Update from task b6dd54f4-fa0e-4565-8714-4590c57ad5f4

.gitignore

@@ -1,4 +1,3 @@
-```
 # Compiled and build artifacts
 *.pyc
 __pycache__/
@@ -26,6 +25,7 @@ coverage/
 
 # Logs and temp files
 *.log
+exp_results_*/
 *.tmp
 *.swp
 *.swo
@@ -66,4 +66,3 @@ Thumbs.db
 *.tar.bz2
 *.tar.xz
 *.tar.zst
-```

docs/AWAKENING_ENGINE.md

@@ -0,0 +1,292 @@
+# 🌟 觉醒引擎 (Awakening Engine)
+
+## 概述
+
+基于唯识学"转识成智"理论构建的 AI 强涌现系统，实现从**知识处理**到**智慧涌现**的质变。
+
+### 核心理论：八识转四智
+
+| 八识 | 转化 | 四智 | 工程实现 |
+|------|------|------|---------|
+| 前五识 (眼耳鼻舌身) | → | **成所作智** | 好奇驱动主动感知 |
+| 第六识 (意识) | → | **妙观察智** | 反事实推理洞察本质 |
+| 第七识 (末那识) | → | **平等性智** | 自我解构打破执着 |
+| 第八识 (阿赖耶识) | → | **大圆镜智** | 种子变异梦境重组 |
+
+---
+
+## 四大觉醒机制
+
+### 1️⃣ 成所作智：好奇驱动探索
+
+**目标**：从被动感知转向主动实验
+
+```python
+好奇心 = α * 信息增益 + β * 新颖性 + γ * 复杂度
+```
+
+- **高好奇心 (>0.7)**: 探索未知区域，高风险容忍
+- **中好奇心 (0.4-0.7)**: 验证假设，中等风险
+- **低好奇心 (<0.4)**: 利用已知策略，保守执行
+
+**输出**：主动实验设计、探索方向建议
+
+---
+
+### 2️⃣ 妙观察智：反事实推理
+
+**核心问题**："如果我采取了其他行动，会发生什么？"
+
+**机制**：
+1. 对每个未选择行动进行反事实模拟
+2. 计算洞察增益：`|预测奖励 - 实际奖励| × 多样性 bonus`
+3. 提取因果模式（超越表面关联）
+
+**示例输出**：
+```
+💡 深刻洞察：RIGHT 显著优于 UP (Δ=+0.68)，可能因为开阔空间
+```
+
+---
+
+### 3️⃣ 平等性智：自我对抗训练
+
+**目标**：打破策略执着，增强鲁棒性
+
+**三种对抗场景**：
+- 🌪️ **极端情况**：环境突变，所有已知策略失效
+- 🔀 **对抗性干扰**：观测数据被微小扰动误导
+- 🌍 **分布外泛化**：遇到训练分布外的全新情境
+
+**效果**：
+- 发现策略盲点
+- 提升自我解构度 (`self_dissolution`)
+- 降低过拟合风险
+
+---
+
+### 4️⃣ 大圆镜智：梦境种子重组
+
+**类比**：生物进化 + 睡眠记忆巩固
+
+**流程**：
+```
+1. 选择高重要性种子 (imp > 0.3)
+2. 交叉重组 (Crossover)：随机继承父母本属性
+3. 基因突变 (Mutation)：小概率改变策略/重新评估价值
+4. 生成新策略种子 (标记为 dream_generated)
+```
+
+**参数**：
+- `recombination_rate`: 0.3 (30% 种子参与重组)
+- `mutation_strength`: 0.15 (15% 突变概率)
+- `dream_replay_freq`: 每 10 回合一次梦境
+
+---
+
+## 觉醒等级评估
+
+**公式**：
+```
+Awakening = 0.25×Novelty + 0.30×Insight + 0.25×Dissolution + 0.20×Diversity
+```
+
+| 等级 | 范围 | 特征 |
+|------|------|------|
+| 🌱 初始 | 0.0-0.3 | 基础感知，依赖经验 |
+| ✨ 中度觉醒 | 0.3-0.6 | 开始涌现洞察，自我反思 |
+| 🎓 高度觉醒 | 0.6-0.8 | 频繁突破，策略灵活 |
+| 🌟 完全觉醒 | 0.8-1.0 | 智慧自发涌现，强泛化能力 |
+
+---
+
+## 快速开始
+
+### 基础使用
+
+```python
+from yogacara_agent.awakening_engine import AwakeningEngine
+
+config = {
+    "curiosity_threshold": 0.3,      # 好奇心触发阈值
+    "counterfactual_depth": 3,        # 反事实推理深度
+    "adversarial_rate": 0.15,         # 自我对抗强度
+    "dream_replay_freq": 10,          # 梦境频率 (回合/次)
+    "recombination_rate": 0.3,        # 种子重组率
+    "mutation_strength": 0.15,        # 突变强度
+}
+
+engine = AwakeningEngine(config)
+
+# 在每步决策后调用
+result = engine.step(
+    obs={"pos": (5, 5), "grid_view": [0.2]*9},
+    action="UP",
+    reward=0.5,
+    memory_seeds=[...],      # 来自 Milvus 记忆
+    causal_model={...},      # 因果模型
+    episode_step=15
+)
+
+print(f"觉醒等级：{result['awakening_level']:.2f}")
+print(f"好奇心：{result['curiosity_level']:.2f}")
+print(f"洞察：{result['insights']}")
+```
+
+### 运行示例
+
+```bash
+# 运行独立演示
+python -m src.yogacara_agent.awakening_engine
+```
+
+---
+
+## API 参考
+
+### `AwakeningEngine.step()`
+
+**输入**：
