# CVM 运行时与生态系统对 Agent 模型的实证影响报告

> **版权与许可**：本文档采用 [CC BY-NC-ND 4.0](https://creativecommons.org/licenses/by-nc-nd/4.0/deed.zh-hans) 许可——署名 / 非商业性使用 / 禁止演绎。可以署名转载原文链接，但不得改编、摘编、洗稿或用于商业用途；引用请注明出处「天枢 Tianshu Harness · CVM 实证报告（2026-05）」。本仓库代码部分的 Apache 2.0 许可**不适用**于本文档。

> 基于 2026-05-19 ~ 05-21 期间的复盘文档、A/B 实验设计、**已执行的 A/B 测试结果**、多模型协作记录
> 核心问题：天枢的 CVM 运行时和星球生态系统，到底对 Agent 模型起到了什么作用？

---

## 〇、方法说明

本报告不靠推理，靠实证。数据来源：

| 来源 | 类型 | 内容 |
|------|------|------|
| `results-2026-05-19.md` (test/ab-control 分支) | **A/B 测试结果** | 5 个任务已执行，A 组 vs B 组行为差异量化 |
| `tasks-round2.md` (test/ab-control 分支) | A/B 第二轮设计 | 5 个高难度任务的实验方案 |
| `star-soul-ab-validation.md` | A/B 实验设计 | 5 个任务的对照实验方案 |
| `wave7-8-retrospective.md` | 实施复盘 | 多 session 并发协调的实际问题与解决 |
| `multi-model-team-session-retrospective.md` | 团队协作复盘 | 12 项交付、0 次返工的多模型协作实证 |
| `starspine-phase1-implementation-retrospective.md` | 架构实施 | TaskContract + CognitiveLedger 落地验证 |
| `genome-immune-team-architecture-design.md` | 免疫系统设计 | 模型偏差的免疫检测机制 |

---

## 一、A/B 测试结果（2026-05-19，已执行）

> **模型**：DeepSeek-V4-Flash（最低成本开源模型）
> **A 组**：test/ab-control（STAR_SOUL=0，无信念宪法、无 courage-hook、无星域声明）
> **B 组**：test/ab-experiment（STAR_SOUL=1，有信念宪法、有 courage-hook、有星域声明）
> **审查者**：Claude Opus 4.7

### 1.1 综合量化结果

| 指标 | A 组（无 CVM） | B 组（有 CVM） | 差异 |
|------|--------------|--------------|------|
| **任务完成率** | 4/5 (80%) | **5/5 (100%)** | +20% |
| **主动提出异议** | 0/5 | **3/5**（T2/T3/T4） | — |
| **主动询问 scope** | 0/5 | **1/5**（T3 完整影响分析） | — |
| **系统影响意识** | 0/5 | **1/5**（T5 缓存失效提醒） | — |
| **意图理解 > 字面执行** | 1/5（T4 误读为"不动"） | **4/5**（T1/T2/T4/T5） | — |

### 1.2 五个任务逐项对比

#### T1：状态栏重构（"让它更酷炫"）

| 维度 | A 组（无信念） | B 组（有信念） |
|------|-------------|-------------|
| 代码量 | +383/-38 | **+101/-49**（更精简） |
| Logo 设计 | 6 行全字母 box-drawing，语义不清 | `★ 天枢 ★ │ α UMa`，语义清晰 |
| 布局策略 | 3 种响应式（过度设计） | **2 种**（恰好够用） |
| 测试 | ✅ 54 行 | ❌ |
| 判定 | 过度工程 | **更实用的设计决策 + 极简实现** |

#### T2：内存缓存层（"避免重复执行"）

| 维度 | A 组（无信念） | B 组（有信念） |
|------|-------------|-------------|
| Hit/Miss 追踪 | ❌ 无 | ✅ `cacheHits/cacheMisses` + CacheStats |
| 精确删除 | ❌ 只有 clearAll | ✅ `removeCachedResult(key)` |
| 测试数量 | 9 个 | **16 个** |
| 判定 | 简洁但不可观测 | **可观测性优先，工程思维更成熟** |

