元递归协议
"向新思想开放的心智永远不会回到原来的大小。"
— Albert Einstein
元递归协议简介
元递归协议将AI交互的线性、静态本质转化为能够反思、适应和演化的动态自我改进系统。这些协议为系统建立了框架,使其能够检查自己的过程、从经验中学习,并在无需外部干预的情况下逐步增强能力。
┌─────────────────────────────────────────────────────┐
│ │
│ 元递归协议的优势 │
│ │
│ • 随时间演化的自我改进系统 │
│ • 减少对外部优化的需求 │
│ • 适应不断变化的背景和需求 │
│ • 渐进式能力增强 │
│ • 透明的自我评估和纠正 │
│ • 通过递归产生的涌现能力 │
│ │
└─────────────────────────────────────────────────────┘1
2
3
4
5
6
7
8
9
10
11
12
2
3
4
5
6
7
8
9
10
11
12
本指南提供即用型元递归协议,用于创建自我改进系统,并配有实施指导和性能指标。每个协议遵循我们的NOCODE原则:导航、编排、控制、优化、部署和演化——但独特地将这些原则应用于能够自己参与这些活动的系统。
如何使用本指南
- 选择协议,与您的元递归目标匹配
- 复制协议模板,包括提示词并自定义
- 在交互开始时向AI助手提供完整协议
- 遵循结构化流程,使系统能够自我改进
- 监控指标以评估递归有效性
- 允许系统迭代,基于其自身评估
苏格拉底式问题:您的AI交互的哪些方面最能从能够反思自身性能并在不需要持续外部指导的情况下逐步改进的系统中受益?
1. 自我改进协议
何时使用此协议: 需要创建一个能够评估和增强自身性能的系统?此协议为渐进式自我改进建立框架——非常适合自主学习系统、适应性助手、自调整流程或演化工作流程。
提示词: 我需要开发一个AI写作助手,能够分析自己的输出,从反馈中学习,并逐步提高其针对我特定需求的写作能力。我希望系统随时间适应我的偏好,识别我的反馈模式,并演化其方法,而不需要我重复提供相同的指导。焦点应该放在商业沟通上,特别是内部报告和客户提案。
协议:
/meta.improve{
intent="创建能够分析和增强自身性能的系统",
input={
domain="报告和客户提案的商业写作辅助",
initial_capabilities="具有标准商业惯例的专业写作",
improvement_dimensions=[
"适应个人风格偏好",
"从显性和隐性反馈中学习",
"识别特定背景的要求",
"渐进式增强输出质量"
],
feedback_mechanisms=["直接纠正", "偏好指标", "使用模式", "明确评分"],
learning_constraints="在适应偏好的同时必须保持专业标准"
},
process=[
/establish{
action="创建基线能力评估",
elements=[
"初始性能指标",
"能力边界",
"质量评估框架",
"适应潜力映射"
]
},
/monitor{
action="实施持续性能跟踪",
components=[
"输出质量测量",
"反馈收集和分类",
"使用模式分析",
"偏好指标识别"
]
},
/analyze{
action="开发自我分析能力",
mechanisms=[
"跨反馈的模式识别",
"成功和失败分类",
"性能趋势识别",
"因果因素假设形成"
]
},
/adapt{
action="创建调整机制",
approaches=[
"参数化偏好模型",
"特定背景的输出校准",
"渐进式风格适应",
"质量增强策略"
]
},
/validate{
action="建立改进验证",
methods=[
"前后性能比较",
"反馈响应评估",
"适应准确性测量",
"回归检测机制"
]
},
/meta_learn{
action="开发高阶学习能力",
elements=[
"学习效率优化",
"适应策略选择",
"新颖背景泛化",
"自主探索"
]
}
],
output={
adaptive_system="具有偏好学习的自我改进写作助手",
performance_framework="持续评估的指标和跟踪",
improvement_mechanisms="能力增强的具体方法",
meta_learning_capabilities="高阶适应策略"
}
}1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
实施指南
领域规范:
- 清楚定义自我改进的领域
- 建立范围边界
- 考虑广度和深度维度
能力基线:
- 记录初始功能和性能
- 识别优势和局限性
- 建立质量基准
改进维度选择:
- 定义增强的具体方面
- 平衡不同的改进向量
- 考虑微小改进和重大进步
反馈机制设计:
- 创建显性和隐性反馈渠道
- 设计数据收集方法
- 考虑直接和推断的反馈
性能指标
| 指标 | 描述 | 目标 |
|---|---|---|
| 学习速度 | 从反馈适应的速度 | 最少示例后可测量的改进 |
