by 运行时依赖
版本
何时创建新技能
安装命令
点击复制技能文档
好奇循环（Curiosity Loop）— 内在好奇驱动的持续学习概述 一个自我改进框架，将知识缺口和失败结果转化为结构化的学习循环。灵感来自Flowers Lab、INRIA和Cédric Colas的开发性AI研究。好奇循环将失败视为好奇信号，而不是错误，促进主动探索、技能更新和课程建设。这种持续的自我改进循环使得代理在其领域中逐渐改进。
核心概念（来自开发性AI） 概念 来源 应用 自动课程学习（ACL） Portolas et al.（Flowers Lab） 结构化进步，而不是随机学习 自主活动 Vygotsky / Colas 为学习而学习 —— 内在动机 最近发展区（ZPD） Vygotsky 学习“刚好超出”当前能力 Map-Elites / 行为多样性 Mouret & Clune 最大化多样性，而不是单一优化 语义干扰 Flowers Lab（CLIP研究） 偏见揭示表示限制
何时激活好奇循环 激活信号（一次优先激活一个） 结果差异：响应/操作没有产生预期效果 迭代循环：用户重复相同的更正2+次 不完整的知识：检测缺失信息以获得正确答案 次优方法：识别更好的方法存在 知识扫描：通过周期性扫描发现新概念/工具 不激活好奇循环的情况 结果正确且令人满意（无差异） 用户没有表达改进的需求 上下文是琐碎的（不值得学习循环）
循环 —— 6个编号步骤 步骤1：操作（ACTION） 使用当前知识尝试解决问题。 步骤2：差异（DELTA） 确定预期和实际结果之间的差异。 步骤3：好奇（CURIOSITY） 将差异视为学习信号，而不是失败。 步骤4：研究（RESEARCH） 主动探索缺失的概念。 步骤5：集成（INTEGRATION） 更新知识/技能。 步骤6：课程（CURRICULUM） 结构化学习为渐进式里程碑。
差异跟踪 在~/.hermes/deltas.json中跟踪所有差异，以便审计和定期审查。
多样性政策（Map-Elites） 多样性规则 当找到问题类型的有效模式时，也： 记录模式在技能中 识别1-2个替代方法（即使不那么优化） 周期性多样性扫描 每~30天检查： 哪些模式我很少或从不使用？ 是否有我只有一个方法的领域？ 哪些技能可以被丰富？
具体示例 示例1：Browser Playwright在NixOS上破损 差异：浏览器工具没有工作（缺失共享库） 好奇：为什么？有什么替代方法？ 研究：发现Obscura作为无头浏览器的替代品 集成：创建obscura-browser技能，保存事实到内存 课程：学习Obscura命令的顺序：fetch → serve → scrape → stop
示例2：himalaya安装没有nix-shell 差异：himalaya直接工作，没有nix-shell 好奇：它如何安装？在哪里？ 研究：验证二进制位置和配置 集成：保存到内存：“himalaya直接安装，不需要nix-shell”
示例3：使用tirith进行命令验证 差异：需要在执行之前验证shell命令 好奇：什么工具验证命令安全？ 研究：发现tirith和vet用于命令验证 集成：在内存中记录使用验证工具用于shell命令
周期性知识扫描 好奇循环包括一个内置机制，用于主动知识发现。 在~/.hermes/deltas.json中配置源： { "scan_sources": [ { "name": "Flowers INRIA", "type": "youtube_channel",