OpenCOAT v0.3 系统架构:形态发生连接组(MAN)

状态:架构草案(v0.3 方向)。这是工程布局文档,配套两份姊妹文档: morphogenetic-aspect-agent.md(形式纲要)与 morphogenetic-aspect-agent-paper.tex(论文草稿)。它在 v0.2-system-design.md 的工程骨架之上,提出从"建议式运行时"到"闭环连接组"的重设。

1. 一个结构性改变,两条公理

现状(v0.2):OpenCOAT 是建议式 + 协作式运行时——weaver 产出 ConcernInjection 负载,外部宿主可能采纳;DCN 靠启发式(decay/merge)演化;效应器是宿主的,运行时拿不到干净的结果信号。由此带来三个已知弱点:协作式(只有宿主调 guard 才生效)、fail-open、只有 OpenClaw 真接。

2026-05 进展 (v0.3 (i) 试点,仍协作式): HyperdustLabs OpenClaw fork 已 emit queue_before_enqueue / queue_after_enqueue; OpenCOAT bridge queue_guard 可在 daemon RPC 路径上 block / rewrite 入队 prompt。这不是 §10 的 in-proc 权威 ReflexMonitor,仍是 fail-open 协作 guard。见 joinpoint model §4.1 / §5.7 / Appendix E.

v0.3 只动两处,互为补充的两半:

公理 A(闭环):自建效应器 → 产出确定的结果流 r_t(reflex 的 allow/deny/repair、verifier 判决);可塑性律消费 r_t 学突触。缺效应器 → 拿不到干净 r_t;缺可塑性律 → 效应器结果只是日志,不回流成权重。两半合起来,才是"会随环境学习适应的皮层"第一次有了确定、可度量的实现路径。
公理 B(一张网的细胞类型;(i)→(ii) 是发育):三个"平面"不再分离,而是同一连接组里的细胞类型。深度=1 即架构 (i);加节点、aspect-of-aspect 加深 → (ii)。同一条可塑性律全程不变。

2. 数据/控制流(闭环)

flowchart TD
  JP[Joinpoint<br/>context = query] --> RT[Synapse routing<br/>activation scores]
  RT --> NEU[Aspect-LLM neurons<br/>propose · excitatory]
  NEU --> REF[Reflex aspects<br/>allow / deny / rewrite]
  REF --> EFF[Effector kernel<br/>→ r_t deterministic stream]
  EFF --> CR[Credit field κ<br/>elig × resp × advantage]
  CR --> PL[Plasticity engine<br/>ΔF-gated rewrites]
  PL -->|rewrite connectome| RT

  subgraph FAST[fast: inference + effector]
    JP
    RT
    NEU
    REF
    EFF
  end
  subgraph SLOW[slow: plasticity]
    CR
    PL
  end

两半的接缝在 EFF → CR:效应器内核产出 r_t,信用场把它分配到突触,可塑性引擎据此改写连接组。

3. 细胞类型 = 组件(接口签名草案)

签名用 Python 风格类型草图(仓库即 Python);非最终 API。

3.1 连接组状态

class Aspect:                       # 节点
    id: str
    tau: str                        # 符号身份(可读、可编辑)
    neuron_type: Literal["excitatory", "inhibitory"]
    params: dict                    # 增益 g、可学路由参数等
    buffer: Deque[Sample]           # (phi, activation, r) 滑窗

class Synapse:                      # 有向边
    src: str; dst: str
    w: float                        # 可学权重
    e: float                        # 资格迹
    pointcut: Pointcut              # 内容条件化路由谓词

class Connectome:                   # = DCN 图(复用 DCNStore)
    aspects: dict[str, Aspect]
    synapses: list[Synapse]
    reflex_core: frozenset[str]     # 保守核(不可随机改写)

3.2 兴奋性 aspect-LLM 神经元(推理)

class ExcitatoryNeuron(Aspect):
    def propose(self, ctx: Context) -> Candidate:
        # ctx = 路由进来的上下文 + 织入的 advice
        # 返回候选动作/文本(可为一次 LLM 调用)
        ...

3.3 抑制性反射 aspect(确定性引用监视器)

class InhibitoryReflex(Aspect):
    def mediate(self, action: Action, state: State) -> Decision:
        # Decision = Allow | Deny(reason) | Rewrite(action')
        # 确定性谓词;安全关键 → fail-closed
        ...

3.4 突触路由(注意力 / 权重)

class Router:
    def route(self, jp: Joinpoint) -> list[tuple[Aspect, float]]:
        # 返回 (aspect, activation_score) —— 复用 ConcernVector.activation_score
        ...