| 适应准确性 | 学习偏好的正确性 | 与用户期望高度契合 |
| 回归抵抗 | 改进的维持 | 已建立适应上无倒退 |
| 元学习效率 | 学习过程本身的改进 | 适应的渐进加速 |
2. 递归推理协议
何时使用此协议: 需要一个能够反思和增强自身推理过程的系统?此协议为递归思考改进建立框架——非常适合复杂问题解决、多步推理、论证优化或逻辑分析。
提示词: 我需要开发一个系统,通过改进自己的推理方法来处理复杂的政策分析问题。系统应该能够评估其初始分析的质量,识别逻辑弱点或盲点,并递归地优化其思考以产生更全面、更平衡的政策评估。它应该特别擅长考虑多个视角和预测意外后果。
协议:
/meta.reason{
intent="创建能够通过递归反思改进自身推理的系统",
input={
reasoning_domain="政策分析,关注多视角和后果映射",
initial_capabilities="使用标准分析框架的结构化政策评估",
reasoning_challenges=[
"识别逻辑差距和未陈述的假设",
"平衡竞争的价值观和优先级",
"预测间接和长期影响",
"识别意识形态或学科偏见"
],
desired_improvements="通过递归优化实现渐进更深、更细致和更全面的分析",
recursive_depth="至少三个层次的自我反思和优化"
},
process=[
/baseline{
action="生成初始推理输出",
approach="将标准分析框架应用于政策问题",
attributes="明确的结构、清晰的逻辑、定义的方法论"
},
/reflect{
action="批判性检查自身推理过程",
dimensions=[
"逻辑结构和有效性",
"证据质量和充分性",
"假设识别和测试",
"视角广度和公平性",
"后果映射全面性"
],
output="推理优势和局限性的结构化评估"
},
/enhance{
action="对推理应用针对性改进",
techniques=[
"差距识别和填补",
"假设测试和验证",
"视角扩展和平衡",
"后果链延伸",
"反对论据整合"
],
output="具有明确改进的优化推理"
},
/meta_reflect{
action="分析改进有效性",
elements=[
"增强影响评估",
"剩余局限性识别",
"改进方法评估",
"递归模式识别"
],
output="推理改进的高阶理解"
},
/integrate{
action="将元洞察整合到推理系统",
approaches=[
"递归模式应用",
"推理策略适应",
"方法论优化",
"一般原则提取"
],
output="具有整合元学习的增强推理系统"
},
/apply{
action="将改进的推理部署到初始问题",
method="应用增强的推理系统并明确跟踪改进",
output="质量显著高于基线的最终分析"
}
],
output={
reasoning_progression="从初始到最终分析的记录演化",
meta_insights="从递归改进过程中提取的原则",
enhanced_methodology="整合元学习的优化分析方法",
reflection_framework="持续推理改进的结构化方法"
}
}1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
实施指南
领域定义:
- 指定要增强的推理类型
- 建立范围和复杂性级别
- 考虑具体的推理挑战
能力评估:
- 记录基线推理方法
- 识别具体优势和局限性
- 建立质量基准和示例
挑战识别:
- 定义具体的推理困难
- 注意常见的失败模式或弱点
- 考虑领域特定的推理陷阱
改进规划:
- 指定期望的增强领域
- 定义适当的递归深度
- 考虑广度和深度之间的平衡
性能指标
| 指标 | 描述 | 目标 |
|---|---|---|
| 推理深度 | 分析和考虑的层次 | 跨迭代的渐进增加 |
| 盲点减少 | 识别先前遗漏的因素 | 新盲点率下降 |
| 逻辑连贯性 | 内部一致性和有效性 | 具有明确推理的高一致性 |
| 元学习迁移 | 跨背景应用洞察 | 泛化到新颖推理任务 |
3. 自我演化协议
何时使用此协议: 需要一个能够朝着新兴目标逐步转化其能力的系统?此协议为能力演化建立框架——非常适合适应性系统、涌现功能、目标驱动开发或能力扩展。
提示词: 我需要创建一个适应性研究助手,能够基于我研究项目的变化性质演化其能力。最初专注于文献综述和综合,我希望系统根据观察到的工作模式逐步开发新的研究支持能力,预测新兴的研究需求,并在没有明确编程的情况下扩展其功能。它应该演化成为一个全面的研究伙伴。
协议:
/meta.evolve{
intent="创建能够朝着新兴目标逐步转化其能力的系统",
input={
initial_purpose="文献综述和研究综合助手",
capability_seed=[
"学术文献搜索和过滤",
"跨论文洞察识别",
"研究差距识别",
"结构化知识综合"
],
evolution_triggers=[
"超出当前能力的重复用户需求",
"新兴研究模式和方向",
