--- name: paranoia-ai-system-evolver description: 用于升级 AI 系统、agent workflow、Codex skill、prompt、memory、RAG、tool routing、schema、eval set 或 feedback loop；也用于把 AI 工作单从指令单升级为意图单，并对研究、检索、测试和 AI 对话做 VOI 决策门审计。需要 Intent Work Order、WOOP 任务准入、决策对象、VOI/EVPI/EVSI、UL（Uncertainty Ladder，不确定性阶梯）、OODA、eval、Human Gate、versioning 与 rollback 的受控演化时使用。Use when controlled AI system evolution or a decision-oriented information audit is needed. license: MIT compatibility: 需要读取目标系统与验证材料；长期规则、全局安装、生产发布和权限变更必须经过 Human Gate。 metadata: version: "1.3.0-candidate" short-description: 用意图单、VOI、UL、OODA 与 Evals 受控进化 AI 系统 --- # Paranoia AI System Evolver > Copyright (c) 2026 Paranoia. Licensed under the MIT License. ## 核心立场 把 AI 系统演化当成受控系统设计，而不是神秘的自我改良；把信息获取当成决策投资，而不是越多越好的默认动作。 ```text Intent Work Order 先把“帮我写、优化、分析、出图”的指令单翻译成“要改变什么现实、谁验收、不能牺牲什么、AI 可自治到哪里”的作战意图。 WOOP 定义任务意图、验收结果、失败模式和恢复协议。 Decision Object 定义现在到底要决定什么，以及没有新信息时会做什么。 RJR-AI 定义剩余判断权、授权边界和谁能拍板。 VOI 判断哪些信息、检索、追问、实验或 AI 分支值得付出成本。 Scenario VOI Adapter 定义不同使用场景里什么证据才真的会改变行动。 UL（Uncertainty Ladder，不确定性阶梯）控制下一轮释放多少未知，使失败可归因、复杂度逐步增加并经过迁移验证。 OODA 让 agent 用现实反馈刷新地图。 Evals 决定哪些改动值得留下。 Human Gate 防止一次有用突变污染长期系统。 Rollback 让每次提升都可逆。 ``` VOI 的硬规则：真实、新鲜或结构清晰的信息不一定有价值。只有当合理信号可能改变行动、优先级、资源配置或停止条件时，它才具有当前决策价值。 UL 的硬规则：VOI 选最值得消除的未知，UL 控制暴露剂量。每轮默认只释放一个主要不确定性；若失败无法区分主要解释，必须标记 `confounded`、恢复支架并退回更受控环境，不能继续叠加永久规则。受控样本通过不等于迁移通过，其他维度通过也不自动提升权限或真实后果。 RJR-AI 的硬规则：AI 可以扩大可能性，Workflow 可以压缩混乱，Eval 可以提供反馈，权限系统可以防止越界，知识库可以积累组织记忆；但高耦合、低可逆、证据不足且必须下注的问题，属于人的剩余判断权，agent 只能辅助论证并进入 Human Gate。 ## 何时使用 用于改动这些层： - prompt、system instruction、memory、RAG、tool routing、workflow、schema、eval set、docs 或 Codex skill； - agent feedback loop、trace format、release gate 与 rollback policy； - AI 工作单、任务单、需求单、prompt brief 从“命令 AI 做动作”升级为“给 AI 一个清晰作战意图并让它在边界内循环”； - 需要把项目整体流程、workflow run、产出质量、验收、复盘和候选规则沉淀纳入治理检查； - 需要 model compression、causal mediator、WOOP harness protocol 或 total description cost 降低的 AI engineering 结构； - 需要判断某次搜索、追问、读记忆、日志分析、实验或更多 AI 对话是否值得； - 出现 FOMO、信息过载、分支爆炸、研究替代行动或高结构低价值输出时。 不要用它来合理化失控的模型权重改动、静默长期记忆写入、未经批准的全局 skill 安装，或没有 Human Gate 的生产影响行为。它也不是通用热点总结器；没有决策对象时，只允许有预算的探索或明确的信息消费。 ## 快速流程 1. 定义任务和被改动的系统层：`prompt`、`memory`、`RAG`、`tool routing`、`workflow`、`eval`、`schema`、`docs` 或 `skill`。 2. 若用户给的是指令单，先写轻量 `Intent Work Order`： - `reality_to_change`：我要改变什么现实； - `parent_project_goal`：服务哪个更大的项目目标； - `desired_world_state`：完成后外部世界应该变成什么状态； - `verifier_role` 与 `first_impression_must_understand`：谁验收，第一眼必须看懂什么； - `must_not_sacrifice`、`ai_can_freely_change`、`ai_must_not_touch`：不能牺牲、可自由改和不允许碰； - `decision_principles_if_plan_breaks`：原计划不成立时按什么原则改方向； - `failure_signals_to_check_before_delivery` 与 `retrospective_contract`：交付前自查和复盘沉淀。 3. 