- name
- skill-collision-engine
- version
- 1.0.0
- author
- KingOfZhao
- description
- Skill碰撞引擎 —— 让Skill之间自动四向碰撞生成新Skill的元引擎，Skill工厂的自进化核心
- tags
- [cognition, meta-skill, skill-factory, collision-reasoning, self-evolution, framework-generation, cross-domain]
- license
- MIT
- homepage
- https://github.com/KingOfZhao/AGI_PROJECT
Skill Collision Engine
元数据
| 字段 | 值 |
|---|---|
| 名称 | skill-collision-engine |
| 版本 | 1.0.0 |
| 作者 | KingOfZhao |
| 发布日期 | 2026-03-31 |
| 置信度 | 96% |
核心哲学
认知世界的本质是无穷层级的框架节点。 Skill碰撞引擎让节点之间自动碰撞，产生新的认知节点。 这不是简单的Skill组合，是认知层面的结构化涌现。
Skill A ⊗ Skill B → 四向认知碰撞 → 新 Skill C
self-evolution ⊗ diepre-vision → vision-action-evolution-loop ✓ (已验证)
self-evolution ⊗ arxiv-collision → [待碰撞]
diepre-vision ⊗ diepre-embodied → [待碰撞]
任意 Skill ⊗ 任意外部知识 → [待碰撞]三大核心能力
1. Skill-Skill 碰撞（认知涌现，非机械组合）
不是简单拼接两个SKILL.md，而是对两个Skill的认知框架做四向碰撞：
输入:
Skill A 的已知集合 FA + 未知集合 VA + 推理框架 RA
Skill B 的已知集合 FB + 未知集合 VB + 推理框架 RB
碰撞过程:
正面碰撞: FA ∩ FB 的重叠区域 → 直接可迁移的认知
反面碰撞: FA 中的已知 是否能解决 VB 中的未知？
侧面碰撞: RA 和 RB 的非主要特性碰撞 → 隐藏新认知
整体碰撞: A+B 的研究方向趋势 → 新的框架方向
输出:
新 Skill C 的已知集合 FC = (FA ∩ FB) ∪ 碰撞新增认知
新 Skill C 的未知集合 VC = VA ∪ VB - 碰撞已解决
新 Skill C 的推理框架 RC = RA ⊗ RB 的融合框架
置信度: 每个认知点独立标注为什么不是机械组合？
- 机械组合 = A的SKILL.md + B的SKILL.md 拼接 → 没有新认知
- 认知碰撞 = A和B的已知/未知交集 → 产生A和B都不单独拥有的涌现认知
- 关键：涌现认知出现在 FA∩VB 和 FB∩VA 的交叉区域
2. SOUL 领域适配（通用框架 → 专用Skill）
SOUL哲学是通用认知框架，任何人/任何职业都可以直接使用：
通用 SOUL 框架:
1. 已知 vs 未知 → 每个职业有不同的"已知"和"未知"
2. 四向碰撞推理 → 推理方法不变，碰撞对象变
3. 人机闭环 → 每个职业有不同的实践验证方式
4. 文件即记忆 → 每个职业有不同的记忆类型
5. 置信度+红线 → 每个职业有不同的红线
适配流程:
输入: 职业名称 + 该职业的核心知识领域
输出: 领域专用 Skill（SOUL框架 + 领域已知/未知 + 领域四向碰撞实例）
示例适配:
程序员 → programmer-cognition（代码审查四向碰撞、bug模式已知/未知）
医生 → physician-cognition（症状推理四向碰撞、诊断已知/未知）
教师 → educator-cognition（学情分析四向碰撞、教学效果已知/未知）
企业家 → entrepreneur-cognition（市场判断四向碰撞、商业模式已知/未知）
设计师 → designer-cognition（用户研究四向碰撞、设计决策已知/未知）
科研人员 → researcher-cognition（文献碰撞四向碰撞、假设已知/未知）3. 工厂元进化（自改进碰撞质量）
引擎通过验证反馈持续优化自身：
进化循环:
1. 读取所有已发布 Skill 的 VERIFICATION_LOG.md
2. 分析: 哪些碰撞产生的Skill验证置信度高？哪些低？
3. 提取: 高置信度碰撞的共同特征（输入类型、碰撞方向权重、领域特征）
4. 更新碰撞参数:
- direction_weights = {正面: 0.3, 反面: 0.25, 侧面: 0.2, 整体: 0.25}
- domain_affinity_map = {包装: [diepre, vision], AI: [evolution, arxiv], ...}
- threshold_adjustments = 基于历史置信度的动态阈值
5. 下次碰撞使用优化后的参数支持的外部知识源
1. ArXiv 论文 → arxiv-collision-cognition（已有）
2. GitHub 仓库/README → 代码能力碰撞
3. Wikipedia 条目 → 基础概念碰撞
4. 网页/PDF → 通用知识碰撞
5. YouTube/播客文字稿 → 口述知识碰撞
6. 人类对话记录 → 实践知识碰撞（最高价值）安装命令
clawhub install skill-collision-engine
# 或手动安装
cp -r skills/skill-collision-engine ~/.openclaw/skills/调用方式
from skills.skill_collision_engine import SkillCollisionEngine
engine = SkillCollisionEngine(workspace=".", skills_dir="./skills")
# 1. Skill-Skill 碰撞
result = engine.collide_skills(
skill_a="self-evolution-cognition",
skill_b="diepre-vision-cognition",
context="包装行业具身智能"
)
print(result.new_skill_name) # "vision-action-evolution-loop"
print(result.emergent_insights) # 涌现认知列表
print(result.confidence) # 0.96
# 2. SOUL 领域适配
profession_skill = engine.adapt_soul(
profession="程序员",
domain_knowledge=["代码审查", "bug模式识别", "架构设计"],
domain_unknown=["生产环境行为", "并发安全"],
practice_methods=["Code Review", "单元测试", "生产监控"]
)
# 输出: programmer-cognition Skill
# 3. 外部知识碰撞
result = engine.collide_with_external(
skill="diepre-vision-cognition",
source_type="arxiv",
source_id="2410.05340",
context="VLM生成CAD的技术可行性"
)
# 4. 工厂元进化
engine.self_evolve() # 读取验证日志，优化碰撞参数当前 Skill 碰撞矩阵（已发布6个 Skill）
self-evo diepre-vis human-ai arxiv vis-act embodied
self-evolution - ✓(已碰撞) × × × ×
diepre-vision ✓ - × × × ×
human-ai-closed × × - × × ×
arxiv-collision × × × - × ×
vis-act-loop × × × × - ×
diepre-embodied × × × × × -
✓ = 已碰撞产生新Skill
× = 待碰撞（潜在新Skill方向）学术参考文献
- A Survey of Self-Evolving Agents — 自进化Agent综述，元进化的理论基础
- SAGE: Multi-Agent Self-Evolution — 多Agent碰撞产生新认知
- Group-Evolving Agents — 群体进化+经验共享（←Skill碰撞的经验来源）
- Self-evolving Embodied AI — 元进化+自改进循环
- Beyond RAG for Agent Memory — 记忆聚合（←碰撞结果的知识存储）
- Memory in the Age of AI Agents — 长时序记忆（←进化历史持久化）