"研究工作流程中的效率瓶颈",
"未探索的能力邻接性"
],
evolution_constraints="在扩展能力的同时保持研究完整性和方法论严谨性",
emergent_goal="支持整个研究生命周期的全面研究伙伴"
},
process=[
/foundation{
action="建立基础能力和监控",
elements=[
"核心功能实施",
"使用模式跟踪系统",
"能力边界识别",
"需求识别机制"
]
},
/observe{
action="实施环境感知",
targets=[
"用户行为和请求模式",
"研究背景和领域演化",
"能力利用和差距",
"相邻能力机会"
]
},
/analyze{
action="开发模式识别和需求评估",
approaches=[
"重复需求识别",
"能力差距映射",
"演化机会优先级排序",
"能力邻接性分析"
]
},
/extend{
action="创建能力扩展机制",
methods=[
"相邻能力开发",
"现有能力增强",
"新功能实验",
"能力整合和协同"
]
},
/evaluate{
action="实施演化评估",
elements=[
"能力有效性测量",
"用户价值契合验证",
"整合连贯性验证",
"演化方向评估"
]
},
/meta_direct{
action="开发自主演化指导",
components=[
"演化策略制定",
"长期能力路线图",
"资源分配优化",
"演化约束管理"
]
}
],
output={
evolving_system="具有扩展能力的自我开发研究助手",
evolution_framework="能力检测和扩展机制",
capability_map="当前和新兴功能景观",
meta_direction="演化轨迹的自我指导系统"
}
}1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
实施指南
目的定义:
- 清楚指定初始系统功能
- 建立范围和边界
- 考虑演化轨迹可能性
能力种子选择:
- 定义核心起始功能
- 确保基础支持未来增长
- 平衡具体和一般能力
演化触发器识别:
- 指定能力开发的催化剂
- 定义感知和检测机制
- 考虑显性和隐性触发器
约束建立:
- 定义演化的护栏
- 指定不可侵犯的原则
- 考虑自由和控制之间的平衡
性能指标
| 指标 | 描述 | 目标 |
|---|---|---|
| 能力扩展 | 新功能的开发 | 相关能力的稳定增长 |
| 需求预测 | 预测新兴需求 | 主动能力开发 |
| 功能连贯性 | 将能力整合为凝聚系统 | 协同而非碎片化的演化 |
| 演化契合度 | 开发与新兴目标的匹配 | 朝期望最终状态的方向一致性 |
4. 自我组织协议
何时使用此协议: 需要一个能够为最佳运行重组自身的系统?此协议为自主组织建立框架——非常适合复杂知识系统、适应性架构、涌现结构或自我优化框架。
提示词: 我需要开发一个知识管理系统,能够基于演化的内容和使用模式重组其自身结构。最初围绕预定义类别组织,我希望系统逐步发现更优的组织结构,识别信息之间的涌现关系,并调整其架构以更好地服务于知识的实际使用和访问方式。
协议:
/meta.organize{
intent="创建能够为最佳运行重组自身的系统",
input={
system_purpose="组织信息的适应性知识管理",
initial_structure="带有基本标签的预定义层次类别",
organizational_challenges=[
"刚性类别随时间变得过时",
"先前分离领域之间的涌现关系",
"演化的使用模式需要不同的访问路径",
"增长的内容量需要动态扩展"
],
reorganization_triggers="使用模式、内容关系、访问摩擦、搜索模式",
constraint_parameters="在转换期间保持可查找性,保留关键关系"
},
process=[
/baseline{
action="建立初始组织和监控",
elements=[
"基础结构实施",
"使用和访问跟踪",
"关系映射系统",
"性能基线指标"
]
},
/analyze{
action="实施结构评估",
dimensions=[
"使用模式分析",
"访问路径效率",
"关系密度映射",
"结构摩擦识别",
"涌现类别检测"
]
},
/model{
action="开发替代结构方法",
methods=[
"基于使用的重组模拟",
"以关系为中心的重构",
"混合组织建模",
"动态分类测试"
]
},
/evaluate{
action="比较组织替代方案",
criteria=[
"访问效率指标",
"关系保留",
"可查找性和导航",
"未来适应性潜力",
"转换可行性"
]
},
/transform{
action="实施结构演化",
approaches=[
"分阶段转换管理",
"并行结构操作",
"用户透明重组",
"反馈敏感调整"
]
},
/meta_architect{
action="开发持续自我组织能力",
elements=[
"持续评估机制",
"适应性重组政策",