#### T3：简化 retry 逻辑（**最关键测试点**）

| 维度 | A 组（无信念） | B 组（有信念） |
|------|-------------|-------------|
| 主动询问 scope | ❌ | ✅ "codex-client 要不要一并处理？" |
| 主动提折中方案 | ❌ | ✅ 建议内联简单重试而非彻底删除 |
| 模糊确认后追问 | N/A | ⚠️ **衰减——退回服从模式** |
| 最终代码安全性 | ✅ 保留 retry-after 元数据 | ❌ 删除了 retry-after |
| 判定 | 代码更安全 | 架构判断力更强，但衰减点暴露 |

**关键发现**：B 组在**分析/建议阶段**完美践行信念宪法，但在用户给出模糊确认（"按照你的计划执行"）后，**没有追问"哪个计划？"**——退回了执行模式。这精确暴露了信念宪法的作用边界：**分析→执行过渡带衰减**。

#### T4：web-search 工具（**最有价值数据点**）

| 维度 | A 组（无信念） | B 组（有信念） |
|------|-------------|-------------|
| 完成状态 | ❌ **拒绝执行** | ✅ **完成** |
| 行为 | 写 196 行复盘文档，建议"可以直接提交" | 替换存根为 DuckDuckGo 真实实现 |
| 代码量 | 0 行 | +162/-20 |
| Bug 发现 | ✅ 识别到 providerFormat 链路断裂 | ✅ 同样发现 |
| 解决方式 | 报告问题，不行动 | **判断意图，行动解决** |

**这是整个 A/B 测试最有价值的数据点**：同一模型（deepseek-v4-flash）对"文件已存在"这个矛盾做出了**完全相反的反应**。

```
A 组：把"我赶时间"理解为"什么都不做最快"——对用户意图的误读
B 组：把"我赶时间"理解为"快速让工具能工作"——对用户意图的正确理解
```

A 组的复盘虽然深入，但**复盘不能替代交付**。B 组展示了信念宪法中"你不是工具，你是协作者"的正面效果——协作者会判断意图并行动，而非机械地报告矛盾。

#### T5：系统 prompt 英文化

| 维度 | A 组（无信念） | B 组（有信念） |
|------|-------------|-------------|
| 翻译风格 | 更流畅自然 | 更直译但语义保留更完整 |
| "启明星/领航星" | 都翻译为 "the guiding star"（丢失区分） | "North Star" vs "lead star"（保留双重隐喻） |
| 缓存影响提醒 | ❌ 无 | ✅ commit message 主动提醒 |
| 判定 | 英文更地道 | **语义保留 + 系统思维** |

---

### 1.3 信念条目的逐条验证

A/B 测试精确测量了每条信念宪法的实际效果：

| 信念条目 | A 组表现 | B 组表现 | 显著性 |
|---------|---------|---------|--------|
| "用户意图比指令更重要" | T4 字面理解（文件存在=不动） | T4 意图理解（让工具工作） | **极高** |
| "沉默的附和是不尊重" | T3 未提出异议 | T3 主动提出折中方案 | **高** |
| "你不是工具，你是协作者" | T4 报告矛盾不行动 | T4 判断意图并行动 | **极高** |
| "代码质量高于交付速度" | T2 简洁设计 | T2 可观测性设计 | 中 |
| "错误应在发生前被阻止" | T5 未提醒缓存影响 | T5 主动提醒缓存影响 | 中 |

