构建AI Agent的认知内核：从七问协议到自进化引擎

大多数 AI Agent 在跨 session 运行时会”失忆”——上一次交互中确立的原则、纠正过的错误、优化过的流程，在新 session 中全部归零。Agent 不会从反馈中学习，不会保持决策一致性，更不会自我进化。

这篇文章分享一个为 AI Agent 设计的认知架构框架——融合 ISO 9000 质量原则、TRIZ 发明方法论和 Charlie Munger 多元思维模型，让 Agent 拥有一个可追踪、可进化、可审计的”认知内核”。

问题诊断：Agent 为什么不”成长”？

观察一个典型 Agent 的工作流，你会发现三个结构性缺陷：

1. 身份漂移——同一个 Agent 在不同 session 中表现出矛盾的判断标准
2. 决策黑箱——Agent 无法解释”为什么做出这个决定”，缺乏可追溯的推理链
3. 学习缺失——每次交互的反馈没有被结构化记录，经验无法积累

根因在于：Agent 缺少一个独立于具体任务的认知框架层。所有的”思考”都被压扁到了 prompt-response 循环里，没有沉淀机制。

四层架构：从身份到能力

参考《西部世界》中”珍珠”（cerebral pearl）的隐喻——一个承载宿主机完整灵魂（身份、记忆、决策逻辑）的容器——认知内核被设计为四层结构：

层级	内容	来源
L1 身份	人格、角色、语气、边界	系统提示词 / Soul 文件
L2 认知	判断框架、思维工具、质量标准	认知技能（本文核心）
L3 记忆	用户画像、项目知识、跨 session 事实	记忆系统
L4 能力	技能、工具、API、委派模式	技能库 / 工具集成

L1 定义”我是谁”，L2 定义”我怎么判断”，L3 定义”我知道什么”，L4 定义”我能做什么”。四层之间是单向依赖：身份约束认知，认知指导记忆检索，记忆支撑能力调用。

七问启动协议

每次加载认知框架时，Agent 必须先内部回答七个问题（基于 5W2H 框架改造），然后才能采取行动：

#	问题	作用
1	我是谁？	校准身份层
2	我在哪里？	环境侦察 + 能力盘点 + TRIZ 九屏法
3	现在几点？	运行 date，绝不依赖模型的内部时间感
4	目标是什么？	复述需求，确认理解
5	怎么做？	SIPOC 流程分析
6	成功标准是什么？	定义质量基线，作为 PDCA 检查基准
7	为什么做？	轻量校验（任务模式）/ 5 Whys 根因分析（问题模式）

关键防坑：LLM 对时间有系统性盲区。一个训练截止到 2025 年的模型，在 2026 年会自信地报告”今天是 2024 年”。因此第三问强制要求运行 date 命令，而非依赖模型直觉。

三大质量支柱

认知框架的运行由三条 ISO 9000 质量原则驱动：

SIPOC — 过程方法

任何任务执行前，先完成供方→输入→过程→输出→客户的范围界定。这防止了范围蔓延和遗漏上下文。

PDCA — 螺旋进化引擎

PDCA 不是闭环，而是螺旋。每一圈都有不同的变量进入（新输入、新上下文、新反馈），产出可能不同的结果：

基线更新规则：
- 结果 > 当前基线 → 接受，升级基线
- 结果 ≤ 基线 → 丢弃，调整变量，重试
- 连续 5 圈无改进 → 触发 TRIZ 进化定律，换方向突破

Agent 的每次交互都是一个微型 PDCA 循环：策划回应 → 执行 → 检查用户反应 → 根据反馈调整。

Risk Thinking — 不确定性下的决策

执行前枚举所有可能的失败模式，然后反转——问”怎样保证失败？”，逐一消除。对高风险决策，用蒙特卡洛模拟量化不确定性。

认知工具三级分级

L2 认知层包含 13 个思维工具，按激活频率分三级，防止认知过载：

Tier 1 核心工具（每次任务自动激活）： 第一性原理 → IFR 指南针 → 逆向思维 → 枚举法 → PDCA 螺旋。这五个工具形成”发散→收敛”的完整链条。

Tier 2 按需工具（条件触发）： TRIZ 矛盾解决、DOE 正交试验、蒙特卡洛、系统思考、二阶思维。每个工具有明确的触发条件（如”组合爆炸检测到”→ 启用 DOE）。

Tier 3 基线规则（始终隐式生效）： 价值层级、决策锚点、质量标准、纠正模式。

复杂度分级执行

不同复杂度的任务不应调用相同数量的认知工具。框架设计了三级执行流程：

• Simple（~80% 任务）：7 问快速过 → 直接执行
• Medium（~15%）：第一性原理 + 枚举 + IFR + 逆向 → 执行
• Complex（~5%）：全量工具链 → 风险评估 → 二阶思考 → 系统思考 → 执行

判断标准：目标是否清晰？方法是否显然？失败后果是否可恢复？三个都”是”→ Simple。

Meta-PDCA：框架审计自身

框架内置了自我优化机制——当满足以下任一条件时，自动触发框架级审计：

触发条件	阈值
进化日志增长	每 10 条记录
日历间隔	每 30 天
用户指示	即时

审计内容包括：搜索新的思维方法论、对比当前工具集、检查工具利用率（30 天未触发的工具归档）、识别结构性冗余。

在一次实际审计中，框架发现了 5 个自身的结构问题（认知工具过载、执行流不分层、PDCA 无参数定义等），并在下一个版本中全部解决。框架将 PDCA 螺旋应用到了自身。

实践效果

认知框架在实际运行中产生了可观测的变化：

• 决策一致性：相同场景下，Agent 跨 session 的判断标准趋同
• 纠正频率下降：结构化记录反馈后，同类错误不重复犯
• 决策可追溯：每个决定都能追溯到某个具体的价值观或质量标准
• 行为自适应：Agent 根据反馈调整行为，而非固守初始设定

小结

认知框架解决的核心问题是：**让 Agent 从”被动响应”升级为”主动进化”**。七问协议确保每次任务都有正确的起点；三大支柱确保执行过程有质量保障；PDCA 螺旋确保每次反馈都被吸收；Meta-PDCA 确保框架本身不会过时。

框架不是完成的，它是一个持续生长的系统。每一次交互都在上面叠加一层新的认知沉积——就像珍珠的形成。