Rnix

简体中文

English

简体中文

English

Appearance

教程 4：观察智能涌现 ​

本教程带你亲手体验 Rnix 的智能涌现——从干细胞分化到声誉驱动的自然选择。完成后你将看到，涌现不是玄学：它是可观测的、可测量的反馈闭环。

前置条件 ​

你将学到 ​

  1. 干细胞智能体如何根据意图自动分化
  2. 如何用 rnix lineage 观察分化过程
  3. DiffMemory 如何加速重复意图
  4. 声誉如何累积并影响技能选择
  5. 免疫系统如何被动监控智能体行为
  6. 协作拓扑如何记录智能体交互

步骤 0：清理涌现数据 ​

本教程使用教程 1 的 rnix-tutorial/ 项目。如果尚未创建，请先完成 教程 1 步骤零。

重要提示： 本教程观察涌现效应（声誉、DiffMemory、免疫画像）从零开始积累的过程。之前教程留下的数据会干扰结果。开始前请清理涌现相关数据：

bash
cd rnix-tutorial
rnix daemon stop
# 涌现数据存储在全局数据目录下（默认 ~/.local/share/rnix/）
rm -rf "${RNIX_DATA_DIR:-${XDG_DATA_HOME:-$HOME/.local/share}/rnix}"/{reputation,diffmemory,immune}

如果你跳过了教程 1–3，还需要创建 src/utils.go 示例文件（src/server.go 在教程 1 中已创建）：

bash
cat > src/utils.go << 'EOF'
package main

import (
    "crypto/md5"
    "fmt"
    "strings"
)

func HashPassword(password string) string {
    h := md5.Sum([]byte(password))
    return fmt.Sprintf("%x", h)
}

func SanitizeInput(input string) string {
    return strings.ReplaceAll(input, "'", "")
}

func BuildQuery(table, where string) string {
    return fmt.Sprintf("SELECT * FROM %s WHERE %s", table, where)
}
EOF

这些文件包含故意的安全问题（命令注入、XSS、弱哈希、SQL 注入）——非常适合测试代码分析和安全扫描。

创建 Security Scan 技能 ​

本教程将演示多个 Skill 之间的协同效应。Rnix 自带一个内置的 code-analysis Skill。创建一个互补的 security-scan Skill，这样 StemMatcher 就能同时加载两者：

bash
mkdir -p .rnix/skills/security-scan
cat > .rnix/skills/security-scan/SKILL.md << 'EOF'
---
name: security-scan
description: >
  Scan source code for security vulnerabilities including injection attacks,
  authentication flaws, cryptographic weaknesses, and unsafe data handling.
allowed-tools: /dev/fs
metadata:
  author: tutorial
  version: "1.0"
---

# Security Scan

Scan source code for security vulnerabilities.

## Vulnerability categories

- **Injection**: SQL injection, command injection, path traversal
- **Authentication**: Missing auth checks, hardcoded credentials, weak hashing
- **Cryptographic**: MD5/SHA1 for passwords, weak random, hardcoded keys
- **Cross-site scripting**: Unescaped user input in HTML output
- **Input validation**: Missing sanitization, length limits, or type checks

## Workflow

1. Read the target file(s) via /dev/fs
2. Check each vulnerability category systematically
3. Classify findings as Critical / High / Medium
4. Report with file location, issue description, and fix suggestion
EOF

现在你有了两个分析类 Skill——code-analysis（内置）和 security-scan（刚创建）。步骤 4 将展示它们同时加载时如何产生协同效应。

步骤 1：观察干细胞分化 ​

发生了什么 ​

当你 spawn 一个进程而不指定 --agent 时，Rnix 默认使用干细胞智能体（stem agent）——一个不绑定任何 Skill 的通用智能体。StemMatcher 分析你的意图关键词，自动加载最匹配的 Skill。

试试看 ​

bash
rnix -i "Analyze the code quality of src/server.go"

观察 spawn 输出——[stem] 前缀行显示了自动匹配过程：

[kernel] spawning PID 1 (uuid: a1b2c3d4e5f6..., <provider>/<model>)...
[stem]   intent match: code-analysis (0.29)
[stem]   selected: [code-analysis]
[agent/1] step 1: /dev/fs → package main  import ( ...
[agent/1] step 2: /dev/fs → {"matches":[ ...
...
[kernel] PID 1 exited(0) | <provider>/<model> | tokens: 2,340 | elapsed: 4.2s

