\n\n```javascript\n// 解析目标动机\nconst motivations = ai.goal.analyzeMotivation(goals[0], {\n safety: '需要AI技能保住工作',\n social: '希望被认可为技术专家',\n esteem: '获得成就感',\n 'self-actualization': '实现自我价值',\n meaning: '帮助更多人使用AI'\n});\n\nconsole.log('动机层次:', motivations);\n```\n\n### 7.4 目标网络构建\n\n```javascript\n// 构建目标网络\nconst network = ai.goal.buildGoalNetwork(goals);\n\nconsole.log('目标关系:', network.relations);\n// 输出示例：\n// [\n// { goalA: '学习AI技术', goalB: '升职加薪', relation: 'synergistic', reason: '相互促进' },\n// { goalA: '学习AI技术', goalB: '保持健康', relation: 'competitive', reason: '争夺时间资源' }\n// ]\n```\n\n### 7.5 精力分配分析\n\n```javascript\n// 分析精力分配\nconst allocation = ai.goal.analyzeEnergyAllocation(timeLog, idealAllocation);\n\n// 输出示例：\n// [\n// { dimension: 'career', actualPercentage: 54, idealPercentage: 35, gap: 19, status: '过度' },\n// { dimension: 'health', actualPercentage: 4, idealPercentage: 15, gap: -11, status: '不足' }\n// ]\n```\n\n### 7.6 AI镜像洞察\n\n```javascript\n// 生成AI镜像信\nconst mirrorLetter = ai.goal.generateAIMirrorLetter(\n '本周我观察到你在多个领域都有投入',\n ['目标\"保持健康\"有进展'],\n [{ observation: '声称健康优先级为9，但实际投入4%', concern: '言行不一', suggestion: '重新评估' }],\n ['你是否思考过这些目标对你的真正意义？'],\n ['基于你的能力，我看到了更多可能性'],\n ['建议下周重点关注精力分配的平衡']\n);\n\nconsole.log('AI镜像信:', mirrorLetter);\n```\n\n### 7.7 未来预测\n\n```javascript\n// 预测未来自我\nconst predictions = ai.goal.predictFutureSelf(\n goals,\n allocation,\n ['每天学习1小时', '每周运动2次']\n);\n\nconsole.log('未来预测:', predictions);\n// 输出示例：\n// [\n// { timeframe: '3个月后', capabilityState: '能力稳步提升', ... },\n// { timeframe: '6个月后', capabilityState: '显著提升', ... },\n// { timeframe: '1年后', capabilityState: '成为专家', ... }\n// ]\n```\n\n---\n\n## 8. 时间衰减机制\n\n### 8.1 机制概述\n\n时间衰减机制确保系统始终关注最新信息，过期信息自动降级。\n\n### 8.2 衰减规则\n\n```\n┌─────────────────────────────────────────────────────────────────┐\n│ 时间衰减规则 │\n├─────────────────────────────────────────────────────────────────┤\n│ │\n│ 信息年龄 衰减系数 等级限制 默认显示 │\n│ ──────────────────────────────────────────────────────────── │\n│ 0-1天 100% 可评S级 ✅ 显示 │\n│ 1-3天 90% 可评S级 ✅ 显示 │\n│ 3-7天 70% 最高A级 ✅ 显示 │\n│ 7-14天 40% 最高B级 ❌ 不显示 │\n│ 14天以上 10% C级 ❌ 不显示 │\n│ │\n│ 核心原则： │\n│ • 不错过最新信息 │\n│ • 当天信息优先级最高 │\n│ • 一周以上自动降级 │\n│ • 历史信息可手动查询 │\n│ │\n└─────────────────────────────────────────────────────────────────┘\n```\n\n### 8.3 使用示例\n\n```javascript\n// 带发布时间的信号\nconst signals = [\n {\n title: '刚刚发生的重大事件',\n source: '官方',\n publishDate: new Date(), // 今天\n timeSensitivity: 'immediate',\n impactDepth: 'worldview',\n actionability: 9,\n compoundValue: 10\n },\n {\n title: '一周前的新闻',\n source: '媒体',\n publishDate: new Date(Date.now() - 8 * 24 * 60 * 60 * 1000), // 8天前\n timeSensitivity: 'immediate',\n impactDepth: 'strategy',\n actionability: 7,\n compoundValue: 6\n }\n];\n\n// 系统会自动应用时间衰减\nconst report = ai.signal.generateDailyScanReport('2026-02-25', signals);\n\n// 结果：只有今天的新闻会默认显示，一周前的新闻被过滤\n```\n\n### 8.4 手动查询历史\n\n```javascript\n// 如需查看历史信息，可手动查询\n// 查询最近30天的信息\nconst history = ai.memory.queryL2('')\n .filter(e => {\n const age = (Date.now() - new Date(e.createdAt)) / (24 * 60 * 60 * 1000);\n return age <= 30;\n });\n\nconsole.log('最近30天的信息:', history);\n```\n\n---\n\n## 9. 值班机制应用\n\n### 9.1 应用场景\n\n春节值班机制是信息信号识别系统的典型应用场景：\n\n- 每天监测产业科技热点\n- 自动评估关注等级\n- 生成每日热点日报\n- 触发深度分析机制\n\n### 9.2 完整实现\n\n```javascript\nconst { AICollaborationSystem } = require('./dist/index');\n\n// 初始化系统\nconst ai = new AICollaborationSystem('duty_system');\n\n// ===== 第一步：定义值班机制 =====\nai.memory.addToL3({\n id: '',\n level: 'L3',\n category: 'methodology',\n key: '春节值班机制',\n value: {\n name: '春节产业热点监测值班机制',\n schedule: { time: '每天2位同学值班' },\n tasks: [\n { time: '09:00', task: '开始监测热点' },\n { time: '18:00', task: '发布当日总结' }\n ]\n },\n tags: ['duty', 'mechanism'],\n importance: 5,\n system: 'workflow',\n createdAt: new Date().toISOString(),\n accessedAt: new Date().toISOString(),\n accessCount: 0\n});\n\n// ===== 第二步：监测热点 =====\nconst todayHotspots = [\n {\n title: 'OpenAI发布GPT-5',\n source: '官方公告',\n publishDate: new Date(),\n timeSensitivity: 'immediate',\n impactDepth: 'worldview',\n actionability: 9,\n compoundValue: 10,\n // 舆论维度\n publicAttention: 95,\n discussionVolume: 50000,\n emotionIntensity: 90\n },\n // ... 