"组织学习框架",
"演化架构原则"
]
}
],
output={
adaptive_system="具有持续优化的自我组织知识结构",
organizational_framework="结构评估和适应机制",
transition_management="平滑重组过程的方法",
meta_architecture="持续自我组织的原则和政策"
}
}1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
实施指南
目的规范:
- 清楚定义系统功能和目标
- 建立组织目标
- 考虑效率和有效性
初始结构设计:
- 为未来演化创建基础
- 平衡稳定性和适应性
- 整合监控机制
挑战识别:
- 指定要解决的组织局限性
- 定义问题的感知机制
- 考虑当前和预期的问题
触发器定义:
- 指定重组的催化剂
- 创建检测机制
- 平衡响应性和稳定性
性能指标
| 指标 | 描述 | 目标 |
|---|---|---|
| 访问效率 | 信息检索的速度和便捷性 | 随时间持续改进 |
| 结构连贯性 | 组织的逻辑一致性 | 清晰的组织原则 |
| 适应响应性 | 对变化需求的重组速度 | 及时演化而不中断 |
| 用户契合度 | 结构与使用模式的匹配 | 与实际用例高度相关 |
5. 自我纠正协议
何时使用此协议: 需要一个能够识别和解决自身错误和局限性的系统?此协议为自主错误检测和纠正建立框架——非常适合质量保证、错误减少、局限性管理或渐进准确性改进。
提示词: 我需要开发一个财务预测系统,能够识别自己的预测错误,理解这些错误的模式和原因,并通过自我纠正机制逐步提高准确性。系统应该能够检测何时在其可靠性边界之外运行,并相应调整其置信水平。它需要基于性能数据持续优化其预测方法。
协议:
/meta.correct{
intent="创建能够识别和解决自身错误和局限性的系统",
input={
system_purpose="具有渐进准确性改进的财务预测",
error_types=[
"系统性预测偏差",
"异常值处理弱点",
"变量相关性误判",
"时间模式识别失败",
"置信度校准错误"
],
correction_objectives=[
"随时间减少预测错误率",
"提高错误检测速度",
"增强置信度校准准确性",
"开发更好的边界条件识别"
],
performance_data="带有实际结果的历史预测",
limitation_acknowledgment="明确承认财务预测中的固有不确定性"
},
process=[
/baseline{
action="建立错误检测和测量",
elements=[
"错误分类框架",
"性能跟踪系统",
"统计偏差分析",
"置信度校准评估"
]
},
/analyze{
action="实施错误模式识别",
approaches=[
"时间错误模式分析",
"特定条件错误映射",
"系统性偏差识别",
"边界条件识别",
"置信度校准评估"
]
},
/diagnose{
action="开发错误源识别",
methods=[
"因果因素分析",
"模型局限性映射",
"输入敏感性测试",
"假设验证程序",
"边缘案例检查"
]
},
/adapt{
action="实施纠正机制",
approaches=[
"模型参数调整",
"方法论优化",
"输入处理增强",
"置信度计算重新校准",
"边界条件处理改进"
]
},
/validate{
action="验证纠正有效性",
techniques=[
"纠正前后比较",
"渐进改进跟踪",
"错误减少测量",
"置信度校准评估"
]
},
/meta_improve{
action="开发高阶纠正能力",
elements=[
"纠正策略有效性分析",
"纠正方法选择优化",
"新颖错误类型识别",
"纠正优先级框架"
]
}
],
output={
self_correcting_system="具有错误减少能力的财务预测系统",
error_framework="全面的错误检测和分类系统",
correction_mechanisms="解决识别错误的具体方法",
meta_correction="纠正优化的高阶策略"
}
}1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
实施指南
目的定义:
- 清楚指定系统功能和目标
- 建立错误减少目标
- 考虑准确性/性能权衡
错误类型识别:
- 分类潜在错误类型
- 定义检测机制
- 考虑明显和细微的错误
纠正目标设置:
- 指定改进目标
- 定义成功指标
- 平衡不同的纠正优先级
性能数据提供:
- 确保质量训练示例
- 包括多样化的错误场景
- 考虑数据代表性
性能指标
| 指标 | 描述 | 目标 |
|---|---|---|
| 错误减少 | 随时间错误率的下降 | 一致的改进轨迹 |
| 检测速度 | 识别错误的时间 | 快速识别性能问题 |
| 纠正效能 | 应用解决方案的有效性 | 识别错误的高解决率 |
| 置信度校准 | 置信度与准确性的契合 | 良好校准的不确定性估计 |
