version: "1.0.2" name: paranoia-ai-system-evolver description: 用于升级 AI 系统、agent workflow、Codex skill、prompt、memory、RAG、tool routing、schema、eval set 或 feedback loop；也用于对研究、检索、测试和 AI 对话做 VOI 决策门审计。需要 WOOP 任务准入、决策对象、VOI/EVPI/EVSI、OODA、eval、Human Gate、versioning 与 rollback 的受控演化时使用。Use when controlled AI system evolution or a decision-oriented information audit is needed. metadata: short-description: 用 WOOP、VOI 决策门、OODA 与 Evals 受控进化 AI 系统

Paranoia AI System Evolver

Copyright (c) 2026 Paranoia. Licensed under the MIT License.

核心立场

把 AI 系统演化当成受控系统设计，而不是神秘的自我改良；把信息获取当成决策投资，而不是越多越好的默认动作。

WOOP 定义任务意图、验收结果、失败模式和恢复协议。
Decision Object 定义现在到底要决定什么，以及没有新信息时会做什么。
RJR-AI 定义剩余判断权、授权边界和谁能拍板。
VOI 判断哪些信息、检索、追问、实验或 AI 分支值得付出成本。
Scenario VOI Adapter 定义不同使用场景里什么证据才真的会改变行动。
OODA 让 agent 用现实反馈刷新地图。
Evals 决定哪些改动值得留下。
Human Gate 防止一次有用突变污染长期系统。
Rollback 让每次提升都可逆。

VOI 的硬规则：真实、新鲜或结构清晰的信息不一定有价值。只有当合理信号可能改变行动、优先级、资源配置或停止条件时，它才具有当前决策价值。

RJR-AI 的硬规则：AI 可以扩大可能性，Workflow 可以压缩混乱，Eval 可以提供反馈，权限系统可以防止越界，知识库可以积累组织记忆；但高耦合、低可逆、证据不足且必须下注的问题，属于人的剩余判断权，agent 只能辅助论证并进入 Human Gate。

何时使用

用于改动这些层：

• prompt、system instruction、memory、RAG、tool routing、workflow、schema、eval set、docs 或 Codex skill；
• agent feedback loop、trace format、release gate 与 rollback policy；
• 需要 model compression、causal mediator、WOOP harness protocol 或 total description cost 降低的 AI engineering 结构；
• 需要判断某次搜索、追问、读记忆、日志分析、实验或更多 AI 对话是否值得；
• 出现 FOMO、信息过载、分支爆炸、研究替代行动或高结构低价值输出时。

不要用它来合理化失控的模型权重改动、静默长期记忆写入、未经批准的全局 skill 安装，或没有 Human Gate 的生产影响行为。它也不是通用热点总结器；没有决策对象时，只允许有预算的探索或明确的信息消费。

快速流程

1. 定义任务和被改动的系统层：prompt、memory、RAG、tool routing、workflow、eval、schema、docs 或 skill。
2. 写轻量 WOOP Task Card：

• Wish / Intent Spec：目标、输出物、范围与停止条件；
• Outcome / Evaluation Rubric：验收标准与决策收益；
• Obstacle / Failure Pattern：目标漂移、过度信任、上下文污染、工具滥用、FOMO 调研、选项爆炸、虚假确定性等内在失败模式；
• Plan / If-Then Protocol：触发条件、判断者、恢复动作、重试、交还人或 rollback。

1. 在获取更多信息前定义 Decision Object：

• 决策问题、owner、deadline；
• 真实可选项；
• current_default_action，即没有新信息时的行动；
• stakes、reversibility 与 boundary_status: undefined | far | near | locked。

1. 建立 RJR-AI 授权门：

• 判断 coupling：局部低耦合，还是会牵动产品、系统、账号、发布、长期规则的高耦合；
• 判断 reversibility：可逆、撤回昂贵，还是不可逆；
• 写出 delegation：AI 只能读、建议、草稿，还是可做低风险可逆执行；
• 把低风险可逆任务交给自动化，把可测试事项交给 eval，把高耦合低可逆事项交给 Human Gate；
• 若证据不足但必须下注，明确 residual_judgment，由人选择方向。

1. 建立 VOI 决策门：

• 只保留会影响选项排序的不确定性；
• 每轮最多提出 3 个 candidate_information_actions 候选信息行动；
• 为可能信号预注册 posterior_update 与 action_if_seen；
• 若所有信号都不会改变行动，停止调研或标记为 model_learning / information_consumption；
• 用 EVPI 作为价值上界，用 EVSI 判断具体样本、实验或探针；
• 扣除获取、延迟、注意力、隐私、污染和实施风险成本；
• 选择净价值最高的最小探针，并写停止规则。