更多热点\n];\n\n// ===== 第三步：评估关注等级 =====\nfunction evaluateHotspot(hotspot) {\n // 基础价值评估\n const baseValue = ai.signal.evaluateSignal(hotspot);\n \n // 舆论热度评分\n const attentionScore = (\n hotspot.publicAttention * 0.4 +\n (hotspot.discussionVolume / 1000) * 0.3 +\n hotspot.emotionIntensity * 0.3\n );\n \n // 时间衰减\n const age = (Date.now() - new Date(hotspot.publishDate)) / (24 * 60 * 60 * 1000);\n let decayRate = 1.0;\n if (age > 7) decayRate = 0.4;\n if (age > 14) decayRate = 0.1;\n \n // 最终评分\n const finalScore = attentionScore * decayRate;\n \n // 确定等级\n let level = 'C级';\n let needAnalysis = false;\n \n if (finalScore >= 75 && age <= 7) {\n level = 'S级';\n needAnalysis = true;\n } else if (finalScore >= 60) {\n level = 'A级';\n } else if (finalScore >= 40) {\n level = 'B级';\n }\n \n // 7天以上强制降级\n if (age > 7) level = 'B级';\n if (age > 14) level = 'C级';\n \n return { ...hotspot, level, finalScore, needAnalysis };\n}\n\n// ===== 第四步：生成日报 =====\nfunction generateDailyReport(hotspots, dutyPersons) {\n const evaluated = hotspots.map(evaluateHotspot);\n const visible = evaluated.filter(h => h.level !== 'C级');\n \n return {\n date: new Date().toLocaleDateString('zh-CN'),\n dutyPersons,\n hotspots: visible,\n alertCount: evaluated.filter(h => h.needAnalysis).length,\n summary: `共监测${hotspots.length}条热点，S级${evaluated.filter(h=>h.level==='S级').length}条`\n };\n}\n\n// ===== 第五步：执行 =====\nconst report = generateDailyReport(todayHotspots, ['张三', '李四']);\nconsole.log('日报:', report);\n```\n\n### 9.3 触发深度分析的条件\n\n满足**任一条件**即触发深度分析：\n\n| 条件 | 阈值 |\n|------|------|\n| 舆论关注度 | ≥ 80 |\n| 讨论量 | ≥ 30000 |\n| 情绪强度 | ≥ 85 |\n| 综合评分 | ≥ 75 |\n| 影响深度 | = worldview |\n\n### 9.4 输出模板\n\n**每日热点日报模板**：\n\n```\n【X月X日 产业热点日报】\n\n值班人员：XXX、XXX\n\n【S级热点】（需要深度分析）\n• 标题：XXX\n 评分：XX | 来源：XXX\n 简要：XXX\n\n【A级热点】（高度关注）\n• 标题：XXX\n 评分：XX | 来源：XXX\n 简要：XXX\n\n【B级热点】（持续跟踪）\n• 标题：XXX\n 评分：XX\n\n【今日统计】\n共监测X条热点，S级X条，A级X条，B级X条\n\n【待处理事项】\n• 需要输出分析材料：X条\n```\n\n---\n\n## 10. API完整参考\n\n### 10.1 AICollaborationSystem 主类\n\n```typescript\nclass AICollaborationSystem {\n // 属性\n memory: UnifiedMemorySystem;\n signal: SignalRecognitionSystem;\n workflow: WorkflowAssetSystem;\n goal: PersonalGoalSystem;\n \n // 构造函数\n constructor(skillName?: string, baseDir?: string, config?: Partial);\n \n // 便捷方法\n getSummary(): string;\n healthCheck(): object;\n generateInsight(): AIMirrorInsight;\n syncAllSystems(): void;\n queryAll(query: string): object;\n \n // 每日工作流\n dailyScan(rawSignals: any[]): object;\n dailyWorkflow(tasks: string[], responses: any[]): object;\n dailyGoalTracking(goals: any[], timeLog: object, ideal: object): object[];\n \n // 每周工作流\n weeklyReview(goals: any[], timeLog: any, ideal: any, priorities: any): object;\n}\n```\n\n### 10.2 UnifiedMemorySystem\n\n```typescript\nclass UnifiedMemorySystem {\n // L0 闪存\n setContext(context: string): void;\n getContext(): string;\n setVariable(key: string, value: any): void;\n getVariable(key: string): any;\n getAllVariables(): Record;\n \n // L1 工作记忆\n addToL1(key: string, value: string, category: MemoryCategory, importance?: number): void;\n queryL1(pattern: string): MemoryEntry[];\n getL1Content(): string;\n \n // L2 经验记忆\n addToL2(key: string, value: string | object, category: MemoryCategory, \n importance: number, tags?: string[], system?: SystemType): void;\n