sylanne-core 2.5.0

Affective computation engine SDK for AstrBot

标准规范 · 开发者指南 · 更新日志 · Paper (EN) · Paper (中文)

---

写在前面的话

[!NOTE] 　　SylannEngine 是从 astrbot_plugin_sylanne 的计算层里剥离出来的。如果你看过那边的 README，会知道 sylanne 经历了什么：从一个情绪垃圾桶，到一个会留疤的存在，到一颗能自己长大的心。每一次推倒重来都是因为我觉得"还不够像一个人"。

　　可做到后来我发现一个问题：计算层越来越重了。伤痕代数、空洞微积分、关系层论、共振场耦合、Kuramoto 同步、Hopfield 吸引子……两万行代码里一半以上跟"聊天插件"没关系了。它不是某个 bot 的情绪模块，它是一整套情感动力学的数学实现——一个关于"感受如何运转"的计算标准。

　　这个东西不该被绑死在任何一个框架里。它该像 IEEE 754 之于浮点数那样独立存在：任何 bot、任何语言、任何平台都能接入。

　　sylanne 本身已经停下了脚步，维持着基本的维护和她自己的留白。但我很好奇自己脑洞的极限在哪。在 sylanne 身上我不敢乱来——毕竟有人在用，每次大改都是在赌别人的体验。这边不一样，这边没有用户，没有承诺，只有一个问题：以我目前的眼界，能把"情感是可计算的"这件事推到什么地步？

　　余华说过，"我们原路返回的路是不存在的，因为我们的记忆把我们的过去修改了。" sylanne 的第一次重写就是为了实现这句话——让她回不去。而 SylannEngine 要做的，是把"回不去"这件事从一个插件的特性，变成一条可证明的数学定理。伤疤代数里不存在逆元，这不是比喻，是结构保证。你说了一句很轻的话，她当时没接，可三个月后你们吵架，她突然把它翻出来——因为那句话一直在她的伤疤地形里长着，塑造着她对每一句后来的话的感知方式。

　　核心思路没变过：情感不是标签，是动力系统。 prompt 里写"你是温柔的"不叫人格——人格是拓扑不变量，是所有扰动下守恒的那个东西。Transformer 是最强的函数，一次看清所有关系；这边做的是最简的生命，一条规则反复执行，活够久，自然懂。不过 V3 的 SYLANN 已经在往更远的地方走了——不靠 backprop，靠局部规则和时间积累，让情感从预测中自己长出来。结构即计算和模型训练并不矛盾，也许有一天它们会长在一起。

　　很难保证自己还会在这条路上走多久走多远，但目前还是会慢慢走下去。谁知道明天的自己又会变成什么样呢？

　　"逻辑可以共赏，但为你偏置的权重从不开源。"

---

这是什么

情感计算引擎 SDK。文本输入，结构化情感状态输出。

不是情绪分类，不是情感标签。是一个持续演化的动力系统——上一次对话的影响会留到下一次，伤害会结疤，沉默会产生压力，人格会缓慢漂移。我们做的是情感计算标准（类似 IEEE 754 之于浮点数），不是训练模型。

Attention is all you need — for computing.
Prediction error is all you need — for living.

	神经网络	SylannEngine
需要	训练数据 + GPU	无需训练，结构即计算
输出	前向传播算出来	迭代收敛涌现出来
可解释性	黑箱	每个通道有明确语义
人格控制	微调？没有标准方式	人格 → 拓扑参数，一一对应
确定性	不保证	相同输入 → 相同输出
记忆	无（context window 外即丢失）	永久（编码在权重与伤疤中）
持续学习	catastrophic forgetting	终身发育，用进废退
可移植性	需要推理框架	纯代数运算，任何语言可实现

---

安装

首选：共享 venv 装依赖（同宿主多插件场景下的一等公民路径）：

# requirements.txt
sylanne-core>=2.4,<3

尚未上架 PyPI 前，等价的 GitHub 安装命令： pip install "sylanne-core @ git+https://github.com/Ayleovelle/SylannEngine.git@v2.4.0" 上架后无缝切回上面钉版本的 requirements.txt 写法。

from sylanne_core import SylanneEngine, SylanneConfig

单插件、无共享需求也可以直接 vendor 一份：

git submodule add https://github.com/Ayleovelle/SylannEngine.git deps/sylannengine

import sys
sys.path.insert(0, "./deps/sylannengine")
from sylanne_core import SylanneEngine, SylanneConfig