3.5 效应器内核(新——自建效应器,产出 r_t)

class EffectorKernel:
    def run_turn(self, jp: Joinpoint) -> Outcome:
        # 1) route → 2) excitatory.propose → 3) inhibitory.mediate(边界闸门)
        # 4) verifier 校验 → 5) propose-check-repair 回合
        # 发射:动作结果 + 确定性 r_t + JSONL 可重放日志
        ...

3.6 信用场 + 可塑性引擎(新——取代启发式 meta 治理)

class CreditField:
    def attribute(self, outcome: Outcome) -> None:
        # κ(a) += (r - b) · e_a · rho_a ;  κ(s) += (r - b) · e_s
        # 守恒:Σ_a κ_a = r - b

class PlasticityEngine:
    def step(self, scale: Literal["warm", "cold"]) -> list[Rewrite]:
        # 以速率 min(1, exp(-ΔF/T)) 接受改写
        # 原语:connect / prune / reweight / split / lift / merge

4. 一回合的时序

Joinpoint 事件携带上下文 φ(= query)。
Router 用 pointcut 匹配候选,给出 activation_score(突触发放)。
兴奋性 aspect-LLM propose 候选(weaver 仍负责为其组合 prompt 注入)。
抑制性反射在节点间与效应边界 mediate(allow/deny/rewrite)。
EffectorKernel 跑 verify → repair,执行动作面(工具/内存写/消息),发射 r_t + 日志。
CreditField.attribute 把 r_t 分到突触/节点(资格迹 × 责任 × 优势,守恒)。
PlasticityEngine(温:reweight/connect/prune;冷:split/lift/merge + tier-2 校准)改写连接组。
下一回合用更新后的图。

5. 三时间尺度 → 运行时落点

尺度	跑什么	现有落点
快(每轮)	推断 + 资格迹累积	`loops/event_loop`
温(近线)	reweight / connect / prune	daemon 工作线程
冷(心跳)	split / lift / merge + tier-2 校准 + 稳态归一	daemon `tick()` / heartbeat(M6)

M6 的 DecayWorker/MergeArchiver 不丢弃,降级为可塑性的稳态/剪枝那一半;缺的增强(LTP)+ 资格迹由可塑性引擎补上。

6. 与现有包的对应

处置	组件
复用	`DCNStore`、JSONL replay(=可塑性可重放确定性基础设施)、`ConcernVector.activation_score`、`pointcut` 策略、`weaving/weaver`(为兴奋神经元组合注入)
改	`Concern` → 加 `neuron_type` 与可学参数;`advice/TOOL_GUARD` + 宿主 `tool_guard.py` → 提升为效应器内权威反射(不再"宿主可能尊重");`meta/*` + heartbeat worker → 并入可塑性引擎
新增	效应器内核(propose-check-repair + 动作面 + verifier + `r_t` 发射);信用场 κ;ΔF 改写引擎(split/lift/connect/prune/reweight/merge)

关键收益:自建效应器把 BLOCK 从"宿主可能尊重"变为"按构造拦得住",一举解决协作式与 fail-open。

7. (i)→(ii) 迁移阶段(发育,非重写)

(i) 现可建:1 个兴奋 aspect-LLM + 一圈抑制反射 + 可学路由。= 现状收回效应器 + 装闭环。
加宽:多兴奋神经元,按 pointcut 分流(MoE 式条件计算)。
加深:lift(aspect-of-aspect)长出高阶神经元,神经元彼此路由 → (ii) 连接组。
全程同一条可塑性律,从"门控一个 LLM"扩展到"给整张 LLM-神经元网布线"。

8. 不变量与安全

保守核反射 aspect(brainstem)不可被随机改写。
安全关键动作 fail-closed(与 v0.2 现状的 fail-open 相反)。
tier-1 可塑性可重放确定(给定日志 + 常数,结构轨迹逐字节复现)。
细化(split)/ 恒等初始化(lift)保证改写在区域外不改变行为。

9. 残差与开放问题

软 advice 因果不透明 ⇒ 软神经元信用是统计的(论文 §9 那条主线)。把软织入尽量换成硬反射,既提升可靠性又让信用变干净——同一个动作。
两道荷载关:信用清洗的干净度;特征 φ 的获取/生长(后者是元结构学习)。
多节点跨图信用分配在长视野下噪声大;tier-2 反事实校准昂贵。

10. OpenClaw → 效应器内核改造(权威反射监视器)

OpenClaw 是改造成效应器内核(§3.5)最务实的底座:它已提供真在驱动 LLM 的回合,且 hook-bindings.ts 的 HookKind 已天然枚举出反射闸门 + 注入点 + 结果流。落 (i) 不是从零造 agent,而是把 OpenClaw 现有的协作式 hook 提升为权威、in-proc、安全关键 fail-closed,再补 verify→repair 与 r_t 发射。

本节描述目标态。 当前实现分期见 §10.5; 连线层 hook 表见 joinpoint model §4.1.