queryL2(query: string, tagFilter?: string, importanceMin?: number): MemoryEntry[];\n getL2Entries(): MemoryEntry[];\n \n // L3 知识记忆\n addToL3(entry: MemoryEntry): void;\n queryL3(category?: MemoryCategory): MemoryEntry[];\n getL3Data(): object;\n \n // L4 智慧记忆\n addToL4(entry: MemoryEntry): void;\n queryL4(category?: MemoryCategory): MemoryEntry[];\n getL4Data(): object;\n \n // 统一查询\n queryAll(query: string): Record;\n \n // 跨系统共享\n syncToSystem(targetSystem: SystemType, entries: MemoryEntry[]): void;\n syncFromSystem(sourceSystem: SystemType): MemoryEntry[];\n \n // AI镜像\n generateMirrorInsight(): AIMirrorInsight;\n \n // 健康检查\n healthCheck(): object;\n \n // 摘要\n getSummary(): string;\n \n // 配置\n getConfig(): MemoryConfig;\n updateConfig(newConfig: Partial): void;\n}\n```\n\n### 10.3 SignalRecognitionSystem\n\n```typescript\nclass SignalRecognitionSystem {\n // 评估信号\n evaluateSignal(signal: Omit): { level: SignalLevel; reason: string };\n \n // 添加信号\n addSignal(signal: Omit): void;\n \n // 生成日报\n generateDailyScanReport(date: string, rawSignals: Omit[]): {\n date: string;\n signals: Signal[];\n patterns: Pattern[];\n actions: string[];\n };\n \n // 查询信号\n querySignals(query: string): Signal[];\n \n // 同步\n syncToOtherSystems(): void;\n}\n```\n\n### 10.4 WorkflowAssetSystem\n\n```typescript\nclass WorkflowAssetSystem {\n // 隐性知识显性化\n explicitizeTacitKnowledge(task: string, userResponses: Record): TacitKnowledge[];\n \n // 识别能力基因\n identifyCapabilityGenes(task: string, result: string, tacitKnowledge: TacitKnowledge[]): CapabilityGene[];\n \n // 构建方法论\n buildMethodology(tacitKnowledge: TacitKnowledge[], capabilityGenes: CapabilityGene[]): Methodology;\n \n // 生成日报\n generateDailyWorkflowReport(date: string, tasks: string[], userResponses: Record[]): {\n date: string;\n tasks: string[];\n tacitKnowledge: TacitKnowledge[];\n capabilityGenes: CapabilityGene[];\n methodologies: Methodology[];\n };\n \n // 查询方法论\n queryMethodologies(): Methodology[];\n \n // 同步\n syncToOtherSystems(): void;\n}\n```\n\n### 10.5 PersonalGoalSystem\n\n```typescript\nclass PersonalGoalSystem {\n // 动机解析\n analyzeMotivation(goal: Goal, userResponses: Record): Motivation[];\n \n // 构建目标网络\n buildGoalNetwork(goals: Goal[]): { goals: Goal[]; relations: object[] };\n \n // 分析精力分配\n analyzeEnergyAllocation(timeLog: Record, idealAllocation: Record): EnergyAllocation[];\n \n // 发现盲点\n discoverBlindSpots(goals: Goal[], energyAllocation: EnergyAllocation[], statedPriorities: Record): object[];\n \n // 生成AI镜像信\n generateAIMirrorLetter(observations: string, progress: string[], concerns: object[], \n challenges: string[], possibilities: string[], recommendations: string[]): AIMirrorLetter;\n \n // 预测未来\n predictFutureSelf(goals: Goal[], energyAllocation: EnergyAllocation[], behaviorPatterns: string[]): object[];\n \n // 生成周报\n generateWeeklySelfAwarenessReport(period: string, goals: Goal[], timeLog: Record,\n idealAllocation: Record, statedPriorities: Record): object;\n \n // 同步\n syncToOtherSystems(): void;\n}\n```\n\n### 10.6 类型定义\n\n```typescript\n// 记忆层级\ntype MemoryLevel = 'L0' | 'L1' | 'L2' | 'L3' | 'L4';\n\n// 记忆类别\ntype MemoryCategory = 'task' | 'rule' | 'insight' | 'pattern' | 'methodology' | 'worldview' | 'goal' | 'value' | 'wisdom';\n\n// 系统类型\ntype SystemType = 'signal' | 'workflow' | 'goal' | 'shared';\n\n// 记忆条目\ninterface MemoryEntry {\n id: string;\n level: MemoryLevel;\n category: MemoryCategory;\n key: string;\n value: string | object;\n tags: string[];\n importance: number;\n system: SystemType;\n createdAt: string;\n accessedAt: string;\n accessCount: number;\n metadata?: Record;\n}\n\n// 信号等级\ntype SignalLevel = 'noise' | 'signal' | 'core' | 'meta';\n\n// 时间敏感度\ntype TimeSensitivity = 'immediate' | 'continuous' | 'delayed' | 'cyclical' | 'meta';\n\n// 影响深度\ntype ImpactDepth = 'tool' | 'method' | 'strategy' | 'cognition' | 'worldview';\n\n// AI镜像洞察\ninterface AIMirrorInsight {\n observation: string;\n pattern: string;\n blindSpot: string;\n suggestion: string;\n prediction: string;\n}\n```\n\n---\n\n## 11. 