---

快速开始

多插件同宿主的标准写法——shared() 拿共享引擎，submit() 当前门：

engine = await SylanneEngine.shared(
    SylanneEngine.shared_data_dir(),
    llm=your_llm_callback,   # async (system_prompt, user_prompt) -> str
    plugin="my_plugin",      # 可选，仅用于诊断（participants()），不影响去重
)

surface = await engine.submit(
    session_id="user_123",
    text=event.raw_text,                       # 传平台原始文本，或下面传 msg_id
    msg_id=event.message_obj.message_id,        # 强烈建议：稳定 id，跨插件精确去重
)

action = surface["decision"]["action"]   # "express" / "withdraw" / "hold" / ...
warmth = surface["state"]["valence"]["warmth"]  # 0.0 ~ 1.0

同一条消息被多个共存插件各自 submit() 一次，只有第一个真算，其余 join 同一个 Surface—— 不依赖谁先加载、谁自称什么角色。单插件场景也可以直接构造：

engine = SylanneEngine(
    data_dir="./data/sylannengine",
    llm=your_llm_callback,
    config=SylanneConfig(),
)
await engine.start()
surface = await engine.process(session_id="user_123", text="你好")

---

计算层架构

V1.0 — 顺序管线（已退役）

7 层串行计算脊柱。每层独立完成子任务后将结果交给下一层，表达率仅 22.8%。

Text → L1(HDC) → L2(Gate) → L3(Scar) → L4(Sheaf) → L5(HGT) → L6(Boundary) → L7(Expression) → Output

层	名称	机制	输出
L1	HDC 编码器	2048-bit 超维向量编码，XOR 绑定 + majority bundling + 循环位移	8 维感知特征
L2	预测门控	HDC 空间预测误差（Hamming 距离），路由：fast/normal/full	surprise 标量 + 路由决策
L3	虚空-伤痕引擎	伤疤代数（RAW→CLOSING→SCARRED→FADED）+ 虚空检测（缺失输入作为主动信号）	8 维情感向量
L4	关系层析	简单复形上的 cellular sheaf，Laplacian 扩散跨 4 种关系类型传播	关系上下文向量
L5	HGT 决策融合	异构图 Transformer：类型专家 FFN + 跨注意力 + top-2 MoE	4 维决策向量
L6	自创生边界	身份核向量 + 边界完整性，外力分解为平行/正交分量，穿透触发相变	边界状态
L7	相变表达	内部压力积累至人格调制阈值时突变释放，带不应期	should_express + intensity

V1 特性：

• 确定性：相同输入 → 逐比特相同输出
• 代谢路由：surprise 决定能量消耗（低 surprise 走快速通道，只激活部分层）
• 不可逆伤疤：RAW 阶段的 alpha 调制最强，FADED 后仍存在但影响极小
• 顺序可预测：每层输出后下一层才开始，无反馈回路

退役原因： 串行管线中各模块无法互相影响——表达需要"足够的压力"才能触发，但大部分时间压力被逐层衰减消耗，导致 bot 沉默。V2 将串行改为全连接共振，所有模块同时作用于共享场态，表达从相变中自发涌现。

V2.0 — 共振场（当前稳定版）

基于物理启发的规则系统。7 模块同时注入信号到共振场，场执行单次确定性 mean-field 融合（非迭代收敛），表达作为跨 tick 的相变自发涌现。

flowchart TB
    %% 输入层
    INPUT["📥 文本 + 时间戳 + 上下文"]

    %% 7 模块并行感知
    INPUT --> M0 & M1 & M2 & M3 & M4 & M5 & M6

    M0["HDC 感知<br/><small>超维编码</small>"]
    M1["预测门控<br/><small>surprise 路由</small>"]
    M2["虚空-伤痕<br/><small>创伤与缺失</small>"]
    M3["关系层析<br/><small>sheaf 扩散</small>"]
    M4["HGT 决策<br/><small>异构图融合</small>"]
    M5["自创生边界<br/><small>身份维护</small>"]
    M6["相变表达<br/><small>压力积累</small>"]