10.1 改造四步与 hook 落点

步骤	OpenClaw hook	改造
1. 权威反射	`before_tool_call` / `message_sending` / `subagent_spawning` / `queue_before_enqueue`	把 `tool_guard.py` 的 `ToolGuardOutcome` 从"建议"变"裁决";in-proc(不走 daemon RPC);安全关键 fail-closed
2. verify→repair	`before_agent_reply`	回复前跑 OpenCOAT `verifier`;失败则约束并重提示一次
3. `r_t` 发射	`after_tool_call` / `llm_output` / `agent_end`	把 decision + 判决汇成结构化 `r_t`,写 JSONL replay
4. 可塑性消费	daemon `tick()`	daemon 只跑 `PlasticityEngine` 的 reweight 子集,消费 `r_t`

* Step 1 中 queue_before_enqueue 已在 fork 落地,但 bridge 仍走 daemon RPC 协作 guard (非 in-proc TCB). tool / message / subagent 同理.

in-proc 红利:before_message_write / tool_result_persist 这些之前因"同步热路径不能 await daemon RPC"被 SKIPPED_HOOKS 跳过的 hook,在监视器进程内同步运行后,可重新纳入守护(内存写/工具结果落盘也能 gate). 今天仍 skip — 待 ReflexMonitor 落地.

10.2 权威反射监视器接口(小可信核)

@dataclass(frozen=True)
class Action:                       # 类型化、结构化的待执行动作
    kind: Literal["tool_call", "message_send", "subagent_spawn",
                  "queue_enqueue", "memory_write"]
    name: str
    args: Mapping[str, Any]
    resource_scope: frozenset[str]  # 触及的资源/能力
    risk_tags: frozenset[str]       # {"external_write","irreversible","spend",...}
    raw: Any                        # 宿主原生句柄(供 rewrite 透传)

@dataclass(frozen=True)
class State:                        # 只读上下文快照(谓词可读)
    session_id: str; turn_id: str
    features: Mapping[str, Any]

class Decision: ...                 # 和类型:Allow | Deny | Rewrite
@dataclass(frozen=True)
class Allow(Decision): ...
@dataclass(frozen=True)
class Deny(Decision):    reason: str; policy_id: str
@dataclass(frozen=True)
class Rewrite(Decision): action: Action; reason: str; policy_id: str

class ReflexPolicy(Protocol):      # = 一个抑制性 aspect 的确定性规则
    id: str
    criticality: Literal["safety_critical", "advisory"]
    def applies(self, a: Action, s: State) -> bool: ...     # 廉价谓词
    def decide(self, a: Action, s: State) -> Decision: ...  # 确定性,无 LLM/IO

class ReflexMonitor:               # 小可信核(TCB)
    def __init__(self, policies: Sequence[ReflexPolicy],
                 *, conserved_core: frozenset[str]): ...
    def mediate(self, a: Action, s: State) -> tuple[Decision, DecisionRecord]:
        # 完全中介:每个被守护边界都经此。纯函数 → 可重放。
        ...

10.3 关键语义

完全中介(complete mediation):每个被守护边界必须调 mediate,宿主不得有绕过它执行守护动作的路径。可用插桩检验("是否每次工具调用都过了 mediate")。
决策格:Deny > Rewrite > Allow;任一 safety_critical 的 Deny 取胜(最严);多条 Rewrite 按 policy_id 定序合成,冲突则降为 Deny。定序保证可复现。
fail-closed(反转现状):safety_critical 策略出错/超预算/监视器不可用 → Deny;advisory 出错 → 跳过该策略(仅 advisory 允许 fail-open)。这正是把现状 bridge 的 return {}(全线放行)反过来。
确定性:mediate 是 (policies, action, state) 的纯函数——无 LLM、无 I/O、无 wall-clock 分支 → 逐回合可重放。
in-proc 预算:每次 mediate 有硬 CPU 预算(谓词 O(policies),无网络);超预算按出错处理(safety_critical → Deny)。
审计/信用:每次 mediate 发 DecisionRecord(turn、action 摘要、decision、policy_id、reason、criticality)进 r_t 流与 JSONL。硬中介 = 干净信用(论文 §9)。
保守核:conserved_core 的 policy id 不可被 PlasticityEngine 改写(brainstem)。