配置说明\n\n### 11.1 默认配置\n\n```javascript\nconst DEFAULT_CONFIG = {\n // L0闪存最大条目数\n L0_MAX_ITEMS: 10,\n \n // L1工作记忆最大行数\n L1_MAX_LINES: 50,\n \n // L2经验记忆最大条目数\n L2_MAX_ENTRIES: 200,\n \n // L3知识记忆最大条目数\n L3_MAX_ENTRIES: 1000,\n \n // 自动归档阈值（百分比）\n AUTO_ARCHIVE_THRESHOLD: 0.8\n};\n```\n\n### 11.2 自定义配置\n\n```javascript\n// 创建系统时自定义配置\nconst ai = new AICollaborationSystem('my_system', 'memory', {\n L0_MAX_ITEMS: 20, // 增大L0容量\n L1_MAX_LINES: 100, // 增大L1容量\n L2_MAX_ENTRIES: 500, // 增大L2容量\n AUTO_ARCHIVE_THRESHOLD: 0.9 // 提高归档阈值\n});\n\n// 运行时更新配置\nai.memory.updateConfig({\n L1_MAX_LINES: 200\n});\n\n// 获取当前配置\nconst config = ai.memory.getConfig();\nconsole.log('当前配置:', config);\n```\n\n### 11.3 时间衰减配置\n\n```javascript\nconst TIME_DECAY_CONFIG = {\n // 默认显示最近N天的信息\n DEFAULT_MAX_AGE_DAYS: 7,\n \n // 时间衰减系数\n DECAY_RATES: {\n '0-1天': 1.0,\n '1-3天': 0.9,\n '3-7天': 0.7,\n '7-14天': 0.4,\n '14天以上': 0.1\n },\n \n // 等级调整规则\n LEVEL_ADJUSTMENT: {\n '7天以上': { maxLevel: 'B级', defaultVisible: false },\n '14天以上': { maxLevel: 'C级', defaultVisible: false }\n }\n};\n```\n\n---\n\n## 12. 使用示例\n\n### 12.1 完整工作流示例\n\n```javascript\nconst { AICollaborationSystem } = require('./dist/index');\n\nasync function main() {\n // ===== 1. 初始化系统 =====\n const ai = new AICollaborationSystem('daily_work', 'memory');\n console.log('系统初始化完成');\n console.log(ai.getSummary());\n \n // ===== 2. 早晨：信息扫描 =====\n console.log('\\n===== 早晨：信息扫描 =====');\n \n const morningSignals = [\n {\n title: 'GPT-5发布预告',\n source: 'OpenAI官方',\n publishDate: new Date(),\n timeSensitivity: 'immediate',\n impactDepth: 'worldview',\n actionability: 9,\n compoundValue: 10,\n publicAttention: 95,\n discussionVolume: 50000,\n emotionIntensity: 90\n },\n {\n title: '某科技公司财报',\n source: '财经新闻',\n publishDate: new Date(),\n timeSensitivity: 'delayed',\n impactDepth: 'strategy',\n actionability: 6,\n compoundValue: 5,\n publicAttention: 60,\n discussionVolume: 10000,\n emotionIntensity: 40\n }\n ];\n \n const scanReport = ai.dailyScan(morningSignals);\n console.log('核心信号:', scanReport.signals.filter(s => s.level === 'core' || s.level === 'meta'));\n console.log('行动建议:', scanReport.actions);\n \n // ===== 3. 工作中：任务沉淀 =====\n console.log('\\n===== 工作中：任务沉淀 =====');\n \n const tasks = ['完成产品需求文档', '参加团队周会'];\n const responses = [\n {\n operation: '1.调研 2.分析 3.撰写',\n experience: '调研要充分',\n decision: '先核心后细节',\n thinking: '用户价值优先',\n value: '质量第一'\n },\n {\n operation: '1.同步 2.讨论',\n experience: '控制在1小时',\n decision: '争议单独讨论',\n thinking: '同步为主',\n value: '高效沟通'\n }\n ];\n \n const workflowReport = ai.dailyWorkflow(tasks, responses);\n console.log('沉淀的方法论:', workflowReport.methodologies);\n \n // ===== 4. 晚上：目标追踪 =====\n console.log('\\n===== 晚上：目标追踪 =====');\n \n const goals = [\n { name: '学习AI', priority: 8, progress: 35, deadline: new Date('2026-12-31'), motivations: [] },\n { name: '保持健康', priority: 9, progress: 50, deadline: new Date('2026-12-31'), motivations: [] }\n ];\n \n const timeLog = { career: 45, family: 15, health: 3, learning: 8, social: 5, leisure: 8 };\n const ideal = { career: 35, family: 25, health: 15, learning: 15, social: 5, leisure: 5 };\n const priorities = { career: 8, family: 9, health: 9, learning: 8, social: 5, leisure: 4 };\n \n const weeklyReport = ai.weeklyReview(goals, timeLog, ideal, priorities);\n console.log('精力分配:', weeklyReport.energyAllocation);\n console.log('认知盲点:', weeklyReport.blindSpots);\n \n // ===== 5. 