WorkBuddy 智能学习系统 (Smart Learning System)

概述

WorkBuddy 的自我进化引擎，基于「感知-学习-行动」SEA 循环实现持续优化。整合六大模块，形成完整的反馈闭环。

系统架构

反馈收集 ←→ 隐式信号 ←→ 任务画像
     ↓              ↓           ↓
  知识蒸馏 ←→ 自适应阈值 ←→ 模式识别
                  ↓
            实时警报（触发→固化）
                  ↓
            模板执行（命中→执行→对比）

模块说明

| 模块 | 文件 | 核心功能 |

|------|------|---------|

| 反馈收集 | feedback.py | 显式反馈（👍/👎/✏️）+ 自动归类 |

| 隐式信号 | signal_collector.py | 5类行为信号无感采集 |

| 任务画像 | task_profiler.py | 执行轨迹追踪 + 复杂度分析 |

| 模式识别 | pattern_recognizer.py | 高频模式扫描 + 自适应警报 |

| 知识蒸馏 | knowledge_distiller.py | 自适应阈值 + 模板匹配 + 避坑规则 |

| 主入口 | learn.py | 整合六大模块，CLI 命令行 |

数据存储

.workbuddy/memory/
├── feedback/           # 反馈记录 (JSON)
├── signals/           # 隐式信号数据 (JSON)
├── task_profiles/     # 任务执行轨迹 (JSON)
├── patterns/          # 模式识别结果 + 阈值状态
│   └── threshold_state.json  # 自适应阈值状态
└── templates/         # 蒸馏模板 + 避坑规则
    └── failed_patterns/avoid_*.yaml

核心模块详解

1. 反馈收集 (feedback.py)

FeedbackCollector：

• record_feedback(task_id, rating, tags, note) - 记录单条反馈
• get_recent_feedback(days) - 获取近期反馈
• generate_feedback_prompt() - 生成反馈询问文本

反馈类型：good / bad / neutral

标签：用户自定义，如 文件整理、数据分析、报告生成

2. 隐式信号采集 (signal_collector.py)

SignalCollector - 5类信号无感采集：

| 信号 | 计算方式 | 学习意义 |

|------|---------|---------|

| 反馈填写率 | 有反馈任务/总任务 | 参与度代理 |

| 任务取消率 | 主动中断/总任务 | 方案不适配 |

| 平均任务时长 | 所有任务耗时均值 | 执行效率 |

| 工具成功率 | 成功调用/总调用 | 工具质量 |

| 重复修正率 | 重复执行/总任务 | 模式固化价值 |

健康评分（0-100）：基于5类信号综合计算

3. 任务画像 (task_profiler.py)

TaskProfile - 单任务轨迹：

• start_task(task_id, summary) - 开始
• use_template(template_id, name) - 标记使用模板
• record_tool_call(tool, success, duration) - 记录工具调用
• end_task(outcome, success) - 结束

TaskProfilerAnalyzer - 分析器：

• get_complexity_distribution(days) - 简单/中等/复杂 分布
• compare_template_vs_free(days) - 有模板 vs 自由执行 对比
• get_tool_usage_stats(days) - Top10 高频工具

4. 模式识别 + 警报 (pattern_recognizer.py)

评分公式：

score = (freq/max_freq) * 50 + (recency/max_recency) * 20 + stability * 30

≥60分 = 高价值模式，建议沉淀

自适应阈值引擎 (AdaptiveThresholds)：

• 基于历史警报准确率自动调节阈值
• 准确率 > 70% → 敏感模式（降阈值 15%）
• 准确率 < 40% → 保守模式（升阈值 30%）
• 状态持久化：threshold_state.json

三级警报：

| 等级 | 类型 | 条件 | 响应 |

|------|------|------|------|

| URGENT | 突发 | ≥ urgent阈值（默认75） | 立即通知 |

| TREND | 趋势 | 环比增长 > 150% 且 ≥ trend阈值 | 本周关注 |

| STABLE | 稳定 | 长期高频且 ≥ high阈值 | 建议模板化 |

5. 知识蒸馏 (knowledge_distiller.py)

自适应蒸馏阈值：

effective_threshold = base / feedback_rate

填写率高 → 低阈值（频繁蒸馏）；填写率低 → 高阈值（避免误触发）

模板匹配：

• match_template(user_request) - Jaccard 相似度关键词匹配
• generate_match_suggestion(user_request) - 生成推荐文本
• 置信度 ≥ 50% → 直接推荐；≥ 20% → 参考提示

避坑规则：

• 负面反馈 → avoid_*.yaml 避坑规则
• 自动推断应避免的操作 + 修复建议

命令行使用

cd .workbuddy/skills/workbuddy-smart-learning

python learn.py full        # 完整学习周期（6阶段综合报告）
python learn.py patterns     # 模式识别
python learn.py feedback    # 记录反馈
python learn.py distill     # 知识蒸馏
python learn.py signals     # 隐式信号报告
python learn.py alerts      # 实时警报检查
python learn.py profiler    # 任务画像分析
python learn.py match "关键词"  # 模板关键词匹配

full 命令输出结构

## 1. 反馈摘要     - 近7天反馈数、填写率
## 2. 模式识别     - 近30天高价值模式、Top3高频任务
## 3. 实时警报     - URGENT/TREND/STABLE 三级警报
## 4. 知识蒸馏     - 自适应阈值状态、自动蒸馏触发结果
## 5. 模板对比     - 有模板 vs 自由执行 成功率/耗时对比

与主对话流程集成

任务完成后 → 反馈询问

反馈：[👍/👎/✏️]
标签：任务类型（可选）
备注：改进建议（可选）

调用 python learn.py feedback 记录

新会话启动时 → 模式检查

检测到涉及历史上下文时：

1. 读取 MEMORY.md + 近期每日记忆
2. 检查 ≥60分的高频模式
3. 主动提示用户是否需要优化

警报处理 → 阈值学习

• 用户确认警报有效 → record_alert_confirmed(task)
• 用户判定为误报 → record_alert_rejected(task)

阈值配置

| 参数 | 默认值 | 说明 |

|------|--------|------|

| 模式评分阈值 | 60 | ≥60分触发沉淀建议 |

| 蒸馏基础阈值 | 5 | 正面反馈达到此数触发蒸馏 |

| 警报-突发 | 75 | 立即通知 |

| 警报-关注 | 70 | 本周关注 |

| 警报-趋势 | 60 | 周报标记 |

| 趋势增幅 | 150% | 环比超过此值触发趋势警报 |

版本历史

• 2026-04-14：基础版 - 反馈收集 + 模式识别 + 知识蒸馏
• 2026-04-17 v1：第一轮 - 隐式信号 + 自动蒸馏触发 + 实时警报
• 2026-04-17 v2：第二轮 - 任务画像 + 模板匹配 + 自适应阈值引擎