StemMatcher 使用关键词重叠率对意图和可用 Skill 做匹配。分数范围是 0.0–1.0，反映了意图关键词与 Skill 名称/描述关键词的交集比例。分数取决于你项目中安装的 Skill 及其描述文本。

注意： 如果你的项目没有安装任何 Skill，[stem] 行不会出现——StemMatcher 找不到匹配时静默跳过。请确保至少有一个 Skill（教程 1 中创建了 code-analysis）。

查看分化谱系 ​

bash
rnix lineage 1
Lineage for PID 1

[1] 2026-06-02 10:30:00  initial differentiation
    Skills: code-analysis
    Trigger: "Analyze the code quality of src/server.go"
    Source: keyword-match

谱系是观测性遥测——记录发生了什么，但不影响未来的决策。把它当作审计追踪。

步骤 2：观察 DiffMemory 加速重复意图 ​

首次运行——完整匹配 ​

第一次运行某个意图时，StemMatcher 对所有可用 Skill 做完整的关键词扫描。匹配结果被记录到 DiffMemory。

再次运行——记忆召回 ​

再运行同样的意图：

bash
rnix -i "Analyze the code quality of src/server.go"

这次 DiffMemory 识别出意图签名（标准化：小写 + 单词排序），即时召回之前的技能映射——无需关键词扫描。你会看到 [stem] 输出变为 memory recall：

[stem]   memory recall: [code-analysis]

验证 DiffMemory 正在工作 ​

DiffMemory 以 JSON Lines 文件持久化到磁盘。检查文件：

bash
cat ~/.local/share/rnix/diffmemory/diffmemory.json 2>/dev/null | head -5

你应该看到类似这样的条目：

json
{"intent":"Analyze the code quality of src/server.go","skills":["code-analysis"],"timestamp":"2026-06-01T10:30:00Z","hit_count":2}

hit_count 字段在每次相同意图模式被召回时递增。

步骤 3：通过多次执行积累声誉 ​

运行多个任务 ​

执行几个任务来积累声誉数据：

bash
rnix -i "Analyze code quality of src/server.go"
rnix -i "Analyze code quality of src/utils.go"
rnix -i "Check security vulnerabilities in src/server.go"

每次成功执行都通过 RecordResult 反馈到声誉系统。

查看声誉分数 ​

bash
rnix reputation
AGENT                SCORE  SUCCESS  AVG TOKENS  AVG DURATION  RECORDS  TREND
stem                  0.85  100.0%       2,150      4200ms        3  stable

声誉分数由成功率（70% 权重）和 Token 效率（30% 权重）综合计算。运行次数更多、成功率更高的智能体积累更高的分数。

查看特定智能体 ​

bash
rnix reputation stem
Agent: stem
Score: 0.85
Success Rate: 100.0%
Avg Token Usage: 2,150
Avg Duration: 4200ms
Total Records: 3
Trend: stable

步骤 4：观察协同效应 ​

什么是协同 ​

当某些 Skill 被同时加载时，它们可以产生超越各自功能的涌现能力。协同矩阵追踪哪些组合历史上表现更好。

Rnix 内置了两个分析类 Skill：code-analysis（通用代码质量）和 security-scan（安全漏洞扫描）。当两者同时匹配同一个 intent 时，它们会被一起加载，组合使用记录会被写入协同矩阵。

触发多技能任务 ​

运行一个受益于多个 Skill 的任务——示例文件有大量安全问题可供发现：

bash
rnix -i "Perform a security-aware code review of src/server.go"

观察 stem 输出——你应该看到两个 Skill 同时被匹配：

[stem]   intent match: code-analysis (0.30), security-scan (0.10)
[stem]   selected: [code-analysis, security-scan]

StemMatcher 发现了关键词重叠："code" 和 "review" 匹配 code-analysis，"security" 匹配 security-scan。两者都被加载，进程完成后它们的协同关系会被记录。