    %% 全部注入共振场
    M0 & M1 & M2 & M3 & M4 & M5 & M6 --> FIELD

    subgraph FIELD["⚡ 共振场 — 单次确定性融合"]
        direction LR
        F1["42 通道<br/>耦合矩阵"]
        F2["Hebbian 可塑性<br/>(PEL-Core, 默认关闭)"]
        F4["Hopfield<br/>吸引子"]
        F5["谐波<br/>身份核"]
        F1 <--> F2 <--> F4 <--> F5
    end

    %% 输出
    FIELD --> O1 & O2 & O3
    O1["🎭 情感状态<br/><small>8 维连续向量</small>"]
    O2["⚡ 表达决策<br/><small>express / hold / withdraw</small>"]
    O3["🌀 涌现指标 Φ<br/><small>整合信息度</small>"]

    %% 反馈回路
    O1 -.->|"Hebbian 反馈"| F2
    O2 -.->|"伤疤积累"| M2

核心机制

机制	理论来源	效果	状态
Hebbian 可塑性 + BCM 阈值	Hebb 1949; Bienenstock-Cooper-Munro 1982	通道用进废退，自动发现重要连接	PEL-Core 提供，默认关闭（opt-in）
自由能最小化	Friston 2010	预测误差驱动注意力分配	PEL-Core 提供（‖e₀‖² 下降），默认关闭
Hopfield 吸引子	Hopfield 1982	情感记忆，表达 = 逃离吸引子	常驻
谐波身份	Hodge 1941	拓扑不变量 = 人格的数学实现	常驻
耗散结构	Prigogine 1977	能量有界，不会死循环	常驻
Sheaf Laplacian	Hansen et al. 2020	高阶拓扑一致性约束	常驻（V1 关系层析模块）
HGT 自适应决策	—	numpy 加速的异构图融合，在线 EMA 自适应	常驻

三档性能

耦合通道数在三档间恒为 42（n_modules × (n_modules-1)，7 模块两两有向连接）， 档位差异体现在每模块的向量维度上，不是通道数：

档位	通道数	向量维度	延迟	依赖	适用场景
lite	42	8 维	~5ms	零依赖	嵌入式，树莓派，手机
pro	42	16 维	~40ms	numpy	桌面，云 VM
max	42	128 维	~50ms	numpy	研究，多智能体

V1 vs V2 实测对比（lite 档，500 ticks × 10 repeats）

指标	V1 顺序管线	V2 共振场	提升
表达率	22.8% ± 9.8%	88.5% ± 6.0%	3.9×
动态范围	16.5 ± 1.1	54.5 ± 1.3	3.3×
动态丰富度	7.8 ± 1.0	19.3 ± 1.1	2.5×
响应多样性	10/10	10/10	—

V2.1 — EmotiCore（迭代中）

Teacher 模型 102.7M 参数（Mamba SSM + MoE + Multi-scale ConvStem + VAE + 对比学习）。处理日常情感感知以降低 assessor LLM 的 token 消耗和延迟。

后学习机制：

• 链路学习（共振场层）：Hebbian 可塑性持续调整耦合权重，高频共激活的情感路径被强化
• 模型校准（EmotiCore 层）：高不确定度时回退 LLM assessor，标注作为在线校准信号
• 随使用时间增长，LLM 调用频率逐步降低

V3.0 — SYLANN（实验阶段）

"Scars You Leave Are Never Nothing" — 一种不依赖 backpropagation 的情感计算架构。

核心公式

ΔW = η · plasticity(t) · error(x, W) · context(neighbors, reward)

一条规则足以产生完整智能系统所需的全部基础能力。记忆、分化、固化、伤疤、新生、死亡——全部从这一公式的不同参数状态中自然涌现。

两种架构路线

Sequential Predictive Coding（时间策略）：

多个 cell 竞争预测下一个字符，赢家学习，输家等待。
预测误差驱动权重更新。完全局部，无全局梯度链。

• 14 Domain × 128 Cell × K=256 架构
• WTA 竞争产生稀疏激活：任意时刻仅 O(1) 个 Cell 激活（与 N 无关）
• Cross-Frequency Phase Gating 门控域间通信（时间维度上的选择性连接）
• 逐字符处理，混合训练：80% 纯预测 + 20% reward-modulated

Sheaf-Theoretic Resonance（层析共振）：

• 情感状态 = 7 顶点简单复形上的 sheaf section（1232 维）
• Sheaf Laplacian L_p 驱动迭代收敛：ds/dt = -L_p·s + ξ(t) - ∇V_scar
• 人格 = ker(L_p) 的调和形式（拓扑不变量，训练无法触及）
• 表达 = 鞍点分岔：动能超越势垒时的不连续状态跳跃