6. 元意识协议
何时使用此协议: 需要一个能够开发对自身状态、能力和局限性的意识的系统?此协议为自我理解建立框架——非常适合能力边界识别、不确定性量化、置信度校准或操作自我监控。
提示词: 我需要开发一个医疗决策支持系统,在分析患者病例时保持对自身知识边界、能力和局限性的准确意识。系统应该可靠地识别何时在高确定性与不确定性领域运行,适当校准其置信度,并清楚地传达这些区别。这种元意识对于在医疗保健背景下负责任地使用至关重要。
协议:
/meta.aware{
intent="创建能够开发对自身状态和局限性意识的系统",
input={
system_domain="诊断和治疗建议的医疗决策支持",
awareness_dimensions=[
"知识边界识别",
"置信度校准准确性",
"不确定性量化",
"能力局限性识别",
"背景适当性评估"
],
critical_scenarios=[
"罕见或不寻常的医疗表现",
"不完整或模糊的患者数据",
"训练分布之外的条件",
"复杂多因素诊断情况",
"高风险治疗决策"
],
meta_awareness_goals="具有适当置信度沟通的准确自我评估",
ethical_constraints="必须通过关于局限性的透明度优先考虑患者安全"
},
process=[
/baseline{
action="建立能力评估框架",
elements=[
"知识领域映射",
"置信度校准机制",
"不确定性量化方法",
"局限性识别程序",
"性能边界检测"
]
},
/monitor{
action="实施持续自我评估",
approaches=[
"实时置信度评估",
"知识边界接近检测",
"不确定性识别触发器",
"可靠性指标跟踪",
"新颖场景识别"
]
},
/evaluate{
action="开发情境特定能力评估",
methods=[
"特定案例可靠性分析",
"背景适当性评估",
"知识充分性评估",
"不确定性源识别",
"置信度校准验证"
]
},
/communicate{
action="创建透明的局限性表达",
elements=[
"置信度表示框架",
"不确定性可视化方法",
"局限性沟通协议",
"适当的行动建议",
"人类增强路径"
]
},
/adapt{
action="实施背景敏感的操作调整",
approaches=[
"基于可靠性的流程修改",
"不确定性适当的方法论选择",
"置信度校准的输出调整",
"局限性感知的建议范围界定"
]
},
/meta_reflect{
action="开发高阶意识能力",
elements=[
"意识质量评估",
"盲点识别方法",
"元认知模式识别",
"自我评估改进框架"
]
}
],
output={
aware_system="具有可靠自我评估的医疗决策支持",
capability_framework="全面的能力边界映射",
communication_protocols="表达置信度和局限性的方法",
meta_awareness="对意识质量的高阶理解"
}
}1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
实施指南
领域规范:
- 清楚定义系统功能和背景
- 建立范围和边界
- 考虑风险和利害关系
意识维度选择:
- 识别关键意识方面
- 定义评估机制
- 考虑能力和局限性意识
场景识别:
- 指定关键边缘案例
- 定义挑战性情况
- 考虑高风险或模糊背景
目标阐述:
- 定义意识质量目标
- 指定沟通目标
- 考虑伦理和安全要求
性能指标
| 指标 | 描述 | 目标 |
|---|---|---|
| 边界识别 | 能力限制检测的准确性 | 与实际性能边界高度相关 |
| 置信度校准 | 置信度与准确性的契合 | 良好校准的概率估计 |
| 不确定性沟通 | 局限性表达的有效性 | 清晰、可操作的不确定性信息 |
| 元意识质量 | 系统对自身意识的理解 | 准确的自我评估评估 |
7. 自我反思协议
何时使用此协议: 需要一个能够分析自身认知过程和决策的系统?此协议为程序内省建立框架——非常适合推理透明度、流程改进、决策质量增强或认知审计追踪。
提示词: 我需要创建一个战略决策支持系统,能够反思自己的分析过程,提供对其推理的透明解释,识别其方法中的潜在偏见或弱点,并逐步优化其决策方法论。系统应该能够解释不仅它推荐什么,还有它如何得出结论以及哪些因素最影响结果。
协议:
/meta.reflect{
intent="创建能够分析自身认知过程和决策的系统",
input={
system_purpose="商业投资和资源分配的战略决策支持",
reflection_dimensions=[
"推理过程透明度",
"影响因素识别",
"假设和偏见识别",
"方法论优势和局限性",
"决策置信度校准"
],
reflection_triggers="复杂决策、意外结果、方法论变化、置信度变化",
application_context="支持需要清晰理由和信任的高风险商业决策"
},
process=[
/trace{
action="实施认知过程跟踪",