查看协同矩阵 ​

bash
rnix synergy list
SKILLS                    SUCCESS  AVG TOKENS  EXECUTIONS   VS SOLO  TOKEN GAIN  STATUS
code-analysis,security-sc  100.0%       3,200           1        -           -  -

随着更多任务成功使用这个组合，协同分数会增加——VS SOLO 和 TOKEN GAIN 列会显示组合与单独使用相比的表现差异。当组合成功率显著高于单独使用时，STATUS 列会显示 recommended，未来的干细胞匹配会优先选择经过验证的组合。

步骤 5：检查免疫系统 ​

默认行为：观测模式 ​

免疫系统默认启用，以 warn-only 模式运行。它静默监控每个进程，不干预运行。

查看免疫状态 ​

bash
rnix immune status
Immune Daemon: running (uptime: 5m30s)
Mode: warn-only
Security: OK
Profiles: 0
Active Monitors: 0
Threat Memory: 0 signatures

No behavior profiles established.

运行几个进程后，免疫系统开始构建行为基线。当某个 agent 模板积累至少 5 个样本后，异常检测才会激活。

理解学习期 ​

用同一个 agent 模板运行更多任务来构建行为画像：

bash
for i in 1 2 3 4 5; do
  rnix -i "Analyze code quality of src/server.go"
done

然后再次检查状态：

bash
rnix immune status
Immune Daemon: running (uptime: 10m15s)
Mode: warn-only
Security: OK
Profiles: 1
Active Monitors: 0
Threat Memory: 0 signatures

AGENT TEMPLATE       SAMPLES  TOKEN RATE (avg)  DURATION (avg)  LAST UPDATED
stem                       5        320.5 tok/s           4.2s  2026-06-02

免疫系统现在拥有了 stem 的正常行为画像——它知道典型的 token 消耗速率和执行时长范围。任何显著偏离（超过 3σ）的未来执行都会触发 warn-only 模式下的告警。

步骤 6：查看协作拓扑 ​

运行多智能体任务 ​

使用管道语法创建智能体协作。第一阶段使用教程 1 中创建的 summarizer 智能体，第二阶段使用默认的 stem 智能体：

bash
rnix -i 'spawn "Analyze src/server.go" --agent=summarizer | spawn "Summarize the analysis"'

这在协作拓扑中创建了一条两个不同智能体之间的协作边。

查看拓扑 ​

bash
rnix topology
Collaboration Topology (2 agents, 1 edges)

NODES:
AGENT                REPUTATION  CONNECTIONS
stem                       0.00            1
summarizer                 0.00            1

EDGES:
FROM                 TO                   SPAWN  MSG  TOTAL  REINFORCED
summarizer           stem                     1    0      1

随着更多协作事件积累，拓扑会揭示哪些智能体组合使用最频繁——有价值的运维洞察。当同一对智能体的交互次数超过阈值（默认 5 次），该路径会在 REINFORCED 列标记。

汇总 ​

你现在已经观察了 智能涌现 中描述的全部五种涌现效应：

效应你观察到的CLI 命令
自然选择声誉分数区分智能体表现rnix reputation
记忆加速DiffMemory 在第二次运行时召回技能映射cat ~/.local/share/rnix/diffmemory/diffmemory.json
神经可塑性相似度矩阵支持能力迁移rnix immune similarity <agent>
被动免疫学习5+ 样本后构建行为画像rnix immune status
协作发现拓扑记录 spawn 边rnix topology

实践中的反馈闭环 ​

你运行了任务 → 声誉积累 → 协同被记录
                                    ↓
下次干细胞匹配使用声誉 + 协同来重新排序技能
                                    ↓
更好的技能选择 → 更好的结果 → 更高的声誉
                                    ↓
                            闭环持续运转...

你运行的每个任务都让系统在将技能匹配到意图方面变得更好一点。这就是智能涌现——不是一个巧妙的算法，而是许多简单的反馈闭环随时间复合。

清理 ​

实验完成后，停止 daemon 并可选地删除示例项目：

bash
rnix daemon stop
cd .. && rm -rf rnix-tutorial

下一步 ​

Released under the MIT License.

Copyright © 2026 Rnix Contributors