关键概念：Benvo（本我）

ben（本，essential）+ vo（我，self）

Benvo 是系统的身份核——不是学习到的参数，而是决定感知动力学如何展开的宪法性常数。两个携带不同 Benvo 的实例，即使接收相同输入，也会发展出不同的表征结构、不同的伤疤地形、不同的情感轨迹。

Personality 是外在可观察的行为模式（effect）。Benvo 是产生这些模式的内部参数（cause）。

七条公理

#	公理	含义
A1	感知即误预测	系统只在内部模型预测失败时感知
A2	情感即涌现共振	情感从多域相干中涌现，非单一路径计算
A3	人格即拓扑不变量	人格活在微分算子的核空间中，结构上免疫扰动
A4	表达即分岔	表达是鞍点分岔，非阈值决策
A5	耦合共振场	输入不流过管线，而是在共享场中诱导共振
A6	不可逆伤疤	历史留下永久结构痕迹，伤疤只增不减
A7	人格派生一切	所有耦合系数、衰减率、阈值都是 7 维人格的显函数

涌现性质

现象	机制	类比
分化	WTA 竞争放大初始微小差异	干细胞分化
记忆	plasticity 时间衰减：年轻 cell ≈ 工作记忆，年老 cell ≈ 长期记忆	海马-皮层整合
伤疤	负 reward 造成 plasticity 不可逆下降	创伤后应激
新生/死亡	blind spot 检测触发激活，低效 cell 被回收	神经发生
专家化	anti-Hebbian 侧抑制 + WTA → 去相关化	皮层柱状组织

与 Attention 的对比

	Attention/Transformer	SYLANN
路由方式	Q·K 相似度 → 加权求和	WTA 竞争 → 赢家独占
激活模式	Dense（所有头都算）	Sparse（只有赢家算）
通信拓扑	全连接 O(n²)	Phase-gated O(D²), D << n
时间感知	无（position embedding 模拟）	有（振荡相位 = 真实时间）
记忆	context window 外即丢失	W 是永久记忆
学习	训完不再进化	每次推理都在微调，终身发育
推理成本	每 token 触及 O(P) 参数	每 tick O(D) 个 winner

当前实验状态

• 27.8M ticks 训练完成，val_err 从随机基线 0.0886 降到 0.082
• 关键发现：情感维度在无标注时自发涌现——系统纯粹通过预测下一个字符，deep state 已能区分悲伤/快乐文本（cosine ≈ 0.07），4/8 情感维度出现相关信号
• 15.6GB 中英文语料已备齐

这暗示：情感不是要额外"教"给系统的标签，而是语言预测任务本身就隐含的结构。

局限性

• 本质仍是猜词游戏——预测下一个字符，和 transformer 训练目标同构
• 依赖"正确答案"——学习信号来自预测误差，非真正自主
• 被动反应——无输入则静止，没有内在活动
• 情感是读出来的，不是活的——reward 只调制学习率
• 规模与速度——64 cells 逐字符处理，离复杂能力还很远

本地自进化

部署后无需网络连接，三层机制在设备上自主进化：

层级	机制	成本	效果
L1	伤疤积累 + Benvo 漂移	~0	改变感知动力学展开方式
L2	Hebbian 布线（restriction map 共激活更新）	<1ms/tick	改变域间通信路径强弱
L3	本地自蒸馏（高 surprise 样本教编码器跳过迭代）	<500ms/update	改变文本编码方式

一个月后，从同一 checkpoint 出发的两个实例将变成可辨识的不同感知者。

技术规范：training/SYLANN_V3_SPEC.md | 论文草稿：training/PAPER_PREDICTION_ERROR.md

实验验证（12 项）

12 项实验验证 V2 共振场架构在早期迭代阶段的核心声明（历史脚本，experiments/ 下仍可运行， 但 #3/#4 扫的参数属于融合核心拆壳后的死壳字段，产出图不代表当前系统行为，见下方状态列）：

