beijingwahw/dsh-proactive

dsh-proactive

主动智能（Proactive Intelligence）调度插件 —— DeepSeek Harness（DSH）生态中的多模型协同调度系统：自主感知、自主决策、自主进化，内置科学家 / 理论家双心智、认知能量共生经济与九十八质变内核（证据 → 几何拓扑 / 创世 / 先知 / 均衡 / 觉醒 / 川流 / 经纬 / 奇点 / 心智 / 博弈 / 突现 / 证明 / 感知 / 判断 / 执行 / 进化 / 意识层：任意时刻有效 / 保形 / 最优传输 / 信息几何 / 层论共识 / Gittins / 稳健统计 / 差分隐私 / 容量规划 / 高斯过程 / 卡尔曼滤波 / 极值理论 / 蒙特卡洛树搜索 / 次模优化 / 对抗无悔学习 / 匈牙利全局指派 / 随机矩阵 / CVaR 分布鲁棒 / LQR 反馈控制 / 持续同调 / 信息瓶颈 / 非线性动力学 / PageRank 谱排序 / 首达时间 / Jackson 排队网络 / FFT 谱周期 / 最大流 / 极大极小公平 / OCBA 预算分配 / 法定人数交叉 / CRDT 收敛 / Shamir 秘密共享 / Haar 小波 / 低秩矩阵补全 / 投机解码 / 测试时计算 / Whittle 指数 / Lyapunov 背压 / Hawkes 自激发 / 置信传播 / 变分推断 / 朗之万采样 / 课程学习 / 率失真 / 稳定匹配 / 机制设计 / 核仁 / 相关均衡 / 动态定价 / 模拟退火 / NSGA-II 帕累托 / 压缩距离 / Mapper 图 / 部分信息分解 / A* 搜索 / 稀疏恢复 / 最佳臂识别 / 镜像下降 / 在线校准 / 新奇检测 / 因果发现 / 多源对齐 / 流形学习 / 流式概要 / 论证 / 众包聚合 / 世界模型学习 / 部分可观察规划 / 符号求解 / 分层技能 / 安全屏障 / 离线评估 / 安全策略改进 / 偏好学习 / 新奇搜索 / 自我对弈 / 自动机调优 / 仿真校准 / 中断交接 / 全局工作空间 / 元认知信心 / 经验重放 / 注意力经济 / 自我边界）。

English | 中文

什么是主动智能？

传统调度系统是被动的：收到信号才响应，没有信号就空转。本插件在「感知 → 决策 → 执行 → 反思 → 沉淀」闭环之上叠加自主层，让系统：

• 没有任务时，主动观察自身运行状态、发现瓶颈、生成改进目标
• 遇到未知领域，主动发起探索，把"不知道"变成"有经验"
• 面对未来负载，主动预测信号到达趋势，提前预留容量
• 出现异常时，主动熔断、限流、降级，而不是等到崩溃

