AI Agent长期运行后，信息密度是否必然衰减？衰减的数学签名是什么？
本实验通过残差数列（Residual Series）观测 AI Agent 长期运行中信息密度的变化规律。
核心思路：
- 估计器对每个信息块给出密度评分 ρ
- 回证机制追踪信息的实际效用 u
- 残差 e = u - ρ 揭示估计器的系统性偏差
- 累积足够残差后，训练密度校正模型 ρ̂ = ρ + ê
EXPERIMENT_DESIGN.md — 完整实验方案（统一基底）
template.html — Markdown→卡片渲染模板（纯前端）
survival-value-eval/ — 笔记存活价值评估子项目（LLM vs 回归）
README.md — 本文件
survival-value-eval — 笔记存活价值评估（LLM vs 回归）
信息密度实验的下游应用：用机器学习自动评估笔记的「信息存活价值」(1–5 分)，对比 LLM QLoRA 微调 / TF-IDF 回归 / 混合模型三条路线。
核心发现：小数据(~300 条)下，简单 TF-IDF + Ridge 回归 (ρ=0.778) 显著优于 3B LLM 微调 (0.466)；混合需门控，简单 ensemble 反被拖累(0.65)。详见 survival-value-eval/README.md 与 survival-value-eval/docs/lessons.md。
| 概念 | 定义 |
|---|---|
| 信息密度 ρ | S·λ·R·C 四因子乘积（香农惊喜度×衰减×相关性×新颖性） |
| 残差 e | 实际效用 - 估计密度 |
| 回证 u | 信息块在后续轮次中被引用/依赖的程度 |
| 密度校正模型 | Ridge回归，100条门槛，TS-CV验证 |
- 数据累积（~7天）— 残差从26条增长到100+条
- 基线模型（~30天）— 首次模型训练与部署
- 模式识别（~90天）— 衰减模式分类
- 泛化验证（~180天）— 跨智能体验证
MIT License
- endpointstar-framework — AI Agent 配置框架
- knowledge-constitution — 知识库方法论
- ai-agent-incidents — 运维事故报告