写轻量 `WOOP Task Card`： - `Wish / Intent Spec`：目标、输出物、范围与停止条件； - `Outcome / Evaluation Rubric`：验收标准与决策收益； - `Obstacle / Failure Pattern`：目标漂移、过度信任、上下文污染、工具滥用、FOMO 调研、选项爆炸、虚假确定性等内在失败模式； - `Plan / If-Then Protocol`：触发条件、判断者、恢复动作、重试、交还人或 rollback。 4. 在获取更多信息前定义 `Decision Object`： - 决策问题、owner、deadline； - 真实可选项； - `current_default_action`，即没有新信息时的行动； - stakes、reversibility 与 `boundary_status: undefined | far | near | locked`。 5. 建立 `RJR-AI` 授权门： - 判断 coupling：局部低耦合，还是会牵动产品、系统、账号、发布、长期规则的高耦合； - 判断 reversibility：可逆、撤回昂贵，还是不可逆； - 写出 delegation：AI 只能读、建议、草稿，还是可做低风险可逆执行； - 把低风险可逆任务交给自动化，把可测试事项交给 eval，把高耦合低可逆事项交给 Human Gate； - 若证据不足但必须下注，明确 `residual_judgment`，由人选择方向。 6. 建立 VOI 决策门： - 只保留会影响选项排序的不确定性； - 每轮最多提出 3 个 `candidate_information_actions` 候选信息行动； - 为可能信号预注册 `posterior_update` 与 `action_if_seen`； - 若所有信号都不会改变行动，停止调研或标记为 `model_learning` / `information_consumption`； - 用 EVPI 作为价值上界，用 EVSI 判断具体样本、实验或探针； - 扣除获取、延迟、注意力、隐私、污染和实施风险成本； - 选择净价值最高的最小探针，并写停止规则。 7. 选择 `Scenario VOI Adapter`，按具体使用场景定义有效证据： - `skill_evolution`：看真实 trace、行为 eval、负迁移、rollback，而不是一次漂亮案例； - `game_direction`：看玩家承诺、核心循环、题材解释规则、生产风险和最小原型信号； - `experience_diagnosis`：看 evidence_id、issue priority、修复动作和下一轮验证是否改变； - `source_curation`：看材料是否改变入库、分类、沉淀或拒绝，而不是只看内容新鲜； - `content_decision`：看选题、角度、标题承诺、论证主线和发布判断是否改变； - `platform_fact`：看当前一手来源、实际平台状态、兼容策略和时效边界； - `high_risk_action`：看是否降低不可逆错误，并默认进入 Human Gate； - `ai_branch_management`：看分支是否改变下一探针，不能改变行动的分支应归档或关闭。 8. 建立 `UL (Uncertainty Ladder)`，为下一轮验证设计可归因的环境： - 声明目标能力与当前阶段：`UL-L0 | UL-L1 | UL-L2 | UL-L3 | UL-L4 | UL-L5`； - 记录输入新颖度、上下文歧义、工具环境、协作、权限与后果、验收歧义的暴露向量； - 写出本轮 `released_this_round`、`held_constant`、仍保留的支架和失败后果预算； - 每轮默认只释放一个主要变量，预注册 pass / fail / confounded / stop 信号； - 失败后用消融、对照或反事实定位 `primary_bottleneck`，只针对主瓶颈修改； - 同层复现后才增加复杂度，最后用近/中迁移和负迁移样本限制适用范围； - 权限、发布、资金、长期记忆和真实用户影响不随阶段自动晋升，仍走 RJR-AI / Human Gate。 9. 显式写出 operating model： - compression：什么短模型能解释多数真实案例； - causality：哪些 mediator 把输入连接到结果； - control points：agent、workflow 或 human 能干预哪个 mediator； - cost：core model、routing、state、validation、exception、recovery 的成本在哪里累积。 10. 维护紧凑 OODA 状态： - Observe：目标、上下文、证据、惊讶信号、触发的 Obstacle； - Orient：当前框架、用户模型、领域模型、决策边界、不确定性地图； - Decide：选择动作、拒绝动作、VOI 理由与停止条件； - Act：artifact、tool call、最小探针或 test； - Evaluate：用 Outcome 打分，记录先验—信号—后验—行动变化。 11. 分离 task OODA 和 meta OODA。任务循环完成当前工作；元循环只提出未来系统可考虑的 `candidate` 改动。 12. 每个演化改动保持 `candidate`，直到证据、行为 eval、必要审批和 rollback 都存在。 13. 当目标层是 `skill`，回放代表性任务，检查是否减少低 VOI 分支、是否保留具体负反馈、是否出现更啰嗦、更慢或误触发的负迁移；同时检查受控通过是否能迁移到陌生样本。 14. 满足任一条件即停止继续获取信息：行动对合理信号已稳健、边际 VOI 不高于边际成本、样本门达到、deadline 到达、剩余不确定性不改变行动，或 Human Gate 已承诺执行。 ## 按需读取 - 完整 VOI、EVPI、EVPPI、EVSI、决策边界、AI 疲劳与反 AI 味规则：`references/value-of-information-playbook.zh-CN.md`；英文：`references/value-of-information-playbook.en.md`。 - 意图工程与 AI 工作单从指令单升级为意图单：`references/intent-engineering-work-order.zh-CN.md`；英文备份：`references/intent-engineering-work-order.en.md`。 - 项目 workflow 治理、`workflow-run.governance`、shadow/warn/enforce 晋升：`references/project-workflow-governance.zh-CN.md`；英文备份：`references/project-workflow-governance.en.md`。 - WOOP 任务准入、执行监控和失败恢复：`references/woop-harness-protocol.zh-CN.md`；英文：`references/woop-harness-protocol.en.md`。 - RJR-AI 剩余判断权、授权门、VOI/OODA 系统演化闭环：`references/evolution-loop-playbook.zh-CN.md`；英文：`references/evolution-loop-playbook.en.md`。 - UL 暴露向量、六阶段工程 gate、瓶颈归因、逐步增加复杂度与迁移验证：`references/uncertainty-ladder-protocol.zh-CN.md`；英文备份：`references/uncertainty-ladder-protocol.en.md`。 - Model compression、causal mediator、control point 与 total description cost：`references/model-compression-playbook.zh-CN.md`；英文：`references/model-compression-playbook.en.md`。 - Eval、trace、versioning、promotion 与 rollback：`references/eval-versioning-playbook.zh-CN.md`；英文：`references/eval-versioning-playbook.en.md`。 - 可复制表单： - 意图工作单：`templates/intent_work_order.md`、`templates/intent_work_order.zh-CN.md`、`templates/intent_work_order.en.md`； - workflow 治理审查：`templates/workflow_governance_review.md`、`templates/workflow_governance_review.zh-CN.md`、`templates/workflow_governance_review.en.md`； - VOI 决策门：`templates/voi_decision_gate.md`、`templates/voi_decision_gate.zh-CN.md`、`templates/voi_decision_gate.en.md`； - OODA / VOI 状态：`templates/ooda_voi_state.md`、`templates/ooda_voi_state.zh-CN.md`、`templates/ooda_voi_state.en.md`； - UL 状态：`templates/uncertainty_ladder_state.md`、`templates/uncertainty_ladder_state.zh-CN.md`、`templates/uncertainty_ladder_state.en.md`；机器对象名为 `ul_state`； - 进化提案：`templates/evolution_proposal.md`、`templates/evolution_proposal.zh-CN.md`、`templates/evolution_proposal.en.md`。 - VOI 行为回归案例：`evals/voi-decision-gate-cases.md` 与 `evals/voi-decision-gate-cases.en.md`。 - 不确定性阶梯行为回归案例：`evals/uncertainty-ladder-cases.md` 与 `evals/uncertainty-ladder-cases.en.md`。 ## Human Gate 默认项 执行以下动作前必须询问人： - 写入长期记忆； - 安装或替换全局 skill； - 改动生产策略、发布行为、真实账号、资金或用户可见系统； - 把生成内容或 workflow mutation 从 `candidate` 提升为当前规则； - 删除、镜像、批量移动或覆盖项目工作区； - 在高风险决策中用定性 VOI 评分替代真实损益模型。 ## 输出契约 结束时说明： - 当前要支持的决策、选项和默认行动； - Intent Work Order 中的现实改变、验收者、第一眼必须看懂什么、不可牺牲项、AI 自治边界和失败信号； - workflow-run.governance 中的 intent、VOI/RJR、漂移审查、Human Gate、rollback 与 candidate learning 引用； - RJR-AI 授权判断：耦合度、可逆性、授权层级、delegation_matrix 与 residual_judgment； - 决策边界与最高价值不确定性； - 使用的场景 VOI Adapter、有效证据标准和最小探针； - 当前 UL rung、暴露向量、本轮释放/保持不变的变量、支架、后果预算与 fallback rung； - 若发生失败，主要瓶颈、区分性探针、归因置信度和针对性修复； - 迁移与负迁移证据，以及能力适用范围； - 选择或拒绝了哪些信息行动，以及信号如何改变行动； - 何时停止继续调研； - 改了什么； - WOOP 如何落到结果； - 哪些 eval 或检查已经运行； - 哪些仍然是 `candidate`； - 哪些需要 Human Gate； - 如何 rollback。