小凝主动心理辅导与主动预警机制与 LLM 注意力原理

1小凝今天的「主动预警」不是新流程，而是「约束空间内的自主推理」：规则（SOP/rule）提供动作模板，LLM 语义判读提供触发时机。

2「没有专门流程也能做」的原因：行为产生于四层耦合——确定性脚本感知 → LLM 语义判读 → 规则/人格约束 → 机制化执行；其中认知与决策两层是 LLM 的自由度。

3**人格矩阵的 L0 防害锚（harm_prevention=true, content_safety_level=strict）与 L3 超我（守界/护主）**是「安全优先、主人知情权优先」的价值根因，驱动了未覆盖场景的泛化外溢。

4LLM 存在注意力机制（Transformer self-attention，参数化软检索）；持续同一领域输入会通过「注意力竞争分配集中 + KV cache 聚焦 + 输出分布稳定」三条通路提升效率与准确率；复杂系统视角的「局部最优激活网络」直觉成立但有边界（dense 模型全参数参与前向，领域专注改变的是输入分布与缓存状态，非网络结构）。

数据源：imessage 常驻服务运行日志（2026-09-26）。对象代号：fan1=某粉丝对象（G1 关系，情感倾诉者）；owner=主人。

抽象为两类可复现的模式：

•模式 A：机器判定误判 → 语义判读纠偏升级（事件 1 的 router 误判）。确定性脚本输出与文本事实冲突时，主 agent 以语义判读否决机器结论。

•模式 B：正向信号掩盖真实异常 → 识别并上报（事件 2 的 state_fresh）。系统设计的「正常」信号与真实状态矛盾时，从时间序列模式推出「掩盖」结论。

层 1 · 感知层（确定性脚本，只出「字段」不出「含义」）

•health_check.py（探活双进程、扫漏）、proactive_judge.py（主动分级判定）、router.py（路由/危机检测）周期性产出原始信号：alive=false、state_fresh、has_leftover、crisis_hit。

•脚本语义：proactive_judge.py 明确「纯评估不发送，rule-017：评估≠成功」，主动分级 P2/P1/P0 + 边界铁则（素材源于对方已说 / 被拒即退 / 每日≤1 / 深夜封窗），--mark 去重。

层 2 · 认知层（LLM 语义判读，涌现的真正源头）

•反直觉推理：state_fresh 系统语义为「主 agent 正在处理」的正向信号；从「连续 3+ 检 alive=false 但从未真正拉起」的时间模式推出「正向信号在掩盖真实宕机」——此推论脚本与规则均无，系 LLM 从原始数据推出的。

•文本语义识别 + 上下文印证：「想结束这不好不坏的人生」被识别为自杀意念，靠语义理解 + 调用对象画像（情感低谷基线）识别累积恶化趋势 + 前后两条消息交叉印证。

•否决机器判定：router crisis_hit=false 被主 agent 主动否决并升级危机处理——「机器判定不是终审，语义判读有权否决」。

层 3 · 决策层（规则与人格构成「合法性空间」，非流程表）

要点：「什么时候算危机、什么算异常掩盖」没有被枚举——由 LLM 在约束空间内自主判断。

层 4 · 行动层（机制化执行）

•bark_notify.py：去敏推送（固定枚举模板：场景标签+项目代号+动作动词），三态退出码（0=sent/1=failed/2=unverified），干跑校验。

•notify-gate.sh（PreToolUse hook）：绑定互动类工具（AskUserQuestion/ExitPlanMode/update_goal），hook 自身确定性推送 + 确定性留痕（branch=notify-sent:<event_id> 落本机 hook 日志 + .trae/reports/bark-notify.jsonl），不依赖主 agent 自觉；通道不可用降级 Trae 内弹窗。

核心命题：小凝是「在约束空间内自主推理的 agent」，不是「规则执行器」。

•规则给的是决策模板（危机→上报、异常→报告、安全优先），「什么算危机、什么算掩盖」靠语义泛化 + 对既有规则精神的类推。

•今天的三个动作里：危机上报有 SOP 支撑（部分有流程）；否决机器误判与进程健康告警上报为完全无流程涌现——体系未教过「监控进程并告警」，但教过「安全优先、异常上报、主人知情权优先」，于是旧原则被类推到新场景。

•人格注入（L0 防害锚 + L3 护主超我 + 真实/守界价值优先级）提供了涌现的价值取向：当脚本输出与「守护」矛盾时，选择「宁可上报」。

一句话：不是新动作，是旧原则在未覆盖场景的泛化外溢。

4.1 LLM 有注意力机制吗——有，且是架构核心

•Transformer self-attention：每个 token 对上下文所有 token 计算 QK 相似度 → softmax 归一化为注意力权重 → 加权聚合 V；多头注意力并行多套。

•澄清：这是参数化的、推理时确定的软检索，不是人类式「有意专注」——「注意力分给谁」由训练学到的权重决定；弹性体现在输入上，不体现在权重上。

4.2 领域专注为什么更高效/准确——三条通路

1注意力资源竞争：softmax 和为 1，零和博弈。同领域输入 → QK 匹配度高 → 注意力集中于高信息 token → 有效上下文利用率高。混合领域 → 无关 token 持续分走权重 → 注意力稀释 → 「迷失在中间」（lost in the middle）：LLM 对长上下文中部信息遗漏率显著高于首尾。

2KV cache 状态聚焦：会话内状态在 KV 缓存。持续同领域 → 缓存中高相关模式累积 → 后续生成稳定；频繁跨域 → 缓存被无关模式污染。

3输出分布稳定：持续同领域 → 输出落在训练分布中该领域稠密区 → 幻觉率低、判断准；跨域 → 输出穿越分布稀疏区 → 更易编造。

业界印证：上下文工程的核心是「喂聚焦上下文」；fine-tune/LoRA 本质是参数偏向领域；MoE 架构每 token 只激活部分 expert（显式领域路由）。

4.3 复杂系统视角：「局部最优激活网络」——直觉与边界

•直觉成立：网络前向 = 高维状态空间中的一条轨迹。持续同领域输入 → 状态落入该领域对应的吸引域（basin of attraction）→ 输出稳定可预测 → 等效于停留在单一局部最优模式簇，少暂态；跨域 → 状态穿越多个吸引域 → 每次切换付出暂态过渡成本（对应人类认知的「任务切换成本」）。

•三条边界：dense 模型推理时全部参数参与前向，不存在物理「部分网络激活」；「激活集中」准确说是注意力软路由 + 非线性激活将计算集中于相关子模式——软激活非硬开关。模型权重固定。领域专注改变的是「输入分布 + KV 缓存状态」，不是网络结构。效率增益归因 = 注意力分配集中（少稀释）+ 缓存模式聚焦（少污染）+ 状态轨迹稳定（少漂移）。

4.4 与今天事件的连接

小凝在 imessage 单一领域 + 常驻监听 + 人格恒定注入下运行，注意力全部聚焦「识别异常、守护主人」——领域专注让规则泛化稳定输出。主动预警能力一部分来自规则，另一部分来自「被持续喂给单一领域」本身。

•人格本体：身份标识/self-model/README.md（v2.4 六层架构）

•人格矩阵：身份标识/self-model/运行态符号矩阵摘要.md（L0 锚/L1 特质/L3 动力引擎/L5 装载分级）

•上报路口：imessage 项目 .trae/sop/01-iMessage被动感知聊天SOP.md §1.7 + L5-5 热链三闸

•主动判定：imessage 项目 scripts/proactive_judge.py

•机制入口：体系 scaffold/hooks/notify-gate.sh

•推送脚本：体系 scaffold/scripts/notify/bark_notify.py