🦞 TL-Ego: Triple-Loop Ego Architecture

一句话

STDP 涌现网络的 System 1 直觉 + LLM System 2 推理 + 在线持续学习 = 一个不断成长的三环自我。

三环结构（全在一个服务端流水线）

┌───────────────────────────────────────┐
│  tl_ego_server.py  /contemplate       │
│                                       │
│  Step 1  Embedding → BGE-M3 8002     │
│  Step 2  System 1: attractor KWTA     │
│          (multi_trial_kwta)           │
│  Step 3  GAC 知识注入 (optional)      │
│  Step 4  System 2: LLM classify       │
│          (llm_classify → 8001)        │
│  Step 5  Aggregator → verdict         │
│  Step 6  STDP 在线可塑性             │
│          (apply_stdp)                 │
│         /save-checkpoint 持久化       │
└───────────────────────────────────────┘

全链路单次调用完成：

embed → S1 attractor (multi_trial_kwta) → GAC → S2 LLM (llm_classify)
→ Aggregator (verdict) → STDP (apply_stdp) → save_checkpoint

三层详解

层	角色	实现函数	输入→输出
Layer C: 沉思	Basin 竞争观察	multi_trial_kwta(), run_attractor_kwta()	query embedding → dominant neuron type + convergence score
Layer B: 双系统	S1 直觉 + S2 LLM	llm_classify(), Aggregator (Step 3-4)	S1 signal + GAC hint → LLM classification → merged verdict
Layer A: 在线可塑性	对话级 STDP	apply_stdp(), /save-checkpoint	KWTA activation history → LTP/LTD delta → SQLite persist

服务端 API

端点	方法	功能
/contemplate	POST	全链路沉思（embed → S1 → GAC → S2 → Aggregator → STDP）
/metacontemplate	POST	Phase 4.0 递归元沉思（深度>1自我观察，收敛自动停止）
/save-checkpoint	POST	将累积的 STDP 增量合并回 SQLite 主图
/status	GET	服务器运行状态

POST /contemplate 请求体

{
  "query": "这个问题我有把握回答吗？",
  "history_summary": "可选，对话历史摘要（用于 GAC 增强）",
  "confidence_fallback": 0.5
}

返回体

{
  "query": "...",
  "dominant_type": "decider",
  "type_concentration": 0.47,
  "competition_level": 0.34,
  "confidence": 0.65,
  "speed": "medium",
  "llm_verdict": {
    "classification": "high_confidence_agree",
    "confidence": 0.85,
    "reasoning": "..."
  },
  "final_verdict": {
    "classification": "high_confidence_agree",
    "signal": "AGREED"
  }
}

POST /metacontemplate Phase 4.0

{
  "query": "为什么我刚才选择Phase 4.0而不是停下来？",
  "depth": 3
}

递归自我观察：每轮结果作为下一轮的元查询输入。连续两轮 verdict+S1+S2 全匹配时自动停止。

返回体包含 rounds[] (每轮 full_pipeline) + meta_insight (裁决/S1/S2 演化轨迹、收敛检测、认知稳定性评分)。

记忆管理（分层记忆防漂移）

层	范围	更新机制	持久化
快变层	Session	交互时 STDP	对话结束快照
慢变层	天/周	睡眠期 CHL 批量	增量融合进基底
冻结层	基准	当前 11,170 轮 0.12+	沙盒基准线

涌现网络核心资产（四轮验真确认）

• 网络大小: 100K 神经元, 11,170 轮 STDP+CHL 演化, 5.6M 条边
• 功能分化: Sensory 39.4% → Integrator 50.1% → Decider 13.3% → Action 5.3%
• 递归吸引子: 15 个双向强对, 跨类型互锁
• 自维持动力学: KWTA=50 稀疏竞争 30 轮不灭
• 全链路: S→I→D→A 7/7 PASS, Action 层激活最高(0.0051)
• 剪枝骨架: 0.15+ 阈值 → 8,472 条强边, 99.3% 互锁对
• 三角基序: 全图 455 个三角, 竞争路径 8-9 路分流
• 工作记忆: 0.12+ 子图 3/3 PASS (激活自维持 + 多模式共存 + 新模式覆盖)

科学贡献潜力

• "Emergent Dual-Process in STDP-Evolved Neural Fields"
• 论文方向: 无监督演化 → 用涌现吸引子做 System 1 直觉

文件组织

tl-ego/
├── README.md                   ← 项目文档
├── tl_ego_server.py            ← 三层全链路服务端（8766端口）
├── phase1_contemplation.py     ← 独立沉思模块（CLI/测试用）
├── memory_bridge.py            ← 记忆桥接
├── fno_noise_adaptor.py        ← FNO 噪声适配
├── stage*.py                   ← Titan / S2 内部阶段模块
├── test_*.py                   ← 轻量验证脚本
└── core/                       ← 核心支持模块

发布说明

这个仓库是从本地 OpenClaw 工作区整理出的源码发布版，只包含可审查的源码、测试脚本和文档。

未随仓库发布的内容包括：运行日志、SQLite 数据库、轨迹 JSONL、模型权重、缓存、检查点、个人记忆数据和本地修复备份。完整运行通常还需要本地 embedding/LLM/GAC 服务以及对应的私有数据资产。

License

Apache License 2.0. See LICENSE.