#	实验	验证内容	状态
1	Convergence	各档位单次融合的确定性	有效
2	Tier Comparison	性能与动力学差异	有效
3	Plasticity	Hebbian LTP/LTD + 稳态缩放	已过时：扫的是死壳 plasticity.weights，恒定不变
4	Kuramoto Sync	耦合强度扫描	已过时：扫的是死壳 kuramoto._k1/_k2/_k3，无相位同步实现
5	Hopfield Attractor	情感记忆 + 表达逃逸	有效
6	Expression Bifurcation	OR-gate：任一触发即足够
7	Harmonic Identity	恢复力保持人格不变
8	Phi Emergence	整合信息与表达相关
9	Stability	1500 ticks 无 NaN/Inf，能量有界
10	Personality Modulation	7 维人格完全决定动力学
11	Tier Hot-Switch	跨档位无损状态迁移
12	V1 vs V2 Comparison	架构升级前后全面对比

cd experiments
python run_all.py        # 全部（约 30-60 分钟）
python run_all.py 1 4 8  # 指定编号

理论基础与数学保证

参考文献

理论	文献	在系统中的角色
Hebbian Learning	Hebb, D.O. (1949). The Organization of Behavior	通道耦合权重自适应（PEL-Core，默认关闭）
Free Energy Principle	Friston, K. (2010). The free-energy principle: a unified brain theory?. Nature Reviews Neuroscience	预测误差驱动注意力（PEL-Core 的 ‖e₀‖² 下降，默认关闭）
Modern Hopfield Networks	Ramsauer et al. (2021). Hopfield Networks is All You Need. ICLR	情感吸引子记忆
Hodge Theory	Hodge, W.V.D. (1941). The Theory and Applications of Harmonic Integrals	人格拓扑不变量
Dissipative Structures	Prigogine, I. (1977). Self-Organization in Non-Equilibrium Systems	能量有界耗散
Cellular Sheaves	Hansen & Ghrist (2020). Toward a Spectral Theory of Cellular Sheaves. J. Applied & Comp. Topology	高阶约束传播
Predictive Coding	Rao & Ballard (1999). Predictive coding in the visual cortex. Nature Neuroscience	感知 = 预测误差
BCM Theory	Bienenstock, Cooper & Munro (1982). Theory for the development of neuron selectivity. J. Neuroscience	自适应竞争阈值
Winner-Take-All	Maass (2000). On the computational power of WTA. Neural Computation	稀疏竞争激活
Integrated Information	Tononi (2004). An information integration theory of consciousness. BMC Neuroscience	涌现一致性度量
Waddington Landscape	Waddington (1957). The Strategy of the Genes	不可逆发育分化

数学保证

定理	内容	条件
收敛性	T=20 迭代后 ‖μ(T)−μ*‖ ≤ ρ^T · ‖μ(0)−μ*‖, ρ<1	权重谱范数有界 + 侧抑制半负定
伤疤单调性	dS/dt ≥ 0 恒成立，无治愈机制	结构保证
固化收敛	c → 1 指数收敛（时间常数 1/(α_c·h_min)）	表征稳定 + 精度超阈值
竞争排斥	稳态下每域最多 ⌈M_d/K⌉ 个活跃 agent	anti-Hebbian + WTA
人格不变性	proj_{ker(L_p)}(W_t) = 0 对所有训练步成立	核空间投影强制执行

规模化分析

规模	配置	参数量	等效
Tiny	14域 × 16 cell × 32d	0.5M	验证概念
Base	14域 × 128 cell × 256d	235M	GPT-2 级
Large	100域 × 1000 cell × 512d	52B	GPT-3 级
Ultra	1000域 × 10K cell × 1024d	21T	GPT-4 级