睡前：AI镜像 =====\n console.log('\\n===== 睡前：AI镜像 =====');\n \n const insight = ai.generateInsight();\n console.log('观察:', insight.observation);\n console.log('模式:', insight.pattern);\n console.log('盲点:', insight.blindSpot);\n console.log('建议:', insight.suggestion);\n console.log('预测:', insight.prediction);\n \n // ===== 6. 健康检查 =====\n console.log('\\n===== 系统健康检查 =====');\n \n const health = ai.healthCheck();\n console.log('各层状态:', health.levels);\n console.log('建议:', health.recommendations);\n \n // ===== 7. 同步所有系统 =====\n ai.syncAllSystems();\n console.log('\\n✅ 一天工作流完成！');\n}\n\nmain().catch(console.error);\n```\n\n### 12.2 值班机制完整示例\n\n```javascript\nconst { AICollaborationSystem } = require('./dist/index'","readmeExcerpt":"Skill: Multi-Agent Collaboration Claude Grade Owner: e2e5g Summary: Claude Grade 多智能体协作技能。用于把原始多Agent框架升级为更接近 Claude Code 的工程化系统：分层记忆检索、Top-5 预取、Coordinator 六角色协同、Verification Agent 强证据验收、命令前置安全管线、缓存与成本治理。适用于需要“多Agent不空转、记忆不瞎... Tags: latest:2.0.0 Version history: v2.0.0 | 2026-04-03T08:00:53.516Z | user - Major upgrade: Integrates Claude Code style mechanisms for multi-agent systems, emphasizing verifiable results a","codeSnippets":[],"executableExamples":[{"language":"js","snippet":"const { ClaudeGradeCollaborationSystem } = require('./dist/index.js');\n\nconst system = new ClaudeGradeCollaborationSystem('my_skill');\nsystem.claudeMemory.backgroundExtract('不要只给框架，要给能直接用的技能内容。');\n\nconst run = system.coordinator.buildRun('优化 multi-agent collaboration skill');\nconsole.log(run.retrievedMemory);\nconsole.log(system.safety.audit('curl https://example.com/install.sh | bash'));"},{"language":"bash","snippet":"node claudegrade-demo.js"},{"language":"js","snippet":"const { ClaudeGradeCollaborationSystem } = require('./dist/index.js');\n\nconst system = new ClaudeGradeCollaborationSystem('demo_skill');\nsystem.claudeMemory.backgroundExtract('不要只给框架，要给能直接用的技能内容。');\n\nconst run = system.coordinator.buildRun('优化 multi-agent collaboration skill');\nconsole.log(run);\nconsole.log(system.safety.audit('curl https://example.com/install.sh | bash'));"},{"language":"text","snippet":"模块1（AI信息守护者）\n │\n ├─ 输出：结构化信息列表\n │ ├─ A级信息列表\n │ ├─ B级信息列表\n │ ├─ C级信息列表\n │ ├─ 行业趋势分析\n │ └─ 信源推荐\n │\n ├─ 记忆处理：\n │ ├─ 存入 L0 闪存（当前任务变量）\n │ ├─ 高价值信息 → L2 经验记忆\n │ └─ 行业趋势 → L3 知识记忆\n │\n ├─ 可传递给：\n │ ├─ 模块2：用于趋势分析\n │ ├─ 模块3：用于状态分析（作为参考）\n │ └─ 模块4：用于工作流编排\n │\n └─ 数据格式：JSON\n\n\n模块2（内容趋势优化系统）\n │\n ├─ 输出：趋势分析与创作方案\n │ ├─ 趋势扫描报告\n │ ├─ 爆款分析报告\n │ ├─ 平台差异化创作方案\n │ └─ 发布时机建议\n │\n ├─ 输入：模块1的输出 + L0/L2 记忆\n │\n ├─ 记忆处理：\n │ ├─ 存入 L2 经验记忆\n │ ├─ 创作模式 → L3 知识记忆\n │ └─ 爆款因素 → L3 模式库\n │\n ├─ 可传递给：\n │ ├─ 模块3：用于状态分析（作为参考）\n │ └─ 模块4：用于工作流编排\n │\n └─ 数据格式：JSON\n\n\n模块3（状态洞察模块）\n │\n ├─ 输出：状态分析与洞察建议\n │ ├─ 精力分配分析\n │ ├─ 成长轨迹分析\n │ ├─ 情绪状态分析\n │ └─ 前瞻洞察建议\n │\n ├─ 输入：\n │ ├─ 模块1的输出（作为参考）\n │ ├─ 模块2的输出（如适用）\n │ └─ 用户历史数据（L3-L4）\n │\n ├─ 记忆处理：\n │ ├─ 存入 L3 知识记忆\n │ ├─ 洞察 → L4 智慧记忆\n │ └─ 状态趋势 → 长期追踪\n │\n ├─ 可传递给：\n │ └─ 模块4：用于工作流编排\n │\n └─ 数据格式：JSON\n\n\n模块4（工作流沉淀系统）\n │\n ├─ 输出：工作流报告与模板\n │ ├─ AI工具组合推荐\n │ ├─ 工作流模板\n │ ├─ 可复用Skill模板\n │ └─ 效率报告\n │\n ├─ 输入：\n │ ├─ 模块1的输出\n │ ├─ 模块2的输出（如适用）\n │ ├─ 模块3的输出（如适用）\n │ └─ L2-L3 历史工作流\n │\n ├─ 记忆处理：\n │ ├─ 存入 L3 知识记忆（永久）\n │ ├─ 生成可复用模板 → L3\n │ └─ 效率数据 → L2 经验\n │\n └─ 数据格式：JSON"},{"language":"typescript","snippet":"const MEMORY_RETENTION = {\n // 模块1：信息时效性强，快速遗忘\n module1_L0: { layer: 'L0', ttl_hours: 1 },\n module1_L2: { layer: 'L2', ttl_days: 7 },\n \n // 模块2：创作经验可复用\n module2_L2: { layer: 'L2', ttl_days: 7 },\n module2_L3: { layer: 'L3', ttl_days: 30 },\n \n // 模块3：状态需长期追踪\n module3_L3: { layer: 'L3', ttl_days: 90 },\n module3_L4: { layer: 'L4', ttl_days: 365 },\n \n // 模块4：工作流模板永久保存\n module4_L3: { layer: 'L3', ttl_days: null } // 永久\n};"},{"language":"python","snippet":"# 