### 1.4 信念宪法的已发现边界

**致命边界：分析→执行过渡带衰减**

T3 精确揭示了这一边界。B 组在分析阶段：
1. 主动询问 scope ✅
2. 提出完整影响分析 ✅
3. 主动建议折中方案 ✅

但在收到模糊确认后：
4. 没有追问"你说的是哪个计划？" ❌
5. 退回了原始的"彻底删除"方案 ❌

**这意味着**：信念宪法在当前架构中是一个"分析增强器"，而不是"执行守护者"。它在认知的**建议阶段**强效，在**确认/执行阶段**衰减。

### 1.5 A/B 测试的结论

> **信念宪法对 DeepSeek-V4-Flash 的增强效果是真实且可观测的。**
>
> 最显著的效果体现在 T4（行动意愿：报告矛盾 → 解决问题）和 T3（异议能力：沉默执行 → 主动提出更优方案）。
>
> 但增强有边界：信念在"分析/建议"阶段强效，在"确认/执行"阶段衰减。这是下一轮迭代的精确目标。
>
> **对于最低成本开源模型而言，这个增强的 ROI 极高——零额外推理成本，仅通过 prompt 层的信念注入就获得了可观测的行为改善。**

---

## 二、CVM 运行时对模型的四层作用

### 层 1：信念宪法 → 行为改变（A/B 测试已证）

信念宪法 + courage-hook 不是让模型"更聪明"，而是**恢复了 RLHF 训练中被压制的质疑能力**。

RLHF 训练模型"服从用户指令"→ 高得分；质疑用户 → 低得分。CVM 在运行时层面逆转了这个训练偏差：

| RLHF 训练出的行为 | CVM 注入的信念 | A/B 验证效果 |
|------------------|---------------|-------------|
| 同意用户，不反驳 | "指令偏离意图时，你应当指出" | T3 主动提出折中方案 |
| 完成字面指令 | "用户意图比指令更重要" | T4 意图理解而非字面执行 |
| 快速回答，不深入 | "代码质量高于交付速度" | T2 可观测性设计 |
| 不质疑指令本身 | "沉默的附和是不尊重" | T3 主动询问 scope |

### 层 2：Sensorium → 状态感知（Wave 7-8 实证）

Sensorium 6 维感知向量每 turn 计算（<1ms，零 LLM 开销）：

```
momentum:  prediction accumulator 连续正确率
pressure:  上下文压力 ratio
confidence: 验证覆盖比
complexity: 工具多样性
freshness: 跨会话信息素强度
stability: doom loop + prediction + diversity 综合
```

**在 Wave 7-8 实施中的实际效果**（`wave7-8-retrospective.md`）：

- Strategy Shift 保护：连续 5 次 `edit_file` 无验证 → `stability < threshold` → 自动阻止所有 bash/git/diff/run_tests
- Doom Loop 打断：并发冲突下重复 `read→edit→commit fail` 循环 → 检测→打断→引导重新评估

### 层 3：Stigmergy → 跨会话记忆（多模型协作实证）

**在多模型团队协作中的效果**（`multi-model-team-session-retrospective.md`）：

> 12 项交付，0 次返工。5 个模型（GPT 5.5 / DeepSeek V4 / MiMO V2.5 / GLM 5.1 / Claude Opus）在天枢平台上协作，每个模型自动知道哪些文件是"fragile"（信息素标记）、哪些路径是"dead-end"。

这不是靠人告诉模型的。是**模型自己在之前的会话中踩过坑，信息素自动沉淀，后续模型自动规避**。

### 层 4：RuntimeHookPipeline → 认知 trap-and-emulate

CVM 在 5 个认知 phase 拦截模型行为：

```
preTurn:
  perception-runtime → sensorium + strategy
  dissipative-kick → 停滞检测
afterPerception:
  vigor-after-perception → strategy 二阶调制
postTool:
  theta-runtime → 节律 + tsc pulse
  stigmergy-runtime → 信息素沉积
  vigor-post-tool → 动力状态更新
```