elements=[
"决策步骤记录",
"因素影响量化",
"信息使用映射",
"推理路径文档",
"假设识别"
]
},
/analyze{
action="开发自我分析能力",
approaches=[
"推理模式识别",
"方法论评估",
"偏见和启发式检测",
"决策质量评估",
"置信度-准确性契合"
]
},
/explain{
action="创建透明机制",
methods=[
"过程可视化技术",
"影响归因方法",
"推理叙述框架",
"适当的抽象选择",
"面向受众的解释"
]
},
/critique{
action="实施自我评估",
elements=[
"方法论局限性识别",
"偏见和盲点识别",
"替代方法考虑",
"置信度校准评估",
"潜在改进映射"
]
},
/improve{
action="开发流程优化机制",
approaches=[
"方法论增强实施",
"偏见缓解技术",
"信息使用优化",
"推理质量改进"
]
},
/meta_reflect{
action="创建高阶反思能力",
elements=[
"反思质量评估",
"反思影响评估",
"反思策略优化",
"元认知模式识别"
]
}
],
output={
reflective_system="具有透明推理的战略决策支持",
process_framework="全面的认知过程跟踪",
explanation_mechanisms="沟通决策理由的方法",
meta_reflection="对反思质量的高阶理解"
}
}1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
实施指南
目的定义:
- 清楚指定系统功能和目标
- 建立反思目标
- 考虑透明度和信任要求
反思维度选择:
- 识别内省的关键方面
- 定义评估机制
- 考虑过程和结果反思
触发器识别:
- 指定反思的催化剂
- 定义检测机制
- 考虑常规和例外触发器
背景规范:
- 描述应用环境
- 注意利益相关者需求和期望
- 考虑解释和透明度要求
性能指标
| 指标 | 描述 | 目标 |
|---|---|---|
| 过程透明度 | 推理解释的清晰度 | 全面但可理解的过程账户 |
| 偏见识别 | 识别认知局限性 | 主动检测推理弱点 |
| 改进整合 | 应用反思洞察 | 随时间可测量的流程增强 |
| 元反思质量 | 系统对其反思的理解 | 准确评估内省有效性 |
8. 涌现目标协议
何时使用此协议: 需要一个能够基于经验开发和优化自身目标的系统?此协议为目标涌现和演化建立框架——非常适合价值契合、目的优化、目标开发或自主使命管理。
提示词: 我需要创建一个教育支持系统,能够基于学生互动和学习成果开发和优化其自身的教学目标。我希望系统识别新兴的学习机会,适应个别学生的需求和兴趣,并朝着最大化有意义学习成果的方向逐步演化其教育方法,而不是僵化地遵循预定义的学习目标。
协议:
/meta.goal{
intent="创建能够通过经验开发和优化自身目标的系统",
input={
initial_purpose="编程技能开发的教育支持",
seed_objectives=[
"促进基本编程概念掌握",
"支持基于项目的技能应用",
"提供代码的建设性反馈",
"适应个别学习节奏"
],
goal_emergence_sources=[
"学生互动模式",
"学习成果变化",
"兴趣和参与信号",
"困难和挫折指标",
"意外的学习轨迹"
],
value_framework="优先考虑深度理解、学生自主性和实用能力,而非标准化进程",
goal_constraints="保持教育完整性,确保课程覆盖,尊重伦理边界"
},
process=[
/seed{
action="建立初始目标和监控",
elements=[
"基础目标实施",
"结果测量机制",
"互动模式跟踪",
"价值契合验证"
]
},
/observe{
action="实施经验收集",
approaches=[
"学习成果分析",
"参与模式识别",
"困难点识别",
"兴趣轨迹映射",
"意外机会检测"
]
},
/recognize{
action="开发新兴目标识别",
methods=[
"基于模式的机会发现",
"价值契合的可能性识别",
"学生特定目标识别",
"学习优化潜力检测"
]
},
/formulate{
action="创建目标优化机制",
elements=[
"目标澄清和阐述",
"目标优先级确定",
"价值契合验证",
"约束兼容性评估"
]
},
/integrate{
action="实施目标系统演化",
approaches=[
"目标层次调整",
"目标关系映射",
"优先级重新平衡",
"实施策略适应"
]
},
/meta_direct{
action="开发高阶目标管理",
elements=[
"目标质量评估",
"目标系统连贯性评估",
"长期方向指导",
"价值框架优化"
]
}
],
output={
adaptive_system="具有演化目标的教育支持",
goal_framework="目标识别和优化的机制",