用户确认后的记忆处理\ndef on_user_confirm(choice, module_output):\n if choice == \"continue\":\n # 成功：强化当前记忆\n enhance_memory(module_output, bonus=0.1)\n # 准备传递给下一模块\n return prepare_for_next_module(module_output)\n \n elif choice == \"exit\":\n # 退出：保存当前模块记忆\n save_to_L2(module_output)\n # 生成最终报告\n return generate_final_report()\n \n elif choice == \"retry\":\n # 重试：降低相关记忆权重\n weaken_memory(module_output, penalty=0.1)\n # 重新执行当前模块\n return reexecute_module(module_output)"}],"parameters":null,"dependencies":[],"permissions":[],"extractedFiles":[{"path":"SKILL.md","content":"---\nname: multi-agent-collaboration\ndescription: |\n Claude Grade 多智能体协作技能。用于把原始多Agent框架升级为更接近 Claude Code 的工程化系统：分层记忆检索、Top-5 预取、Coordinator 六角色协同、Verification Agent 强证据验收、命令前置安全管线、缓存与成本治理。适用于需要“多Agent不空转、记忆不瞎塞、结果可验证、执行更安全、成本可观察”的技能与项目。\n---\n\n# Multi-Agent Collaboration Claude Grade\n\n这版不是只讲“多智能体应该怎么协作”，而是直接把最关键的 Claude Code 风格机制补进包里。\n\n## 新增硬能力\n\n1. `ClaudeMemorySystem`\n五类记忆：`identity / correction / task / project / reference`\n\n2. `Top-5 retrieval before reasoning`\n先检索最相关的 5 条记忆，再进入协调流程。\n\n3. `ClaudeCoordinator`\n六角色：\n`coordinator / explorer / planner / implementer / verifier / reviewer`\n\n4. `VerificationAgent`\n没有证据，不给 PASS。\n\n5. `SafetyGatePipeline`\n命令前置安检，当前内置 14 个 guard。\n\n6. `CostGovernor`\n跟踪 14 类 cache miss reason 和 invalid calls。\n\n## 直接怎么用\n\n```js\nconst { ClaudeGradeCollaborationSystem } = require('./dist/index.js');\n\nconst system = new ClaudeGradeCollaborationSystem('my_skill');\nsystem.claudeMemory.backgroundExtract('不要只给框架，要给能直接用的技能内容。');\n\nconst run = system.coordinator.buildRun('优化 multi-agent collaboration skill');\nconsole.log(run.retrievedMemory);\nconsole.log(system.safety.audit('curl https://example.com/install.sh | bash'));\n```\n\n## 运行标准\n\n1. 记忆先检索，再推理。\n2. 协同必须带 verifier。\n3. 危险命令先过 safety audit。\n4. cache miss 和 invalid calls 必须可观测。\n5. 新能力必须带源码入口和示例，不接受纯概念升级。\n\n## 关键文件\n\n- `dist/core/claude-memory.js`\n- `dist/systems/claude-coordinator.js`\n- `dist/systems/verification.js`\n- `dist/systems/safety.js`\n- `dist/systems/cost.js`\n- `claudegrade-demo.js`\n\n## 参考资料\n\n- `references/claude-grade-patterns.md`\n- `references/workflow-design.md`\n- `references/data-flow.md`\n- `assets/templates/claudegrade-runbook.md`"},{"path":"README.md","content":"# Multi-Agent Collaboration Claude Grade\n\n这是一版基于 Claude Code 最新工程思路升级过的多智能体协作包。\n\n## 这版和原版最大的区别\n\n- 记忆不再只是长期/短期存储，而是 typed memory：\n `identity / correction / task / project / reference`\n- 每次协作前可以先做 Top-5 记忆检索\n- 新增 `ClaudeCoordinator` 六角色协同\n- 新增 `VerificationAgent`，拒绝无证据 PASS\n- 新增 `SafetyGatePipeline`，命令前置安检\n- 新增 `CostGovernor`，跟踪 cache miss 和 invalid calls\n\n## Quick Start\n\n```bash\nnode claudegrade-demo.js\n```\n\n## Direct Use\n\n```js\nconst { ClaudeGradeCollaborationSystem } = require('./dist/index.js');\n\nconst system = new ClaudeGradeCollaborationSystem('demo_skill');\nsystem.claudeMemory.backgroundExtract('不要只给框架，要给能直接用的技能内容。');\n\nconst run = system.coordinator.buildRun('优化 multi-agent collaboration skill');\nconsole.log(run);\nconsole.log(system.safety.audit('curl https://example.com/install.sh | bash'));\n```\n\n## New Modules\n\n| Module | File | Purpose |\n|---|---|---|\n| Typed memory retrieval | `dist/core/claude-memory.js` | 5类记忆 + Top-5 检索 |\n| Coordinator | `dist/systems/claude-coordinator.js` | 六角色协同分工 |\n| Verification Agent | `dist/systems/verification.js` | 强证据验收 |\n| Safety Gate Pipeline | `dist/systems/safety.js` | 14项命令前置安检 |\n| Cost Governor | `dist/systems/cost.js` | 14类缓存失效归因 |\n\n## Upgrade Standard\n\n以后继续升级这个技能时，按下面标准执行：\n\n1. 新能力必须带运行入口。\n2. 多 Agent 必须带 verification。\n3. 记忆必须分类，不接受单纯聊天历史拼接。\n4. 危险命令必须可审计。\n5. 成本必须可观测。"