paranoia-ai-system-evolver

Name: paranoia-ai-system-evolver
Author: DY-2026

298stars35forks

How to install paranoia-ai-system-evolver?

dy-2026/gamedesignos/paranoia-ai-system-evolver

$npx -y skills add DY-2026/GameDesignOS --skill paranoia-ai-system-evolver

Installs into the current project.

Summary

用于升级 AI 系统、agent workflow、Codex skill、prompt、memory、RAG、tool routing、schema、eval set 或 feedback loop；也用于把 AI 工作单从指令单升级为意图单，并对研究、检索、测试和 AI 对话做 VOI 决策门审计。需要 Intent Work Order、WOOP 任务准入、决策对象、VOI/EVPI/EVSI、UL（Uncertainty Ladder，不确定性阶梯）、OODA、eval、Human Gate、versioning 与 rollback 的受控演化

Files · 1

View on GitHub

SKILL.md

1	# Paranoia AI System Evolver
2
3	> Copyright (c) 2026 Paranoia. Licensed under the MIT License.
4
5	## 核心立场
6
7	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。
8
9	```text
10	Intent Work Order 先把“帮我写、优化、分析、出图”的指令单翻译成“要改变什么现实、谁验收、不能牺牲什么、AI 可自治到哪里”的作战意图。
11	WOOP 定义任务意图、验收结果、失败模式和恢复协议。
12	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。
13	RJR-AI 定义剩余判断权、授权边界和谁能拍板。
14	VOI 判断哪些信息、检索、追问、实验或 AI 分支值得付出成本。
15	Scenario VOI Adapter 定义不同使用场景里什么证据才真的会改变行动。
16	UL（Uncertainty Ladder，不确定性阶梯）控制下一轮释放多少未知，使失败可归因、复杂度逐步增加并经过迁移验证。
17	OODA 让 agent 用现实反馈刷新地图。
18	Evals 决定哪些改动值得留下。
19	Human Gate 防止一次有用突变污染长期系统。
20	Rollback 让每次提升都可逆。
21	```
22
23	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。
24
25	UL 的硬规则：VOI 选最值得消除的未知，UL 控制暴露剂量。每轮默认只释放一个主要不确定性；若失败无法区分主要解释，必须标记 `confounded`、恢复支架并退回更受控环境，不能继续叠加永久规则。受控样本通过不等于迁移通过，其他维度通过也不自动提升权限或真实后果。
26
27	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。
28
29	## 何时使用
30
31	用于改动这些层：
32
33	- prompt、system instruction、memory、RAG、tool routing、workflow、schema、eval set、docs 或 Codex skill；
34	- agent feedback loop、trace format、release gate 与 rollback policy；
35	- AI 工作单、任务单、需求单、prompt brief 从“命令 AI 做动作”升级为“给 AI 一个清晰作战意图并让它在边界内循环”；
36	- 需要把项目整体流程、workflow run、产出质量、验收、复盘和候选规则沉淀纳入治理检查；
37	- 需要 model compression、causal mediator、WOOP harness protocol 或 total description cost 降低的 AI engineering 结构；
38	- 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；
39	- 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。
40
41	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。
42
43	## 快速流程
44
45	1. 定义任务和被改动的系统层：`prompt`、`memory`、`RAG`、`tool routing`、`workflow`、`eval`、`schema`、`docs` 或 `skill`。
46	2. 若用户给的是指令单，先写轻量 `Intent Work Order`：
47	- `reality_to_change`：我要改变什么现实；
48	- `parent_project_goal`：服务哪个更大的项目目标；
49	- `desired_world_state`：完成后外部世界应该变成什么状态；
50	- `verifier_role` 与 `first_impression_must_understand`：谁验收，第一眼必须看懂什么；
