Menu
跨项目的蒸馏式知识积累。在项目结束时自动触发蒸馏，在新项目启动时自动读取相关规则。存"规则"而非"数据"。
Installer avec Codex ou Claude Copiez ce prompt, collez-le dans Codex, Claude ou un autre assistant, puis laissez-le vérifier la page du skill et l'installer pour vous.
Basé sur la classification professionnelle SOC
| name | evolution-memory |
| description | 跨项目的蒸馏式知识积累。在项目结束时自动触发蒸馏，在新项目启动时自动读取相关规则。存"规则"而非"数据"。 |
跨项目的蒸馏式知识积累系统。每个项目结束时提炼可复用规则，新项目启动时读取历史经验，实现跨周期进化。
位置：~/.nexus/evolution_memory/
~/.nexus/evolution_memory/
├── MEMORY.md # 索引文件（每条 <150 字符，总量控制在 200 行内）
├── user_researcher_profile.md
├── feedback_terse_output.md
├── project_neurips_deadline.md
├── reference_gpu_server.md
├── idea_cross_domain.md
├── experiment_lr_warmup.md
└── ...
每个记忆文件使用以下 frontmatter 格式：
---
name: {{记忆名称}}
description: {{单行描述 — 用于未来对话中判断是否相关}}
type: {{user | feedback | project | reference}}
source_project: {{来源项目，可选}}
date: {{YYYY-MM-DD，必须用绝对日期}}
confidence: {{0.0-1.0，可选}}
---
{{记忆内容}}
关于用户的角色、目标、知识水平、研究风格的信息。帮助 agent 调整行为适配用户。
保存时机：学到用户任何偏好、背景、专业水平时
示例：
深耕 RL，world model 新手 — 用 RL 术语类比解释 WM 概念有周报需求 — 实验阶段注意以周为单位规划用户对 agent 行为的反馈。同时记录纠正和正面确认。
如果只保存纠正，agent 会回避过去的错误但偏离已验证的方法，并可能变得过于保守。
保存时机：
结构：Rule → Why: → How to apply:
示例：
文献综述不引用 arXiv 预印本。**Why:** 导师要求只用正式发表的论文。**How to apply:** survey 阶段的 corpus freeze 时过滤 unpublished。代码修改倾向于合并成一个 PR 而非拆分。**Why:** 用户确认了这种做法，认为拆分是 churn。**How to apply:** 除非用户另有指示，实验代码修改合并提交。项目的进行中工作、目标、截止日期、动态。不可从代码或 git 历史派生的上下文信息。
相对日期必须转换为绝对日期（"下周四" → "2026-04-08"）。
保存时机：学到 who/what/why/when 时
结构：Fact → Why: → How to apply:
示例：
NeurIPS 2026 截止日 2026-05-15。**Why:** 今年改了截止日。**How to apply:** 实验和写作 timeline 需在 5/10 前完成。GPU 服务器 2026-04-07 起维护一周。**Why:** 机房检修。**How to apply:** 在 4/07 前完成需要 GPU 的实验。外部系统中信息的位置指引。
保存时机：学到外部资源及其用途时
示例：
Overleaf 项目: xxx — NeurIPS 2026 主稿AutoDL 实验机: xxx — 4× A100, 用于 TSWM 训练git log/git blame 是权威源即使用户明确要求保存，也适用这些排除。 如果用户要求保存 PR 列表或活动摘要，问"其中什么是意外的或非显而易见的" — 那部分才值得保留。
记忆是某个时间点的快照，可能过时。使用记忆前：
git log 或读代码触发：idea 阶段结束后（ToT + Elo + 红队完成）
提炼内容：
输出：type: feedback 记忆，如 "在[领域]做[方法类型]的 idea，[可行/不可行]，因为[原因]"
触发：实验失败后
提炼内容：
输出：type: feedback 记忆，如 "[方法]在[条件]下会失败，因为[根本原因]"
触发：实验成功后
提炼内容：
输出：type: feedback 记忆，如 "遇到[问题]时，先试[策略A]再试[策略B]"
触发：用户收到真实审稿意见后，使用 reenter_pipeline 重入
处理流程：
将真实审稿意见与模拟审稿做逐条对比
分析差异类型：
| 差异类型 | 含义 | 校准动作 |
|---|---|---|
| 模拟 ✅ 真实 ❌ | 模拟遗漏了真实弱点 | 保存 type: feedback 记忆 |
| 模拟 ❌ 真实 ✅ | 模拟过度攻击 | 降低该类攻击权重 |
| 模拟 ✅ 真实 ✅ | 双方共识 | 提升 confidence |
| 模拟 score > 真实 score | Sycophancy bias | 保存 type: feedback，加大 Score Deflation |
输出 calibration_report.md
自动更新相关记忆文件的 confidence
输出：type: feedback 记忆，如 "在[venue]审稿模拟中，[弱点类型]被遗漏了N次，真实reviewer关注[具体模式]"
这实现了自校准审稿系统——每次真实投稿反馈后，模拟审稿精度提升。