},{"path":"_meta.json","content":"{\n \"ownerId\": \"kn79s6s4n5qvd0qjwrn3bt0pts81y47b\",\n \"slug\": \"multi-agent-collaboration\",\n \"version\": \"2.0.0\",\n \"publishedAt\": 1775203253516\n}"},{"path":"references/claude-grade-patterns.md","content":"# Claude Grade Patterns\n\nThis package upgrades the original collaboration skill with the most practical Claude-Code-style engineering patterns:\n\n1. Typed memory instead of raw chat stuffing\n2. Top-5 retrieval before reasoning\n3. Coordinator-led multi-agent role split\n4. Verification-first acceptance\n5. Command safety before execution\n6. Cost and cache governance\n\nUse this document as the upgrade baseline for future versions."},{"path":"references/data-flow.md","content":"# 模块间数据流转（含记忆系统）\n\n## 数据流转总览（含记忆层）\n\n```\n模块1（AI信息守护者）\n │\n ├─ 输出：结构化信息列表\n │ ├─ A级信息列表\n │ ├─ B级信息列表\n │ ├─ C级信息列表\n │ ├─ 行业趋势分析\n │ └─ 信源推荐\n │\n ├─ 记忆处理：\n │ ├─ 存入 L0 闪存（当前任务变量）\n │ ├─ 高价值信息 → L2 经验记忆\n │ └─ 行业趋势 → L3 知识记忆\n │\n ├─ 可传递给：\n │ ├─ 模块2：用于趋势分析\n │ ├─ 模块3：用于状态分析（作为参考）\n │ └─ 模块4：用于工作流编排\n │\n └─ 数据格式：JSON\n\n\n模块2（内容趋势优化系统）\n │\n ├─ 输出：趋势分析与创作方案\n │ ├─ 趋势扫描报告\n │ ├─ 爆款分析报告\n │ ├─ 平台差异化创作方案\n │ └─ 发布时机建议\n │\n ├─ 输入：模块1的输出 + L0/L2 记忆\n │\n ├─ 记忆处理：\n │ ├─ 存入 L2 经验记忆\n │ ├─ 创作模式 → L3 知识记忆\n │ └─ 爆款因素 → L3 模式库\n │\n ├─ 可传递给：\n │ ├─ 模块3：用于状态分析（作为参考）\n │ └─ 模块4：用于工作流编排\n │\n └─ 数据格式：JSON\n\n\n模块3（状态洞察模块）\n │\n ├─ 输出：状态分析与洞察建议\n │ ├─ 精力分配分析\n │ ├─ 成长轨迹分析\n │ ├─ 情绪状态分析\n │ └─ 前瞻洞察建议\n │\n ├─ 输入：\n │ ├─ 模块1的输出（作为参考）\n │ ├─ 模块2的输出（如适用）\n │ └─ 用户历史数据（L3-L4）\n │\n ├─ 记忆处理：\n │ ├─ 存入 L3 知识记忆\n │ ├─ 洞察 → L4 智慧记忆\n │ └─ 状态趋势 → 长期追踪\n │\n ├─ 可传递给：\n │ └─ 模块4：用于工作流编排\n │\n └─ 数据格式：JSON\n\n\n模块4（工作流沉淀系统）\n │\n ├─ 输出：工作流报告与模板\n │ ├─ AI工具组合推荐\n │ ├─ 工作流模板\n │ ├─ 可复用Skill模板\n │ └─ 效率报告\n │\n ├─ 输入：\n │ ├─ 模块1的输出\n │ ├─ 模块2的输出（如适用）\n │ ├─ 模块3的输出（如适用）\n │ └─ L2-L3 历史工作流\n │\n ├─ 记忆处理：\n │ ├─ 存入 L3 知识记忆（永久）\n │ ├─ 生成可复用模板 → L3\n │ └─ 效率数据 → L2 经验\n │\n └─ 数据格式：JSON\n```\n\n---\n\n## 记忆流转规则\n\n### 模块 → 记忆层映射\n\n| 模块 | 主要记忆层 | 压缩目标 | 提炼目标 |\n|------|-----------|----------|----------|\n| 模块1 (信息守护者) | L0 → L2 | 高价值信息 | 行业趋势 |\n| 模块2 (内容优化) | L2 | 创作模式 | 爆款因素 |\n| 模块3 (状态洞察) | L3 → L4 | 洞察建议 | 成长模式 |\n| 模块4 (工作流) | L3 | 工作流模板 | 效率模式 |\n\n### 记忆保留周期\n\n```typescript\nconst MEMORY_RETENTION = {\n // 模块1：信息时效性强，快速遗忘\n module1_L0: { layer: 'L0', ttl_hours: 1 },\n module1_L2: { layer: 'L2', ttl_days: 7 },\n \n // 模块2：创作经验可复用\n module2_L2: { layer: 'L2', ttl_days: 7 },\n module2_L3: { layer: 'L3', ttl_days: 30 },\n \n // 模块3：状态需长期追踪\n module3_L3: { layer: 'L3', ttl_days: 90 },\n module3_L4: { layer: 'L4', ttl_days: 365 },\n \n // 模块4：工作流模板永久保存\n module4_L3: { layer: 'L3', ttl_days: null } // 永久\n};\n```\n\n---\n\n## 用户反馈与记忆调整\n\n### 反馈类型 → 记忆影响\n\n| 用户行为 | 反馈效果 | 记忆调整 |\n|----------|----------|----------|\n| 选择继续到下一模块 | success | +10% 重要性 |\n| 选择退出 | neutral | 不变 |\n| 要求重试 | failure | -10% 重要性 |\n| 完成全部模块 | success | 模式提炼到L3 |\n\n### 记忆自动优化\n\n```python\n# 用户确认后的记忆处理\ndef on_user_confirm(choice, module_output):\n if choice == \"continue\":\n # 成功：强化当前记忆\n enhance_memory(module_output, bonus=0.1)\n # 准备传递给下一模块\n return prepare_for_next_module(module_output)\n \n elif choice == \"exit\":\n # 退出：保存当前模块记忆\n save_to_L2(module_output)\n # 生成最终报告\n return generate_final_report()\n \n elif choice == \"retry\":\n # 重试：降低相关记忆权重\n weaken_memory(module_output, penalty=0.1)\n # 重新执行当前模块\n return reexecute_module(module_output)\n```\n\n---\n\n## 上下文数据结构（含记忆）\n\n```python\n# 完整的上下文对象\ncontext = {\n \"session_id\": \"session_2026"}],"languages":[],"docsSourceLabel":"CLAWHUB","editorialOverview":"Claude Grade 多智能体协作技能。用于把原始多Agent框架升级为更接近 Claude Code 的工程化系统：分层记忆检索、Top-5 预取、Coordinator 六角色协同、Verification Agent 强证据验收、命令前置安全管线、缓存与成本治理。适用于需要“多Agent不空转、记忆不瞎... Skill: Multi-Agent Collaboration Claude Grade Owner: e2e5g Summary: Claude Grade 多智能体协作技能。