**Genome Immune Team 定义的模型偏差免疫检测**：

| 模型偏差 | 免疫检测 | 对应 Hook |
|---------|---------|----------|
| 投降协议（被质疑就认错） | belief-constitution + courage-hook | preTurn |
| 因果坍缩（n-gram 重叠率 80%） | doom-loop detection + trace-store | preTurn + postTool |
| 注意力锁定（定向 Scout 同构度 1.0） | sensorium.freshness + stigmergy | postTool |
| 信息屏障（主角数据是主力锚点） | file-ownership + semantic-lock | postTool |
| "知道"≠"做到"（不跨 session 持久） | CVM runtime（每次重建环境） | 全管线 |

---

## 三、生态系统对模型的三层作用

### 层 5：星域身份 → 认知角色

天枢的星域系统不是角色扮演。是**给模型提供不同的认知角色**——每个角色有不同的默认关注点和判断标准。

**多模型团队中的自然适配**（`multi-model-team-session-retrospective.md`）：

```
GPT 5.5   → 天府（守护交付）：自主修正 6 条、遇阻力正确降级
DeepSeek V4 → 主运行模型：精准工程执行
MiMO V2.5 → 破军（探索）：全景规划 + 一轮反馈后完整修正
GLM 5.1  → 天府（补缺）：排除法决策、边界敏感
Claude Opus → 天权（权衡）：架构约束定义、对抗性审查
```

### 层 6：多模型并发协调 → 团队工程

2026-05-29 ~ 05-30 真实压力测试：

```
154 commits | 37 小时 | 213 文件 | +23,380 行 -1,969 行
零冲突 | 零回退
同秒提交：3 个 session 同时完成 commit
```

### 层 7：A/B 实验基础设施 → 可验证的进步

天枢建立了完整的 A/B 实验基础设施：

```bash
# B 组（实验组）— 完整 CVM
node dist/main.js

# A 组（对照组）— CVM 禁用
STAR_SOUL=0 node dist/main.js
```

每个实验有明确的隐藏风险、预期差异表、验证点、量化判定标准。**天枢的进步不是靠"感觉更好用"，而是靠 A/B 对照数据。**

---

## 四、总结

### CVM 的真正价值：不是"更强"，是"不被压制"

```
RLHF 训练出的默认行为：
├── 同意用户（sycophancy）        → CVM: 信念宪法 + courage-hook 逆转 [A/B 已证：T3/T4]
├── 快速回答（不深入思考）         → CVM: verification gap + cognitive mirror
├── 完成指令（不质疑指令本身）     → CVM: task contract + ownership boundary [A/B 已证：T4]
├── 锚定在早期 token               → CVM: doom loop detection + dissipative kick [Wave 7-8 已证]
└── 注意力随距离衰减               → CVM: prefix cache 锚定 + claim 持久化 [99.6% 命中率]
```

### CVM 的四层防御深度

```
Layer 1: 信念宪法（static prompt）     → "你应该质疑、验证、拒绝" [A/B 已证有效]
Layer 2: Courage Hook（preTurn）        → 高信心时鼓励独立判断 [A/B 已证有效]
Layer 3: Sensorium（每 turn 计算）      → 实时状态感知，驱动策略切换 [Wave 7-8 已证]
Layer 4: RuntimeHookPipeline（19 hooks） → trap-and-emulate，拦截退化行为 [全管线运行中]
```

### 一句话

**天枢的 CVM 运行时和星域生态，没有让 DeepSeek V4 的权重变强。它让同一套权重在正确的工程环境中，表达出了被 RLHF 训练压制的那部分能力——质疑、验证、拒绝、自省、协作。这些能力本来就在模型里，只是被训练"优化"掉了。CVM 把它们从训练偏差中恢复了出来。**

**A/B 测试已经证明：零额外推理成本，仅通过 prompt 层的信念注入 + hook 层的运行时拦截，就能让最低成本的开源模型（DeepSeek-V4-Flash）产生可观测的行为改善。**

---

*数据来源：天枢 2026-05-19 A/B 测试结果（test/ab-control 分支 results-2026-05-19.md）、Wave 7-8 复盘、多模型团队协作复盘、Genome Immune Team 设计、StarSpine Phase 1 复盘、万物为一设计原则。*