51	- `must_not_sacrifice`、`ai_can_freely_change`、`ai_must_not_touch`：不能牺牲、可自由改和不允许碰；
52	- `decision_principles_if_plan_breaks`：原计划不成立时按什么原则改方向；
53	- `failure_signals_to_check_before_delivery` 与 `retrospective_contract`：交付前自查和复盘沉淀。
54	3. 写轻量 `WOOP Task Card`：
55	- `Wish / Intent Spec`：目标、输出物、范围与停止条件；
56	- `Outcome / Evaluation Rubric`：验收标准与决策收益；
57	- `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；
58	- `Plan / If-Then Protocol`：触发条件、判断者、恢复动作、重试、交还人或 rollback。
59	4. 在获取更多信息前定义 `Decision Object`：
60	- 决策问题、owner、deadline；
61	- 真实可选项；
62	- `current_default_action`，即没有新信息时的行动；
63	- stakes、reversibility 与 `boundary_status: undefined \| far \| near \| locked`。
64	5. 建立 `RJR-AI` 授权门：
65	- 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；
66	- 判断 reversibility：可逆、撤回昂贵，还是不可逆；
67	- 写出 delegation：AI 只能读、建议、草稿，还是可做低风险可逆执行；
68	- 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；
69	- 若证据不足但必须下注，明确 `residual_judgment`，由人选择方向。
70	6. 建立 VOI 决策门：
71	- 只保留会影响选项排序的不确定性；
72	- 每轮最多提出 3 个 `candidate_information_actions` 候选信息行动；
73	- 为可能信号预注册 `posterior_update` 与 `action_if_seen`；
74	- 若所有信号都不会改变行动，停止调研或标记为 `model_learning` / `information_consumption`；
75	- 用 EVPI 作为价值上界，用 EVSI 判断具体样本、实验或探针；
76	- 扣除获取、延迟、注意力、隐私、污染和实施风险成本；
77	- 选择净价值最高的最小探针，并写停止规则。
78	7. 选择 `Scenario VOI Adapter`，按具体使用场景定义有效证据：
79	- `skill_evolution`：看真实 trace、行为 eval、负迁移、rollback，而不是一次漂亮案例；
80	- `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；
81	- `experience_diagnosis`：看 evidence_id、issue priority、修复动作和下一轮验证是否改变；
82	- `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；
83	- `content_decision`：看选题、角度、标题承诺、论证主线和发布判断是否改变；
84	- `platform_fact`：看当前一手来源、实际平台状态、兼容策略和时效边界；
85	- `high_risk_action`：看是否降低不可逆错误，并默认进入 Human Gate；
86	- `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。
87	8. 建立 `UL (Uncertainty Ladder)`，为下一轮验证设计可归因的环境：
88	- 声明目标能力与当前阶段：`UL-L0 \| UL-L1 \| UL-L2 \| UL-L3 \| UL-L4 \| UL-L5`；
89	- 记录输入新颖度、上下文歧义、工具环境、协作、权限与后果、验收歧义的暴露向量；
90	- 写出本轮 `released_this_round`、`held_constant`、仍保留的支架和失败后果预算；
91	- 每轮默认只释放一个主要变量，预注册 pass / fail / confounded / stop 信号；
92	- 失败后用消融、对照或反事实定位 `primary_bottleneck`，只针对主瓶颈修改；
93	- 同层复现后才增加复杂度，最后用近/中迁移和负迁移样本限制适用范围；
94	- 权限、发布、资金、长期记忆和真实用户影响不随阶段自动晋升，仍走 RJR-AI / Human Gate。
95	9. 显式写出 operating model：
96	- compression：什么短模型能解释多数真实案例；
97	- causality：哪些 mediator 把输入连接到结果；
98	- control points：agent、workflow 或 human 能干预哪个 mediator；
99	- cost：core model、routing、state、validation、exception、recovery 的成本在哪里累积。
100	10. 维护紧凑 OODA 状态：
101	- Observe：目标、上下文、证据、惊讶信号、触发的 Obstacle；
102	- Orient：当前框架、用户模型、领域模型、决策边界、不确定性地图；
103	- Decide：选择动作、拒绝动作、VOI 理由