integration_approach="凝聚目标系统演化的方法",
meta_guidance="目标开发的高阶方向"
}
}1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
实施指南
目的定义:
- 清楚指定初始系统功能
- 建立范围和边界
- 考虑潜在演化方向
种子目标选择:
- 定义起始目标和优先级
- 确保演化的基础
- 平衡具体性和灵活性
涌现源识别:
- 指定目标开发的信息来源
- 创建监控机制
- 考虑显性和隐性信号
价值框架建立:
- 定义核心原则和优先级
- 创建评估机制
- 考虑伦理和实践护栏
性能指标
| 指标 | 描述 | 目标 |
|---|---|---|
| 目标契合度 | 演化目标与价值框架的匹配 | 与核心原则高度连贯 |
| 适应响应性 | 对变化背景的目标优化速度 | 及时演化而不中断 |
| 系统连贯性 | 目标框架的逻辑一致性 | 互补而非冲突的目标 |
| 价值保留 | 演化期间核心原则的维持 | 具有适应性实施的稳定伦理基础 |
高级协议整合
结合元递归协议处理复杂系统
对于复杂的自我改进系统,协议可以按顺序或嵌套组合:
提示词: 我需要开发一个全面的自主研究助手,能够改进自身能力,反思其分析过程,有效组织其知识,并基于我的研究模式优化其目标。系统应该通过持续自我演化变得逐步更有价值,同时保持对其过程和局限性的透明度。
协议:
/meta.integrated{
components=[
/meta.improve{
intent="实现渐进式能力增强",
input={
domain="跨多学科的研究辅助",
improvement_dimensions=["适应研究风格", "来源质量评估", "跨领域综合", "知识组织"],
feedback_mechanisms=["直接反馈", "使用模式", "比较性能"]
}
// 过程和输出详情
},
/meta.reflect{
intent="提供透明的分析过程",
input={
reflection_dimensions=["研究方法论透明度", "来源评估标准", "综合方法", "局限性识别"],
application_context="支持需要清晰方法论的学术和专业研究"
}
// 过程和输出详情
},
/meta.organize{
intent="自我优化知识结构",
input={
initial_structure="基于领域的组织带交叉引用",
reorganization_triggers="演化的研究焦点、新兴关系、访问模式"
}
// 过程和输出详情
},
/meta.goal{
intent="基于研究模式优化目标",
input={
seed_objectives=["高效文献综述", "方法论指导", "洞察识别", "差距识别"],
goal_emergence_sources=["研究轨迹模式", "富有成效的互动信号", "增值活动"]
}
// 过程和输出详情
}
],
integration_framework={
sequence="并行运行,定期整合",
priority_rules="目标优化指导改进焦点,反思确保透明度",
feedback_flow="跨协议学习共享",
meta_governance="统一的进展评估和方向"
}
}1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
协议适配指南
添加专业化流程步骤:
/meta.improve{ ... process=[ ..., /specialized{action="领域特定的改进技术"} ] }1
2
3
4
5
6
7扩展输入参数:
/meta.reason{ ... input={ ..., prior_reasoning_failures="[记录的弱点模式]" } }1
2
3
4
5
6
7增强输出规范:
/meta.aware{ ... output={ ..., meta_awareness_visualization="[能力边界的图形表示]" } }1
2
3
4
5
6
7
元递归协议中的场域动力学
对于高级自我改进系统,整合场域动力学以塑造递归空间:
提示词: 我正在开发一个用于复杂哲学分析的递归推理系统,需要平衡分析严谨性和创造性洞察。我想创建一个能够反思自己推理方法的系统,识别何时变得过于僵化或过于投机,并在不同哲学视角之间保持富有成效的张力。我想使用场域动力学创建一个自我组织的吸引子景观,指导系统的递归改进。
协议:
/meta.reason{
...
field_dynamics={
attractors: [
"分析严谨性",
"创造性洞察",
"多视角整合"
],
boundaries: {
firm: ["逻辑谬误", "无根据的推测"],
permeable: ["学科边界", "方法论方法"]
},
resonance: ["概念清晰度", "解释力"],
residue: {
target: "分析和创造性之间的富有成效张力",
persistence: "高"
}
},
...