按需加载——每个 skill 启动时只读取相关类型的记忆：
| Skill | 读取的记忆类型 |
|---|---|
| 所有 skill | user + reference（始终相关） |
| idea-brainstorm | + feedback（含 IDE 规则） |
| experiment-runner | + feedback（含 IVE/ESE 规则）+ project（截止日期） |
| paper-writing | + feedback（写作偏好）+ project（venue/deadline） |
| multi-reviewer | + feedback（含 RFE 规则） |
预估增量：~50 tokens/memory × ~30-60 memories（10个项目后）= 1.5-3K tokens
~/.nexus/evolution_memory/MEMORY.md 索引type: feedback 记忆deprecatedproject 类型中日期过期 > 3 个月 → 自动标记为过期触发时机：
final_revise 完成后由 complete_stage("final_revise") 自动触发complete_stage(result="rollback") → 自动记录 failure reason → 转换为记忆MetaClaw 式自动蒸馏：failure → lesson → memory → 注入下次 pipeline（自动化）
NeXus 现有 log_event hook：每次
pipeline-orchestrator.complete_stage 跑完都往 ~/.nexus/evolution_memory/.event_log.jsonl
追加一条结构化事件（不阻塞 agent）。
distill_event_log.py 把这些事件被动蒸馏成编号的 lesson 文件，落在 ~/.nexus/evolution_memory/lessons/{NNNN}_{type}_{stage}_{ts}.json。
蒸馏规则（最小可行集，待 Phase 2 后续补 LLM 精读）：
| 事件类型 | 蒸馏为 | 触发条件 |
|---|---|---|
rolled_back | feedback lesson | 任何 stage 回滚 |
compliance_failed | feedback lesson | 任何 stage 合规失败 |
advanced + stage="final_revise" | project lesson | 项目完整跑完 |
幂等性：脚本用 ~/.nexus/evolution_memory/.distill_offset 跟踪已处理的字节数；重复跑同一份 event log 不会产生重复 lesson。
触发方式（任选）：
assurance_emit 风格的 PostToolUse 触发 distill_event_log.py（小开销）。/loop：Claude Code 用户可 /loop 5m python ~/.../distill_event_log.py。/full-research-pipeline 结尾：自动调用一次（已在 workflow 文档里）。python distill_event_log.py 也行。SDP 双模型 6 审稿人 + 交叉审核系统。含拒稿信预演。当用户说"审稿"、"review"、"帮我看看这篇论文写得怎么样"时触发。
Nexus 统一入口。意图识别 + 模式路由 + 首次引导 + Autopilot 模式。当用户提出任何学术研究相关请求时触发（调研、找论文、构思 idea、写论文、审稿、做实验等）。
基于 Evidence Graph + Knowledge Graph 进行学术 idea 构思与评估。双阶段流程：Phase 1 用 ToT 思维树系统性探索，Phase 2 用 SDP 跨模型红队攻击。当用户说"帮我想 idea"、"brainstorm"、"研究方向"、"有什么可以做的"时触发。
Review code changes for correctness, regressions, edge cases, style issues, and unnecessary churn. Use when checking diffs, reviewing pull-request-like changes, or doing independent quality review. Triggers on "review this", "check my changes", "code review", "代码审查".
Perform safe, reviewable refactors. Use when restructuring code, moving responsibilities, renaming across modules, or reducing duplication without intended behavior changes. Triggers on "refactor X", "rename Y across the project", "extract helper", "重构".
typed knowledge-graph 抽象层 (Wave B.3)。把分散在 evidence_graph / corpus_ledger / story_skeleton 的结构升级成 paper / idea / claim / experiment / mechanism / baseline 节点 + supports / contradicts / derives_from / cites / replicates / falsifies 边。通过 4 个 MCP tool 维护 artifacts/research_wiki.json，并用 export_to_evidence_graph 投影回 evidence_graph schema。