People who liked this also viewed

6 picks

Type

paranoia-ai-system-evolver

298stars35forks

View on GitHub

How to install paranoia-ai-system-evolver?

dy-2026/gamedesignos/paranoia-ai-system-evolver

$npx -y skills add DY-2026/GameDesignOS --skill paranoia-ai-system-evolver

Installs into the current project.

Summary

Files · 1

View on GitHub

SKILL.md

1	# Paranoia AI System Evolver
2
3	> Copyright (c) 2026 Paranoia. Licensed under the MIT License.
4
5	## 核心立场
6
7	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。
8
9	```text
10	Intent Work Order 先把“帮我写、优化、分析、出图”的指令单翻译成“要改变什么现实、谁验收、不能牺牲什么、AI 可自治到哪里”的作战意图。
11	WOOP 定义任务意图、验收结果、失败模式和恢复协议。
12	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。
13	RJR-AI 定义剩余判断权、授权边界和谁能拍板。
14	VOI 判断哪些信息、检索、追问、实验或 AI 分支值得付出成本。
15	Scenario VOI Adapter 定义不同使用场景里什么证据才真的会改变行动。
16	UL（Uncertainty Ladder，不确定性阶梯）控制下一轮释放多少未知，使失败可归因、复杂度逐步增加并经过迁移验证。
17	OODA 让 agent 用现实反馈刷新地图。
18	Evals 决定哪些改动值得留下。
19	Human Gate 防止一次有用突变污染长期系统。
20	Rollback 让每次提升都可逆。
21	```
22
23	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。
24
25	UL 的硬规则：VOI 选最值得消除的未知，UL 控制暴露剂量。每轮默认只释放一个主要不确定性；若失败无法区分主要解释，必须标记 `confounded`、恢复支架并退回更受控环境，不能继续叠加永久规则。受控样本通过不等于迁移通过，其他维度通过也不自动提升权限或真实后果。
26
27	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。
28
29	## 何时使用
30
31	用于改动这些层：
32
33	- prompt、system instruction、memory、RAG、tool routing、workflow、schema、eval set、docs 或 Codex skill；
34	- agent feedback loop、trace format、release gate 与 rollback policy；
35	- AI 工作单、任务单、需求单、prompt brief 从“命令 AI 做动作”升级为“给 AI 一个清晰作战意图并让它在边界内循环”；
36	- 需要把项目整体流程、workflow run、产出质量、验收、复盘和候选规则沉淀纳入治理检查；
37	- 需要 model compression、causal mediator、WOOP harness protocol 或 total description cost 降低的 AI engineering 结构；
38	- 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；
39	- 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。
40
41	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。
42
43	## 快速流程
44
45	1. 定义任务和被改动的系统层：`prompt`、`memory`、`RAG`、`tool routing`、`workflow`、`eval`、`schema`、`docs` 或 `skill`。
46	2. 若用户给的是指令单，先写轻量 `Intent Work Order`：
47	- `reality_to_change`：我要改变什么现实；
48	- `parent_project_goal`：服务哪个更大的项目目标；
49	- `desired_world_state`：完成后外部世界应该变成什么状态；
50	- `verifier_role` 与 `first_impression_must_understand`：谁验收，第一眼必须看懂什么；
51	- `must_not_sacrifice`、`ai_can_freely_change`、`ai_must_not_touch`：不能牺牲、可自由改和不允许碰；
52	- `decision_principles_if_plan_breaks`：原计划不成立时按什么原则改方向；
53	- `failure_signals_to_check_before_delivery` 与 `retrospective_contract`：交付前自查和复盘沉淀。
54	3. 写轻量 `WOOP Task Card`：
55	- `Wish / Intent Spec`：目标、输出物、范围与停止条件；
56	- `Outcome / Evaluation Rubric`：验收标准与决策收益；
57	- `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；
58	- `Plan / If-Then Protocol`：触发条件、判断者、恢复动作、重试、交还人或 rollback。
59	4. 在获取更多信息前定义 `Decision Object`：
60	- 决策问题、owner、deadline；
61	- 真实可选项；
62	- `current_default_action`，即没有新信息时的行动；
63	- stakes、reversibility 与 `boundary_status: undefined \| far \| near \| locked`。
64	5. 建立 `RJR-AI` 授权门：
65	- 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；
66	- 判断 reversibility：可逆、撤回昂贵，还是不可逆；
67	- 写出 delegation：AI 只能读、建议、草稿，还是可做低风险可逆执行；
68	- 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；
69	- 若证据不足但必须下注，明确 `residual_judgment`，由人选择方向。
70	6. 建立 VOI 决策门：
71	- 只保留会影响选项排序的不确定性；
72	- 每轮最多提出 3 个 `candidate_information_actions` 候选信息行动；
73	- 为可能信号预注册 `posterior_update` 与 `action_if_seen`；
74	- 若所有信号都不会改变行动，停止调研或标记为 `model_learning` / `information_consumption`；
75	- 用 EVPI 作为价值上界，用 EVSI 判断具体样本、实验或探针；
76	- 扣除获取、延迟、注意力、隐私、污染和实施风险成本；
77	- 选择净价值最高的最小探针，并写停止规则。
78	7. 选择 `Scenario VOI Adapter`，按具体使用场景定义有效证据：
79	- `skill_evolution`：看真实 trace、行为 eval、负迁移、rollback，而不是一次漂亮案例；
80	- `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；
81	- `experience_diagnosis`：看 evidence_id、issue priority、修复动作和下一轮验证是否改变；
82	- `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；
83	- `content_decision`：看选题、角度、标题承诺、论证主线和发布判断是否改变；
84	- `platform_fact`：看当前一手来源、实际平台状态、兼容策略和时效边界；
85	- `high_risk_action`：看是否降低不可逆错误，并默认进入 Human Gate；
86	- `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。
87	8. 建立 `UL (Uncertainty Ladder)`，为下一轮验证设计可归因的环境：
88	- 声明目标能力与当前阶段：`UL-L0 \| UL-L1 \| UL-L2 \| UL-L3 \| UL-L4 \| UL-L5`；
89	- 记录输入新颖度、上下文歧义、工具环境、协作、权限与后果、验收歧义的暴露向量；
90	- 写出本轮 `released_this_round`、`held_constant`、仍保留的支架和失败后果预算；
91	- 每轮默认只释放一个主要变量，预注册 pass / fail / confounded / stop 信号；
92	- 失败后用消融、对照或反事实定位 `primary_bottleneck`，只针对主瓶颈修改；
93	- 同层复现后才增加复杂度，最后用近/中迁移和负迁移样本限制适用范围；
94	- 权限、发布、资金、长期记忆和真实用户影响不随阶段自动晋升，仍走 RJR-AI / Human Gate。
95	9. 显式写出 operating model：
96	- compression：什么短模型能解释多数真实案例；
97	- causality：哪些 mediator 把输入连接到结果；
98	- control points：agent、workflow 或 human 能干预哪个 mediator；
99	- cost：core model、routing、state、validation、exception、recovery 的成本在哪里累积。
100	10. 维护紧凑 OODA 状态：
101	- Observe：目标、上下文、证据、惊讶信号、触发的 Obstacle；
102	- Orient：当前框架、用户模型、领域模型、决策边界、不确定性地图；
103	- Decide：选择动作、拒绝动作、VOI 理由

People who liked this also viewed

6 picks

Type