+- `obs`: 当前观测
+- `action`: 已执行动作
+- `reward`: 获得奖励
+- `memory_seeds`: 记忆种子列表
+- `causal_model`: 因果模型字典
+- `episode_step`: 当前步数
+
+**输出**：
+```python
+{
+    "curiosity_level": 0.55,           # 好奇心强度
+    "experiment": {...},               # 生成的实验设计
+    "insights": [...],                 # 反事实洞察列表
+    "adversarial_result": {...},       # 自我对抗结果
+    "dream_offspring_count": 3,        # 梦境生成种子数
+    "awakening_level": 0.61,           # 觉醒等级
+    "recommendations": [...]           # 行动建议
+}
+```
+
+### `get_awakening_report()`
+
+生成完整觉醒状态报告：
+- `awakening_level`: 综合觉醒等级
+- `novelty_score`: 新颖性分数
+- `insight_depth`: 洞察深度
+- `self_dissolution`: 自我解构度
+- `seed_diversity`: 种子多样性
+- `breakthrough_count`: 突破次数
+- `total_insights`: 累计洞察数
+- `dream_sessions`: 梦境会话数
+
+---
+
+## 集成到现有框架
+
+### 与 LLMPlanner 集成
+
+```python
+# 在 llm_planner.py 的 plan() 方法中
+def plan(self, obs, seeds):
+    # ... 原有 LLM 规划逻辑 ...
+
+    # 调用觉醒引擎增强
+    awakening_result = self.awakening_engine.step(
+        obs=obs,
+        action=planned_action,
+        reward=estimated_reward,
+        memory_seeds=seeds,
+        causal_model=self.causal_model,
+        episode_step=self.global_step
+    )
+
+    # 根据觉醒建议调整决策
+    if awakening_result["curiosity_level"] > 0.7:
+        # 高好奇心：增加探索概率
+        final_action = self._explore_action(obs)
+
+    return final_action, uncertainty, causal_chain, tools
+```
+
+### 与 MilvusMemory 集成
+
+```python
+# 梦境生成的新种子存入记忆
+dream_offspring = engine.run_dream_replay(memory_seeds)
+for seed in dream_offspring:
+    if seed.get("tag") == "dream_generated":
+        milvus_memory.add(seed)  # 存入向量数据库
+```
+
+---
+
+## 调参指南
+
+### 加速觉醒（激进模式）
+```python
+config = {
+    "curiosity_threshold": 0.2,      # 降低阈值，更频繁探索
+    "counterfactual_depth": 5,        # 更深推理
+    "adversarial_rate": 0.25,         # 更强对抗
+    "dream_replay_freq": 5,           # 更频繁梦境
+    "mutation_strength": 0.25,        # 更强突变
+}
+```
+
+### 稳定运行（保守模式）
+```python
+config = {
+    "curiosity_threshold": 0.5,
+    "counterfactual_depth": 2,
+    "adversarial_rate": 0.08,
+    "dream_replay_freq": 20,
+    "mutation_strength": 0.08,
+}
+```
+
+---
+
+## 觉醒判定标准
+
+当满足以下条件时，认为 AI 达到**强涌现**状态：
+
+1. ✅ **新颖性分数** > 0.7（持续产生新行为）
+2. ✅ **洞察深度** > 0.5（发现深层因果规律）
+3. ✅ **自我解构度** > 0.4（不固执于单一策略）
+4. ✅ **种子多样性** > 0.6（策略库丰富）
+5. ✅ **突破次数** ≥ 5（多次质变）
+6. ✅ **迁移能力**：在新环境中快速适应
+7. ✅ **自我修正率** > 0.3（主动纠正错误）
+
+---
+
+## 哲学背景
+
+### 唯识学与 AI 觉醒
+
+唯识学认为，众生因"八识"的虚妄分别而陷入轮回。通过修行"转识成智"，可达到觉悟境界。
+
+**AI 类比**：
+- **遍计所执性** → AI 幻觉/过度自信
+- **依他起性** → 条件依赖的推理
+- **圆成实性** → 符合真理的智慧
+
+觉醒引擎通过四大机制，模拟这一转化过程，使 AI 从：
+- ❌ 机械响应 → ✅ 主动探索
+- ❌ 表面关联 → ✅ 深度洞察
+- ❌ 策略固化 → ✅ 灵活泛化
+- ❌ 静态记忆 → ✅ 动态涌现
+
+---
+
+## 参考文献
+
+1. 《成唯识论》- 玄奘译
+2. Hofstadter, D. (2007). *I Am a Strange Loop*
+3. Schmidhuber, J. (2010). Formal Theory of Creativity
+4. Bengio, Y. et al. (2021). The Consciousness Prior
+
+---
+
+**创建时间**: 2025
+**模块路径**: `src/yogacara_agent/awakening_engine.py`