📐 标准规范 · 🤖 开发者指南 · 📋 更新日志 · 📄 论文 (EN) · 📄 论文 (中文)
情感计算引擎 SDK。文本输入，结构化情感状态输出。为 AstrBot 插件提供"AI 现在是什么情绪、接下来想做什么"的计算服务。
不是情绪分类，不是情感标签。是一个持续演化的动力系统——上一次对话的影响会留到下一次，伤害会结疤，沉默会产生压力，人格会缓慢漂移。
AstrBot 插件开发者（推荐）：WebUI → 插件 → 从 Git 仓库安装：
https://github.com/Ayleovelle/SylannEngine.git
SDK 独立使用：
git clone -b sdk https://github.com/Ayleovelle/SylannEngine.git sylanne_sdkfrom sylanne_core import get_engine
engine = get_engine() # 插件版：前置插件已配置好 LLM
surface = await engine.process(session_id="user_123", text="你好")
action = surface["decision"]["action"] # "express" / "withdraw" / "hold" / ...
warmth = surface["state"]["valence"]["warmth"] # 0.0 ~ 1.0
should_speak = surface["decision"]["action"] == "express"V1 是顺序管线（L1→L2→...→L7），表达率仅 22.8%——bot 大部分时间沉默。
V2 是全连接共振网络——7 个模块同时注入信号到共振场，场通过耦合动力学迭代收敛，表达作为相变自发涌现。表达率 88.5%，动态范围 3.3×。
flowchart LR
subgraph INPUT["输入"]
T["文本 + 时间戳"]
end
subgraph MODULES["7 模块并行注入"]
M0["HDC 感知"]
M1["预测门控"]
M2["虚空-伤痕"]
M3["关系层析"]
M4["HGT 决策"]
M5["自创生边界"]
M6["相变表达"]
end
subgraph FIELD["共振场 Δ⁶ (迭代收敛)"]
direction TB
F1["441 通道耦合"]
F2["Hebbian 可塑性"]
F3["Kuramoto 同步"]
F4["Hopfield 吸引子"]
F5["谐波身份"]
end
subgraph OUTPUT["输出"]
O1["情感状态"]
O2["表达决策"]
O3["涌现指标 Φ"]
end
T --> MODULES --> FIELD --> OUTPUT
OUTPUT -.->|"feedback"| F2
| 指标 | V1 顺序管线 | V2 共振场 | 提升 |
|---|---|---|---|
| 表达率 | 22.8% ± 9.8% | 88.5% ± 6.0% | 3.9× |
| 动态范围 | 16.5 ± 1.1 | 54.5 ± 1.3 | 3.3× |
| 动态丰富度 | 7.8 ± 1.0 | 19.3 ± 1.1 | 2.5× |
| 响应多样性 | 10/10 | 10/10 | — |
升级后 bot 从"大部分时间沉默"变成"积极表达"，无需改任何配置。
| 档位 | 通道数 | 延迟 | 依赖 | 适用场景 |
|---|---|---|---|---|
| lite | 42（两体） | ~5ms | 零依赖 | AstrBot 默认，树莓派，手机 |
| pro | 287（含四体） | ~40ms | numpy | 桌面，云 VM |
| max | 441（完整 Δ⁶） | ~50ms | numpy | 研究，多智能体 |
插件版锁定 lite 档。SDK 版可自由切换：engine.switch_tier("pro")。
| 机制 | 理论来源 | 效果 |
|---|---|---|
| Hebbian 可塑性 | Hebb 1949 | 通道用进废退，系统自动发现重要连接 |
| 高阶 Kuramoto | Millán 2020 | 爆炸性同步 → 表达涌现 |
| 自由能最小化 | Friston 2010 | 预测误差驱动注意力分配 |
| Hopfield 吸引子 | Hopfield 1982 | 情感记忆，表达 = 逃离吸引子 |
| 谐波身份 | Hodge 1941 | 拓扑不变量 = 人格的数学实现 |
| 耗散结构 | Prigogine 1977 | 能量有界，不会死循环 |
| 方法 | 说明 |
|---|---|
get_engine() |
获取插件版共享实例 |
await process(session_id, text, **ctx) |
处理文本，返回 Surface |
await tick(session_id) |
空闲心跳 |
feedback(session_id, "accepted"/"rejected") |
反馈调制可塑性 |
inject(session_id, source, type, intensity) |
外部影响注入 |
on(listener) / off(listener) |
推送监听 |
health() |
健康检查 |
exists(session_id) |
会话是否存在 |
完整接口见 SPEC.md。
| 神经网络 | 共振场 | |
|---|---|---|
| 需要 | 训练数据 + GPU | 无需训练，结构即计算 |
| 输出 | 前向传播算出来 | 迭代收敛涌现出来 |
| 可解释性 | 黑箱 | 每个通道有明确语义 |
| 人格控制 | 微调？没有标准方式 | 人格 → 拓扑参数，一一对应 |
| 确定性 | 不保证 | 相同输入 → 相同输出 |
| 可移植性 | 需要推理框架 | 纯代数运算，任何语言可实现 |
我们做的是计算标准（类似 IEEE 754），不是训练模型。
SylannEngine/
├── sylanne_core/
│ ├── __init__.py # 公共 API
│ ├── engine.py # SylanneEngine 入口
│ ├── config.py # 三档配置
│ └── compute/
