ECC Continuous Learning：从工具调用轨迹到本能沉淀的持续学习闭环（homunculus 观察式本能提取）¶

Ch06.032 ECC Continuous Learning：从工具调用轨迹到本能沉淀的持续学习闭环（homunculus 观察式本能提取）¶

📊 Level ⭐⭐ | 6.6KB | entities/ecc-continuous-learning-homunculus-observation-instinct-aliexpress-2026.md

ECC Continuous Learning：从工具调用轨迹到本能沉淀的持续学习闭环¶

一句话总结¶

ECC（Everything Claude Code）的 continuous-learning 模块实现了「homunculus 观察式本能提取」：后台用 Hook 静默采集 Agent 每次工具调用的真实轨迹，从执行流中自动识别「用户纠正 / 错误修复 / 重复工作流 / 工具偏好」四类反复出现的行为模式，沉淀成带触发条件 + 置信度 + 作用域的「本能」文件，再通过聚类进化（evolve）与跨项目提升（promote）注入上下文，让 Agent 在不改模型权重、不写手写规则的前提下，仅靠上下文层闭环长出属于自己的「肌肉记忆」。

为什么它是独立维度（与既有自演化/技能进化机制的区别）¶

与已有的技能自演化机制相比，homunculus 的核心差异化在于学习信号的来源与粒度： - 既有机制（如 SkillOpt 的文档可训练、skill-self-evolution 的训练式进化）多在模型/技能文档层面优化，需要预先定义训练目标或验证集。 - homunculus 则在执行轨迹层面做无监督观察——只关心「Agent 实际做了什么」，不要求用户预先声明偏好，从零散的 tool_start/tool_complete 事件流里归纳模式，产出的不是参数或文档，而是带触发条件和置信度的可注入本能。

这一「观察执行轨迹 → 提炼本能 → 注入上下文」的闭环，在全库已有实体中零覆盖，构成不可替代的新维度。

核心机制¶

四段闭环¶

1. 项目初始化：Hook 配置（PreToolUse/PostToolUse 全工具匹配）+ 项目身份识别（按项目隔离数据）+ 进程守护（懒启动 + 30 分钟空闲自动回收）
2. 行为采集：行为采集器把工具调用变成结构化观察记录（含敏感信息 [REDACTED]），追加写 observations.jsonl，攒够量发 SIGUSR1 信号
3. 模式识别：两种唤醒（信号 + 定时）+ 多层门禁（ANALYZING 锁 / 60s 冷却 / guardian 三层门禁）+ 四类待识别模式 + 非交互式 LLM 子进程（采样 500 条，递归熔断）
4. 本能积累与管理：本能文件落盘 + instinct-cli 生命周期（status/import/export/evolve/promote/projects）

四类待识别模式¶

本能文件的工程化设计¶

• 置信度：按频次定初值（3-5 次=0.5 / 6-10 次=0.7 / 11+ 次=0.85），随时间 -0.02 每周衰减
• 作用域：project vs global，拿不准默认 project 避免污染全局
• 触发条件 trigger：本身就是「适用场景」的自然语言描述，可直接向量化做按需检索注入

上游发现 + 下游固化的分工¶

持续学习在上游负责发现（从行为数据捞无意识经验），记忆系统在下游负责固化与加载（借 Agent 原生静态记忆/自动记忆机制把验证过的本能注入上下文），形成「观察 → 提炼 → 沉淀 → 注入 → 产生新行为 → 再观察」的全自动闭环。这一「发现-固化」分工视角是对 Agent 记忆系统架构的补充。

应用¶

• 沉淀个人隐形工作习惯：固化无意识的探索顺序、试错路径与工具偏好
• 上下文成本优化：量化「哪些弯路最烧 token」，把最贵的弯路固化成本能后测算 token 消耗与步数下降
• 业务规则浮现：从反复调用序列提炼业务约束
• good case 评测基线：高置信本能成功轨迹作 good case、反之 bad case，构建回归评测基线

相关概念¶

• Skill 工程原则
• 技能自演化三种路径
• Memento 自演化 Agent
• SkillOpt 技能文档训练
• 原文存档

→ 原文存档