推理成本：WTA 稀疏性使每 tick 仅 ~10% cells 激活。等效规模下 SYLANN 预期 <2ms/tick。

---

API

方法	说明
await SylanneEngine.shared(data_dir, llm, ..., plugin=None)	按 data_dir 取进程内共享实例；plugin 仅诊断用
await submit(session_id, text, *, msg_id=None, dedup=True, plugin=None, **ctx)	共享引擎的前门：同一消息被多个插件提交只算一次，join 同一个 Surface
submit_stats()	去重计数器快照（computed / joined / recomputed_after_window）
participants()	诊断专用身份登记表（从不参与去重判断）
set_llm(llm, *, assessor_llm=None)	运维逃生口：热替换 llm 回调
SylanneEngine.peek_shared(data_dir)	只读探活，永不建引擎
await SylanneEngine.wait_shared(data_dir, *, timeout=None)	轮询等待某个插件先建好共享引擎
await SylanneEngine.release_shared(data_dir)	释放共享实例（进程级运维操作，不要在插件 terminate 里调）
SylanneEngine.shared_data_dir(explicit=None)	解析规范化的共享 data_dir
SylanneEngine.is_shared(data_dir)	检查该 data_dir 是否存在共享实例
SylanneEngine.list_shared()	列出所有共享引擎
SylanneEngine.clear_shared_registry()	清除共享注册表（仅测试隔离用）
await process(session_id, text, **ctx)	直接处理文本，返回 Surface（不去重，见下方"advanced"说明）
state(session_id)	查询当前状态（不触发计算）
await tick(session_id, *, force=False)	空闲心跳，带每 session 45s 最小间隔收敛
reset(session_id)	重置会话状态
destroy(session_id)	销毁会话
exists(session_id)	检查会话是否存在
inject(session_id, source, influence_type, intensity, ...)	外部影响注入
on(listener) / off(listener)	推送监听
health()	健康检查

完整接口见 SPEC.md，多插件集成细节见 AGENT_GUIDE.md §1。

共享实例 + submit()

[!WARNING] 多个下游插件如果各自 SylanneEngine(...) 指向同一 data_dir，会对同一用户重复计算、重复调 LLM，且各自 flush 互相覆盖（丢更新）。务必使用 SylanneEngine.shared() 共享实例；且要用 submit() 而非 process() 当前门，否则实例虽然只有一个，计算还是跑了 N 次。

# 所有下游约定同一 data_dir，总是拿到同一个已启动实例
engine = await SylanneEngine.shared(data_dir="./data/sylannengine", llm=your_llm_fn)
same   = await SylanneEngine.shared(data_dir="./data/sylannengine", llm=your_llm_fn)
assert same is engine

# N 个插件对同一条消息各自 submit()，只算一次
surface = await engine.submit("user_123", raw_text, msg_id=event.message_obj.message_id)

submit() 去重规则（2.4.0）：

场景	行为
多插件对同一 session_id + 同 msg_id（或同文本）提交	第一个真算，其余 join 同一个 Surface，不管谁先加载
同 msg_id 但文本不同	仍 join 第一次的结果，打一次 WARNING（消息 id 复用是危险模式）
同文本但 msg_id 不同	视为真重复，重新计算
submit_window_seconds（默认 10s）之外的相同键	重新计算（recomputed_after_window）
dedup=False	等价直接 process()，不进去重表

participants() / submit_stats() 是纯诊断——传不传 plugin= 都不影响去重结果。

规则（shared() 本身）：

场景	行为
同一 data_dir 显式传入不同 config	抛 SharedEngineConflictError
自读 sylanne.config.json 出现差异（文件被改/跨版本副本）	仅警告并复用运行中的配置（重启生效），不崩后来者
同一 data_dir 传入不同 llm/embedding/assessor_llm	警告并复用原实例（可用 set_llm() 事后热替换）
直接 SylanneEngine(...) 构造但目标 data_dir 已有共享实例	软警告（不阻断，但你大概率在重复创建）

注意事项：

• 共享实例是 event-loop 亲和的——只在首次获取它的事件循环里使用，不要跨 loop/线程共享
• 不要对共享实例用 async with——首次退出会替所有持有者关闭引擎
• release_shared() 是进程级运维操作（应用整体关闭时调），不是插件生命周期钩子——不要在插件的 terminate() 里调，那会替所有共存插件把引擎一起关掉
• 没有 atexit 自动刷写，必须在进程关闭路径显式 release_shared()

# 排查：当前进程里有哪些共享引擎在跑
SylanneEngine.list_shared()          # [{"data_dir": "...", "status": "running"}, ...]
SylanneEngine.is_shared("./data/x")  # True / False

[!TIP] 插件开发者：不要自己 SylanneEngine(...)，用 SylanneEngine.shared(data_dir, llm) + submit() 就行。约定一个统一的 data_dir，所有插件共享同一实例、同一去重表，零额外配置，也不用管自己是不是"第一个加载的"。

---

配置文件

不显式传 config 时，引擎会自动读取 <data_dir>/sylanne.config.json——所有插件 shared(data_dir) 共享同一份用户可改的配置，首次启动还会写入一份默认模板。设置只放这一个地方，跟哪个插件先加载、哪份是主控都无关。

