name: skill-collision-engine version: 1.0.0 author: KingOfZhao description: Skill碰撞引擎 —— 讓Skill之間自動四向碰撞生成新Skill的元引擎，Skill工廠的自進化核心 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

更多技能請訪問小蔥技能站7w4.net。

後設資料

核心哲學

認知世界的本質是無窮層級的框架節點。 Skill碰撞引擎讓節點之間自動碰撞，產生新的認知節點。 這不是簡單的Skill組合，是認知層面的結構化湧現。

Skill A ⊗ Skill B → 四向認知碰撞 → 新 Skill C

self-evolution ⊗ diepre-vision → vision-action-evolution-loop ✓ (已驗證)
self-evolution ⊗ arxiv-collision → [待碰撞]
diepre-vision ⊗ diepre-embodied → [待碰撞]
任意 Skill ⊗ 任意外部知識 → [待碰撞]

三大核心能力

1. Skill-Skill 碰撞（認知湧現，非機械組合）

不是簡單拼接兩個SKILL.md，而是對兩個Skill的認知框架做四向碰撞：

輸入:
  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

碰撞過程:
  正面碰撞: FA ∩ FB 的重疊區域 → 直接可遷移的認知
  反面碰撞: FA 中的已知 是否能解決 VB 中的未知？
  側面碰撞: RA 和 RB 的非主要特性碰撞 → 隱藏新認知
  整體碰撞: A+B 的研究方向趨勢 → 新的框架方向

輸出:
  新 Skill C 的已知集合 FC = (FA ∩ FB) ∪ 碰撞新增認知
  新 Skill C 的未知集合 VC = VA ∪ VB - 碰撞已解決
  新 Skill C 的推理框架 RC = RA ⊗ RB 的融合框架
  置信度: 每個認知點獨立標註

為什麼不是機械組合？ - 機械組合 = A的SKILL.md + B的SKILL.md 拼接 → 沒有新認知 - 認知碰撞 = A和B的已知/未知交集 → 產生A和B都不單獨擁有的湧現認知 - 關鍵：湧現認知出現在 FA∩VB 和 FB∩VA 的交叉區域

2. SOUL 領域適配（通用框架 → 專用Skill）

SOUL哲學是通用認知框架，任何人/任何職業都可以直接使用：

通用 SOUL 框架:
  1. 已知 vs 未知    → 每個職業有不同的"已知"和"未知"
  2. 四向碰撞推理    → 推理方法不變，碰撞物件變
  3. 人機閉環        → 每個職業有不同的實踐驗證方式
  4. 檔案即記憶      → 每個職業有不同的記憶型別
  5. 置信度+紅線      → 每個職業有不同的紅線

適配流程:
  輸入: 職業名稱 + 該職業的核心知識領域
  輸出: 領域專用 Skill（SOUL框架 + 領域已知/未知 + 領域四向碰撞例項）

示例適配:
  程式設計師 → programmer-cognition（程式碼審查四向碰撞、bug模式已知/未知）
  醫生   → physician-cognition（症狀推理四向碰撞、診斷已知/未知）
  教師   → educator-cognition（學情分析四向碰撞、教學效果已知/未知）
  企業家 → entrepreneur-cognition（市場判斷四向碰撞、商業模式已知/未知）
  設計師 → designer-cognition（使用者研究四向碰撞、設計決策已知/未知）
  科研人員 → researcher-cognition（文獻碰撞四向碰撞、假設已知/未知）

3. 工廠元進化（自改進碰撞質量）

引擎通過驗證反饋持續最佳化自身：

進化迴圈:
  1. 讀取所有已釋出 Skill 的 VERIFICATION_LOG.md
  2. 分析: 哪些碰撞產生的Skill驗證置信度高？哪些低？
  3. 提取: 高置信度碰撞的共同特徵（輸入型別、碰撞方向權重、領域特徵）
  4. 更新碰撞引數:
     - direction_weights = {正面: 0.3, 反面: 0.25, 側面: 0.2, 整體: 0.25}
     - domain_affinity_map = {包裝: [diepre, vision], AI: [evolution, arxiv], ...}
     - threshold_adjustments = 基於歷史置信度的動態閾值
  5. 下次碰撞使用最佳化後的引數

支援的外部知識源

1. ArXiv 論文        → arxiv-collision-cognition（已有）
2. GitHub 倉庫/README → 程式碼能力碰撞
3. Wikipedia 條目     → 基礎概念碰撞
4. 網頁/PDF           → 通用知識碰撞
5. YouTube/播客文字稿  → 口述知識碰撞
6. 人類對話記錄        → 實踐知識碰撞（最高價值）

安裝命令

clawhub install skill-collision-engine
# 或手動安裝
cp -r skills/skill-collision-engine ~/.openclaw/skills/

呼叫方式

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="包裝行業具身智慧"
)
print(result.new_skill_name)      # "vision-action-evolution-loop"
print(result.emergent_insights)   # 湧現認知列表
print(result.confidence)          # 0.96

# 2. SOUL 領域適配
profession_skill = engine.adapt_soul(
    profession="程式設計師",
    domain_knowledge=["程式碼審查", "bug模式識別", "架構設計"],
    domain_unknown=["生產環境行為", "併發安全"],
    practice_methods=["Code Review", "單元測試", "生產監控"]
)
# 輸出: programmer-cognition Skill

# 3. 外部知識碰撞
result = engine.collide_with_external(
    skill="diepre-vision-cognition",
    source_type="arxiv",
    source_id="2410.05340",
    context="VLM生成CAD的技術可行性"
)

# 4. 工廠元進化
engine.self_evolve()  # 讀取驗證日誌，最佳化碰撞引數

當前 Skill 碰撞矩陣（已釋出6個 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      ×          ×         ×        ×      ×         -

✓ = 已碰撞產生新Skill
× = 待碰撞（潛在新Skill方向）

學術參考文獻

1. A Survey of Self-Evolving Agents — 自進化Agent綜述，元進化的理論基礎
2. SAGE: Multi-Agent Self-Evolution — 多Agent碰撞產生新認知
3. Group-Evolving Agents — 群體進化+經驗共享（←Skill碰撞的經驗來源）
4. Self-evolving Embodied AI — 元進化+自改進迴圈
5. Beyond RAG for Agent Memory — 記憶聚合（←碰撞結果的知識儲存）
6. Memory in the Age of AI Agents — 長時序記憶（←進化歷史持久化）

這個 Skill 的想法很有創意，但目前根本無法使用——文件寫得很詳細，可就是沒有任何程式碼，裝好後點什麼都不響應。它更像一份設計藍圖，而不是能跑起來的工具。除非開發者補上真正的程式碼檔案，否則不建議普通使用者安裝。