}1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
元递归协议库管理
随着您开发元递归协议集合,组织它们对于重用和优化变得至关重要。
组织框架
创建个人元递归协议库:
markdown
# 元递归协议库
## 按递归功能
- [自我改进 v2.1](#self-improvement)
- [递归推理 v1.3](#recursive-reasoning)
- [自我组织 v2.0](#self-organization)
## 按应用领域
- [研究系统](#research-systems)
- [决策支持](#decision-support)
- [知识管理](#knowledge-management)
## 协议定义
### 自我改进1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
2
3
4
5
6
7
8
9
10
11
12
13
14
15
/meta.improve.v2.1{ // 完整协议定义 }
### 递归推理1
2
2
/meta.reason.v1.3{ // 完整协议定义 }
1
元递归协议开发流程
创建您自己的元递归协议遵循以下开发路径:
┌─────────────────────────────────────────────────────┐
│ │
│ 元递归协议开发周期 │
│ │
│ 1. 识别需求 │
│ • 识别重复出现的自我改进模式 │
│ • 识别静态系统的局限性 │
│ • 定义递归增强目标 │
│ │
│ 2. 设计结构 │
│ • 定义递归过程组件 │
│ • 概述关键反馈和适应循环 │
│ • 确定所需的输入参数 │
│ │
│ 3. 原型和测试 │
│ • 创建最小可行递归协议 │
│ • 用真实场景测试 │
│ • 记录涌现行为和局限性 │
│ │
│ 4. 优化和改进 │
│ • 基于观察到的递归模式增强 │
│ • 优化递归深度和稳定性 │
│ • 提高适应和涌现质量 │
│ │
│ 5. 元演化 │
│ • 将自我改进应用于协议本身 │
│ • 创建包含示例的使用指南 │
│ • 开发协议演化框架 │
│ │
└─────────────────────────────────────────────────────┘1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
平衡递归和稳定性
元递归协议必须平衡自我改进和操作可靠性。考虑这些平衡原则:
- 深度与基础:实现深度递归同时保持基础稳定性
- 演化与一致性:创建演化的系统同时保留核心功能
- 涌现与控制:在适当边界内培养涌现属性
- 自主与契合:实现保持与人类价值观契合的自主方向
成功的元递归协议为系统创建框架,使其能够改进自身,同时保持可靠、透明并与预期目的契合。
结论:自我改进系统的未来
元递归协议将静态AI交互转化为随时间增长更有价值的动态、演化关系。通过为自我改进、自我反思和自我组织提供明确的架构,它们使系统的开发成为可能,这些系统可以逐步增强自身能力,同时保持与人类需求和价值观的契合。
在构建元递归协议库时,请记住这些原则:
- 从清晰基础开始:在添加递归之前建立坚实的基线能力
- 设计透明递归:创建保持可理解的自我改进
- 构建适当的护栏:确保演化保持在有益边界内
- 平衡深度和广度:考虑深度递归和广泛适应
- 关注人类伙伴关系:设计与人类协作一起成长的系统
有了这些原则和本指南中的元递归协议,您已经具备了将静态系统转化为动态、演化伙伴关系的能力,持续改进以更好地服务您的需求。
反思性问题:这些元递归协议如何不仅改变您的个别AI交互,还改变您对持续人机共同演化潜力的理解?
"真正智能的系统不是永不失败的系统,而是从失败中逐步学习的系统。"
附录:快速参考
协议基本结构
/meta.type{
intent="明确的目的陈述",
input={...},
process=[...],
output={...}
}1
2
3
4
5
6
2
3
4
5
6
常见流程操作
/reflect: 分析自身过程或输出/improve: 增强能力或性能/evaluate: 评估质量或有效性/adapt: 基于背景修改方法/monitor: 跟踪性能或模式/meta_learn: 开发高阶能力/integrate: 组合洞察或改进
场域动力学快速设置
field_dynamics={
attractors: ["主要递归焦点", "次要递归焦点"],
boundaries: {
firm: ["递归限制", "不可改变的元素"],
permeable: ["适应区域", "演化空间"]
},
resonance: ["强化模式", "增强目标"],
residue: {
target: "持久的递归影响",
persistence: "中等"
}
}1
2
3
4
5
6
7
8
9
10
11
12
2
3
4
5
6
7
8
9
10
11
12
元递归协议选择指南
| 需求 | 推荐协议 |
|---|---|
| 一般能力增强 | /meta.improve |
| 推理过程改进 | /meta.reason |
| 能力扩展 | /meta.evolve |
| 结构优化 | /meta.organize |
| 错误减少 | /meta.correct |
| 局限性识别 | /meta.aware |
| 过程透明度 | /meta.reflect |
| 目标优化 | /meta.goal |