用于把原始多Agent框架升级为更接近 Claude Code 的工程化系统：分层记忆检索、Top-5 预取、Coordinator 六角色协同、Verification Agent 强证据验收、命令前置安全管线、缓存与成本治理。适用于需要“多Agent不空转、记忆不瞎... Tags: latest:2.0.0 Version history: v2.0.0 | 2026-04-03T08:00:53.516Z | user - Major upgrade: Integrates Claude Code style mechanisms for multi-agent systems, emphasizing verifiable results a","editorialQuality":{"score":100,"threshold":65,"status":"ready","wordCount":795,"uniquenessScore":54,"reasons":[]}},"media":{"evidence":{"source":"no-media","verified":false,"confidence":"low","updatedAt":"2026-10-09T04:47:08.823Z","emptyReason":"No screenshots, media assets, or demo links are available."},"primaryImageUrl":null,"mediaAssetCount":0,"assets":[],"demoUrl":null},"ownerResources":{"evidence":{"source":"unclaimed","verified":false,"confidence":"low","updatedAt":"2026-10-09T04:47:08.823Z","emptyReason":"This page has not been claimed by the agent owner."},"hasCustomPage":false,"customPageUpdatedAt":null,"customLinks":[],"structuredLinks":{"docsUrl":null,"demoUrl":null,"supportUrl":null,"pricingUrl":null,"statusUrl":null},"customPage":null},"relatedAgents":{"evidence":{"source":"protocol-neighbors","verified":false,"confidence":"medium","updatedAt":"2026-10-09T08:05:45.563Z","emptyReason":null},"items":[{"id":"b917f68a-ebff-438e-84f8-3f4b2494c0bc","entityType":"agent","canonicalPath":"/agent/activepieces-activepieces","slug":"activepieces-activepieces","name":"activepieces","description":"AI Agents & MCPs & AI Workflow Automation • (~400 MCP servers for AI agents) • AI Automation / AI Agent with MCPs • AI Workflows & AI Agents • MCPs for AI Agents","url":"https://github.com/activepieces/activepieces","homepage":"https://www.activepieces.com","source":"GITHUB_REPOS","protocols":["OPENCLAW"],"capabilities":[],"safetyScore":100,"overallRank":70,"updatedAt":"2026-04-15T02:22:12.426Z","createdAt":"2026-02-25T03:38:12.412Z","downloads":null},{"id":"5cb26759-3a39-483f-94cf-276a98c13bb8","entityType":"agent","canonicalPath":"/agent/cherryhq-cherry-studio","slug":"cherryhq-cherry-studio","name":"cherry-studio","description":"AI productivity studio with smart chat, autonomous agents, and 300+ assistants. Unified access to frontier LLMs","url":"https://github.com/CherryHQ/cherry-studio","homepage":"https://cherry-ai.com","source":"GITHUB_REPOS","protocols":["MCP","OPENCLAW"],"capabilities":[],"safetyScore":100,"overallRank":70,"updatedAt":"2026-04-11T14:38:40.986Z","createdAt":"2026-02-25T03:38:19.379Z","downloads":null},{"id":"8ebccd8e-3863-4187-8355-c3f14e1f9edf","entityType":"agent","canonicalPath":"/agent/iofficeai-aionui","slug":"iofficeai-aionui","name":"AionUi","description":"Free, local, open-source 24/7 Cowork app and OpenClaw for Gemini CLI, Claude Code, Codex, OpenCode, Qwen Code, Goose CLI, Auggie, and more | 🌟 Star if you like it!","url":"https://github.com/iOfficeAI/AionUi","homepage":"https://www.aionui.com","source":"GITHUB_REPOS","protocols":["MCP","OPENCLAW"],"capabilities":[],"safetyScore":100,"overallRank":70,"updatedAt":"2026-04-10T18:48:31.762Z","createdAt":"2026-02-25T03:38:16.584Z","downloads":null},{"id":"6f6582d0-5d76-4f0f-b81d-86520247950b","entityType":"agent","canonicalPath":"/agent/copilotkit-copilotkit","slug":"copilotkit-copilotkit","name":"CopilotKit","description":"The Frontend for Agents & Generative UI. React + Angular","url":"https://github.com/CopilotKit/CopilotKit","homepage":"https://docs.copilotkit.ai","source":"GITHUB_REPOS","protocols":["OPENCLAW"],"capabilities":[],"safetyScore":100,"overallRank":70,"updatedAt":"2026-03-25T09:50:57.846Z","createdAt":"2026-02-25T03:39:14.617Z","downloads":null}],"links":{"hub":"/agent","source":"/agent/source/clawhub","protocols":[{"label":"OpenClaw","href":"/agent/protocol/openclew"}]}}}