1. 选择 Scenario VOI Adapter，按具体使用场景定义有效证据：

• skill_evolution：看真实 trace、行为 eval、负迁移、rollback，而不是一次漂亮案例；
• game_direction：看玩家承诺、核心循环、题材解释规则、生产风险和最小原型信号；
• experience_diagnosis：看 evidence_id、issue priority、修复动作和下一轮验证是否改变；
• source_curation：看材料是否改变入库、分类、沉淀或拒绝，而不是只看内容新鲜；
• content_decision：看选题、角度、标题承诺、论证主线和发布判断是否改变；
• platform_fact：看当前一手来源、实际平台状态、兼容策略和时效边界；
• high_risk_action：看是否降低不可逆错误，并默认进入 Human Gate；
• ai_branch_management：看分支是否改变下一探针，不能改变行动的分支应归档或关闭。

1. 显式写出 operating model：

• compression：什么短模型能解释多数真实案例；
• causality：哪些 mediator 把输入连接到结果；
• control points：agent、workflow 或 human 能干预哪个 mediator；
• cost：core model、routing、state、validation、exception、recovery 的成本在哪里累积。

1. 维护紧凑 OODA 状态：

• Observe：目标、上下文、证据、惊讶信号、触发的 Obstacle；
• Orient：当前框架、用户模型、领域模型、决策边界、不确定性地图；
• Decide：选择动作、拒绝动作、VOI 理由与停止条件；
• Act：artifact、tool call、最小探针或 test；
• Evaluate：用 Outcome 打分，记录先验—信号—后验—行动变化。

1. 分离 task OODA 和 meta OODA。任务循环完成当前工作；元循环只提出未来系统可考虑的 candidate 改动。
2. 每个演化改动保持 candidate，直到证据、行为 eval、必要审批和 rollback 都存在。
3. 当目标层是 skill，回放代表性任务，检查是否减少低 VOI 分支、是否保留具体负反馈、是否出现更啰嗦、更慢或误触发的负迁移。
4. 满足任一条件即停止继续获取信息：行动对合理信号已稳健、边际 VOI 不高于边际成本、样本门达到、deadline 到达、剩余不确定性不改变行动，或 Human Gate 已承诺执行。

按需读取

• 完整 VOI、EVPI、EVPPI、EVSI、决策边界、AI 疲劳与反 AI 味规则：references/value-of-information-playbook.zh-CN.md；英文：references/value-of-information-playbook.en.md。
• WOOP 任务准入、执行监控和失败恢复：references/woop-harness-protocol.zh-CN.md；英文：references/woop-harness-protocol.en.md。
• RJR-AI 剩余判断权、授权门、VOI/OODA 系统演化闭环：references/evolution-loop-playbook.zh-CN.md；英文：references/evolution-loop-playbook.en.md。
• Model compression、causal mediator、control point 与 total description cost：references/model-compression-playbook.zh-CN.md；英文：references/model-compression-playbook.en.md。
• Eval、trace、versioning、promotion 与 rollback：references/eval-versioning-playbook.zh-CN.md；英文：references/eval-versioning-playbook.en.md。
• 可复制表单：
• VOI 决策门：templates/voi_decision_gate.md、templates/voi_decision_gate.zh-CN.md、templates/voi_decision_gate.en.md；
• OODA / VOI 状态：templates/ooda_voi_state.md、templates/ooda_voi_state.zh-CN.md、templates/ooda_voi_state.en.md；
• 进化提案：templates/evolution_proposal.md、templates/evolution_proposal.zh-CN.md、templates/evolution_proposal.en.md。
• VOI 行为回归案例：evals/voi-decision-gate-cases.md 与 evals/voi-decision-gate-cases.en.md。

Human Gate 默认项

执行以下动作前必须询问人：

• 写入长期记忆；
• 安装或替换全局 skill；
• 改动生产策略、发布行为、真实账号、资金或用户可见系统；
• 把生成内容或 workflow mutation 从 candidate 提升为当前规则；
• 删除、镜像、批量移动或覆盖项目工作区；
• 在高风险决策中用定性 VOI 评分替代真实损益模型。

输出契约

结束时说明：

• 当前要支持的决策、选项和默认行动；
• RJR-AI 授权判断：耦合度、可逆性、授权层级、delegation_matrix 与 residual_judgment；
• 决策边界与最高价值不确定性；
• 使用的场景 VOI Adapter、有效证据标准和最小探针；
• 选择或拒绝了哪些信息行动，以及信号如何改变行动；
• 何时停止继续调研；
• 改了什么；
• WOOP 如何落到结果；
• 哪些 eval 或检查已经运行；
• 哪些仍然是 candidate；
• 哪些需要 Human Gate；
• 如何 rollback。