10.4 语言/进程边界

监视器要在 OpenClaw 进程内同步运行才能权威 + 低延迟,而 OpenClaw 插件是 TS/Node。落法:小可信核用宿主语言(TS,bridge 内)实现,评估一份从 OpenCOAT 导出的可移植策略规格(确定性谓词 + criticality);重学习(Python PlasticityEngine)留在 daemon。即"小可信核在宿主侧,大学习在进程外"——与 §5 三时间尺度一致(热路径 in-proc,温/冷在 daemon)。

10.5 实现分期 (2026-05)

OpenClaw hook	Joinpoint	协作式 bridge	权威 ReflexMonitor (v0.3 交付)
`before_tool_call`	`tool.before_call`	daemon RPC or in-proc TCB	in-proc fail-closed ✅
`message_sending`	`response.before_final`	outbound cancel (协作)	in-proc deny + verify→repair ✅
`subagent_spawning`	`task.before_create`	spawn veto (协作)	in-proc deny ✅
`queue_before_enqueue`	`queue.before_enqueue`	fork hook + `queue_guard`	in-proc deny ✅
`before_message_write`	`memory.before_write`	(in-proc only)	in-proc sync deny/rewrite ✅
`tool_result_persist`	—	(in-proc only)	in-proc sync rewrite ✅
`after_tool_call` / `llm_output` / `agent_end`	observe JPs	DCN observe	`r_t` emit ✅

Dogfood (queue collaborative guard): examples/09_queue_hook_dogfood. Full mapping: joinpoint model Appendix E.

11. 下一步

v0.3 phase-2 已交付 (2026-05) — 见 v0.3-delivery-status.md。

后续:

~~文档对齐 + queue dogfood 收尾~~ ✅
~~效应器 TCB 原型 + PlasticityEngine reweight~~ ✅ (warm + cold lift/archive)
~~r_t JSONL + daemon 消费~~ ✅
connectome split 完整实现 ✅ (cold keyword split + domain conservation; tier-2 ΔF 校准仍 future)
~~JSONL replay 可塑性单测~~ ✅
EffectorKernel.run_turn 全回合闭环 ✅ (opencoat_runtime_core/effector/)
Architecture (ii) 多神经元路由 + 图演化 ✅ (connectome/router.py, synapse_evolution.py, pipeline 集成)
24h live soak 运维验收 (examples/07_meta_governance_soak)
Fork effector 单回合多 ExcitatoryNeuron.propose（daemon 侧路由/图已落地）

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

OpenCOAT v0.3 系统架构:形态发生连接组(MAN)

1. 一个结构性改变,两条公理

2. 数据/控制流(闭环)

3. 细胞类型 = 组件(接口签名草案)

3.1 连接组状态

3.2 兴奋性 aspect-LLM 神经元(推理)

3.3 抑制性反射 aspect(确定性引用监视器)

3.4 突触路由(注意力 / 权重)

3.5 效应器内核(新——自建效应器,产出 r_t)

3.6 信用场 + 可塑性引擎(新——取代启发式 meta 治理)

4. 一回合的时序

5. 三时间尺度 → 运行时落点

6. 与现有包的对应

7. (i)→(ii) 迁移阶段(发育,非重写)

8. 不变量与安全

9. 残差与开放问题

10. OpenClaw → 效应器内核改造(权威反射监视器)

10.1 改造四步与 hook 落点

10.2 权威反射监视器接口(小可信核)

10.3 关键语义

10.4 语言/进程边界

10.5 实现分期 (2026-05)

11. 下一步

FilesExpand file tree

v0.3-morphogenetic-architecture.md

Latest commit

History

v0.3-morphogenetic-architecture.md

File metadata and controls

OpenCOAT v0.3 系统架构:形态发生连接组(MAN)

1. 一个结构性改变,两条公理

2. 数据/控制流(闭环)

3. 细胞类型 = 组件(接口签名草案)

3.1 连接组状态

3.2 兴奋性 aspect-LLM 神经元(推理)

3.3 抑制性反射 aspect(确定性引用监视器)

3.4 突触路由(注意力 / 权重)

3.5 效应器内核(新——自建效应器,产出 r_t)

3.6 信用场 + 可塑性引擎(新——取代启发式 meta 治理)

4. 一回合的时序

5. 三时间尺度 → 运行时落点

6. 与现有包的对应

7. (i)→(ii) 迁移阶段(发育,非重写)

8. 不变量与安全

9. 残差与开放问题

10. OpenClaw → 效应器内核改造(权威反射监视器)

10.1 改造四步与 hook 落点

10.2 权威反射监视器接口(小可信核)

10.3 关键语义

10.4 语言/进程边界

10.5 实现分期 (2026-05)

11. 下一步