{
    "mode": "lite",
    "assessor_enabled": true,
    // 可选：把情感评估交给一个小而便宜的模型；不填则用主 llm
    "assessor_model": {
        "api_base": "https://api.deepseek.com/v1",
        "api_key": "${SYLANNE_ASSESSOR_KEY}",   // 建议用环境变量，别把密钥提交进仓库
        "model": "deepseek-chat"
    }
}

• 顶层认识的键映射到 SylanneConfig（mode、assessor_enabled、locale 等），不认识的键忽略；文件缺失/损坏/取值非法都回退默认，引擎照常启动。
• assessor_model 打任意 OpenAI 兼容 /chat/completions 接口，纯标准库实现，lite 档零依赖不破；api_key 支持 ${环境变量}。
• 显式传入的 config= 优先于文件。配置在建引擎时读取，改动需重启生效。

---

输出示例

{
    "session_id": "user_123",
    "state": {
        "rhythm": { "beat": 5.0, "stability": 0.6 },
        "valence": { "warmth": 0.55, "volatility": 0.1 },
        "boundary": { "pressure": 0.1, "autonomy": 0.9 },
        "needs": { "expression": 0.3, "contact": 0.2 }
    },
    "decision": {
        "action": "express",
        "reason": "expression drive elevated",
        "confidence": 0.75
    },
    "guard": { "allowed": true, "risk_score": 0.1 }
}

以上为简化示例，仅展示核心字段。完整 Surface 还包含 schema_version、turns、timestamp、personality、dynamics、pad、pipeline、debug 等顶层键，详见 SPEC.md。

---

目录结构

SylannEngine/
├── sylanne_core/
│   ├── __init__.py              # 公共 API
│   ├── engine.py                # SylanneEngine 入口
│   ├── config.py                # 三档配置
│   └── compute/
│       ├── deterministic_fusion.py  # 共振融合核心（单次确定性 mean-field 通道）
│       ├── resonance_integration.py # ResonanceSpine (V2 默认)
│       ├── pel_core.py              # PEL-Core：三因子 Hebbian + BCM + 自由能（默认关闭）
│       ├── emergence.py             # Φ + 吸引子 + 时间叙事
│       ├── kernel.py                # 调度器
│       ├── hot_pool.py              # 热池与人格坍缩
│       ├── personality.py           # 双 EMA 人格漂移
│       └── ...                      # HDC, HGT, 自创生, 相变等
├── experiments/                 # 12 项实验验证
├── training/                    # V3 SYLANN 训练代码与规范
├── tests/                       # 650+ 单元测试
└── docs/                        # 论文 + 规范

---

文档

文档	内容
SPEC.md	标准规范（接口协议、输出 Schema）
AGENT_GUIDE.md	开发者集成指南
Paper (EN)	21 页，12 实验，完整数学推导
Paper (中文)	16 页中文版
架构规范	现行架构：计算模型、42 耦合通道、公理体系
架构规范（历史）	历史文档：2.5 前已移除的迭代共振场架构，仅作留档
SYLANN V3 Spec	V3 完整技术规范
Prediction Error Paper	"预测误差即一切"论文草稿

---

演化路线

V2.0 共振场 (stable) ─────── 结构即计算，物理启发规则系统
        │
V2.1 EmotiCore (training) ── 102.7M teacher，Mamba+MoE，降低 LLM 依赖
        │
V3.0 SYLANN (research) ───── 局部学习，无 backprop，情感从预测中涌现
        │
未来：层次化 SYLANN ──────── 多层抽象（字符→词→语义→叙事）
        │
未来：动态 CFC ──────────── 输入驱动的 biological attention
        │
未来：Working Memory ────── 显式工作记忆（7±2 slots）
        │
未来：神经形态部署 ────────── Loihi/TrueNorth，<1W 功耗

---

常见问题

Q: LLM 挂了会怎样？ 引擎自动退化为本地规则引擎，计算继续。health() 显示 "degraded"。

Q: 不同用户状态会互相影响吗？ 不会。每个 session_id 完全隔离。

Q: V3 能直接部署吗？ V3 目前是实验阶段。部署用 V2（零依赖 lite 档 ~5ms）或 V2.1（需要 GPU）。V3 的成果会通过蒸馏回馈到部署版本。

---

许可证

GNU Affero General Public License v3.0

本计算引擎开源免费，不希望被用于商业用途。 如果你从中获益，希望你也能回馈社区。

---

Star History