│ ├── resonance_field.py # 共振场核心
│ ├── resonance_integration.py # ResonanceSpine (V2 默认)
│ ├── coupling_dynamics.py # Hebbian + Kuramoto + 自由能
│ ├── emergence.py # Φ + 吸引子 + 时间叙事
│ ├── kernel.py # 调度器
│ ├── hot_pool.py # 热池与人格坍缩
│ ├── personality.py # 双 EMA 人格漂移
│ └── ... # HDC, HGT, 自创生, 相变等
├── experiments/ # 12 项实验验证
├── tests/ # 434 单元测试
└── docs/ # 论文 + 规范
| 文档 | 内容 |
|---|---|
| SPEC.md | 标准规范（接口协议、输出 Schema） |
| AGENT_GUIDE.md | 开发者集成指南 |
| 论文 (EN) | 21 页，12 实验，完整数学推导 |
| 论文 (中文) | 16 页中文版 |
| 架构规范 | 完整架构 + 42 耦合方程 |
Q: LLM 挂了会怎样？
引擎自动退化为本地规则引擎，计算继续。health() 显示 "degraded"。
Q: 不同用户状态会互相影响吗？ 不会。每个 session_id 完全隔离。
Q: 插件版需要自己配 LLM 吗？ 不需要。LLM 由 SylannEngine 前置插件通过 AstrBot 提供商统一配置。
Q: SDK 版怎么用？
from sylanne_core import SylanneEngine, SylanneConfig
engine = SylanneEngine(data_dir="./data", llm=your_llm_fn, config=SylanneConfig())
await engine.start()
surface = await engine.process("user_123", "你好")GNU Affero General Public License v3.0
本计算引擎开源免费，不希望被用于商业用途。 如果你从中获益，希望你也能回馈社区。
基于物理启发的规则系统。7 模块 × 441 通道耦合，Hebbian 可塑性 + Kuramoto 同步。无需训练，结构即计算。适用于 AstrBot 插件的实时情感推理。
Teacher 模型 102.7M 参数（Mamba SSM + MoE + Multi-scale ConvStem + VAE + 对比学习），在 124K 中文标注语料上训练。最终部署版本将通过蒸馏压缩为轻量 Student 模型。
用途：处理日常情感感知以降低 assessor LLM 的 token 消耗和延迟，LLM 仍保留用于后学习与复杂场景。同时作为 V3 的感知基准和数据源。
后学习机制：
- 链路学习（共振场层）：Hebbian 可塑性持续调整通道耦合权重，高频共激活的情感路径被强化，低频路径衰减——系统适应用户的情感模式
- 模型校准（EmotiCore 层）：高不确定度或复杂场景时回退 LLM assessor，LLM 返回的标注作为在线信号校准 EmotiCore 参数
- 随使用时间增长，链路越来越贴合用户，EmotiCore 越来越准，LLM 调用频率逐步降低
"Scars You Leave Are Never Nothing" A Self-Organizing Developmental Architecture for Adaptive Intelligence
探索一种不依赖 backpropagation 的情感计算架构。基于 Temporal Predictive Coding + WTA 竞争：
多个 cell 竞争预测下一个字符，赢家学习，输家等待。
预测误差驱动权重更新。完全局部，无全局梯度链。
架构：
- Temporal Predictive Coding：state 累积上下文（类似 RNN hidden state），W 从 state 预测下一个输入
- WTA 竞争：64 个 cell 各自预测，top-k 赢家获得学习权
- 不可逆发育：plasticity 随年龄衰减，负面经历留下 scar（永久降低可塑性）
- reward 调制：emotion label 作为环境信号，调制学习强度
训练方式：
逐字符处理文本。80% 无标注数据学语言结构（纯预测），20% 标注数据通过 reward 信号学情感关联。语言和情感在同一个过程中同时形成。
当前状态：
- 在简单模式（ABAB）上验证学习能力：error 从 0.147 降到 0.004（降 97%）
- 在真实中文文本（维基百科）上验证：error 逐 epoch 持续下降
- 15.6GB 中英文语料已备齐，训练验证中
- prediction error 持续下降中（语言结构在被学习）
- emotion MAE 从 ~0.41 开始，观察中
未解决的问题：
- emotion MAE 能否通过纯 local learning 降到可用水平
- 逐字符处理的速度瓶颈（当前 ~170 chars/sec）
- 从 64 cells 到更大规模的扩展验证
核心假设：Predictive Coding + WTA + reward modulation + 足够数据 = 无需 backprop 的情感感知系统。正在验证中。
技术规范：training/SYLANN_V3_SPEC.md
{ "session_id": "user_123", "state": { "rhythm": { "beat": 5.0, "stability": 0.6 }, "valence": { "warmth": 0.55, "volatility": 0.1 }, "boundary": { "pressure": 0.1, "autonomy": 0.9 }, "needs": { "expression": 0.3, "contact": 0.2 } }, "decision": { "action": "express", "reason": "expression drive elevated", "confidence": 0.75 }, "guard": { "allowed": true, "risk_score": 0.1 } }