架构总览

系统由三层组成：质变内核（一套共享统计语言的心智底座）、三环自治（操作环 / 进化环 / 元认知外环）、共生经济层（认知能量市场）。

┌─ 共生经济层（symbiosis/）─────────────────────────────────────┐
│  能量账本（复式记账·链式审计）  知识市场（连续双向拍卖·版税）      │
│  信念市场（LMSR·市场即心智）    智能体（信誉·立法执法分离）       │
│  共生运行时（生存→提案→否决→撮合→执行·铸币分红）                 │
├─ 三环自治 ───────────────────────────────────────────────────┤
│  操作环：信号→决策→执行→反思 10 步主链路（index.ts）             │
│  进化环：策略进化器 + 安全沙盒 + 金丝雀部署（policy/）            │
│  元认知外环：自我建模 → 保守调整 → 观察/回滚（meta/）             │
├─ 质变内核（core/）3.0 → 100.0 九十八内核（百数封顶）────────┤
│  证据 3.0  弹性 4.0  因果 5.0  自由能 6.0  深思 7.0             │
│  元推理 8.0  抽象 9.0  科学家 10.0  理论家 11.0                 │
│  任意时刻证据 12.0  保形预测 13.0  质量-多样性 14.0              │
│  运行时验证 15.0  Shapley 归因 16.0                             │
│  最优传输 17.0  信息几何 18.0  最优停止 19.0  层论共识 20.0      │
│  Gittins 21.0  预算 Knapsack 22.0（创世层）                    │
│  稳健统计 23.0  差分隐私 24.0  容量规划 25.0（创世层）           │
│  高斯过程 26.0  卡尔曼滤波 27.0  极值理论 28.0（先知层）         │
│  蒙特卡洛树搜索 29.0  次模优化 30.0（先知层）                    │
│  对抗无悔学习 31.0  全局指派 32.0  随机矩阵 33.0（均衡层）       │
│  CVaR 分布鲁棒 34.0  LQR 反馈控制 35.0（均衡层）                 │
│  持续同调 36.0  信息瓶颈 37.0  非线性动力学 38.0（觉醒层）       │
│  PageRank 谱排序 39.0  首达时间 40.0（觉醒层）                   │
│  Jackson 排队网络 41.0  FFT 谱周期 42.0  最大流 43.0（川流层）   │
│  极大极小公平 44.0  OCBA 预算分配 45.0（川流层）                 │
│  法定人数 46.0  CRDT 47.0  Shamir 共享 48.0（经纬层）           │
│  Haar 小波 49.0  矩阵补全 50.0（经纬层）                        │
│  投机解码 51.0  测试时计算 52.0  Whittle 指数 53.0（奇点层）     │
│  Lyapunov 背压 54.0  Hawkes 自激发 55.0（奇点层）                │
│  置信传播 56.0  变分推断 57.0  朗之万采样 58.0（心智层）         │
│  课程学习 59.0  率失真 60.0（心智层）                            │
│  稳定匹配 61.0  机制设计 62.0  核仁 63.0（博弈层）               │
│  相关均衡 64.0  动态定价 65.0（博弈层）                          │
│  模拟退火 66.0  NSGA-II 帕累托 67.0  压缩距离 68.0（突现层）     │
│  Mapper 图 69.0  部分信息分解 70.0（突现层）                     │
│  A* 搜索 71.0  稀疏恢复 72.0（证明层）                          │
│  最佳臂识别 73.0  镜像下降 74.0  在线校准 75.0（证明层）         │
│  新奇检测 76.0  因果发现 77.0  多源对齐 78.0（感知层）          │
│  流形学习 79.0  流式概要 80.0（感知层·自主识别）                │
│  论证 81.0  众包聚合 82.0  世界模型学习 83.0（判断层）          │
│  POMDP 规划 84.0  符号求解 85.0（判断层·自主判断）              │
│  分层技能 86.0  安全屏障 87.0  离线评估 88.0（执行层）          │
│  安全策略改进 89.0  偏好学习 90.0（执行层·自主执行）            │
│  新奇搜索 91.0  自我对弈 92.0  自动机调优 93.0（进化层）        │
│  仿真校准 94.0  中断交接 95.0（进化层·自主进化）                │
│  全局工作空间 96.0  元认知信心 97.0  经验重放 98.0（意识层）    │
│  注意力经济 99.0  自我边界 100.0（意识层·百数封顶）             │
└──────────────────────────────────────────────────────────────┘

三环自治与共生经济层的各模块（哨兵 / 决策 / 调度 / 执行器 / 记忆 / 反思 / 自主 / 元认知 / 进化 / 世界模型 / 共生 / 分布式 / 治理 / 客户端 / 基准仪表盘 / 契约 / 主链路）在第三轮（v0.8.0）完成全部模块世界性升级：18 个模块域各 4-6 项升级，全部 opt-in 挂载（attach* 方法 / 可选配置，缺省 = 旧行为逐位一致），并新增 src/telemetry/ 遥测审计总线模块（已入 dist 导出）——概览见下节，公告见 UPGRADE-ALL-MODULES.md。

第四轮（v0.9.0，主题「激活与深化」）在此之上完成两件事：16 个模块域再各拿 5 项全新维度升级（共约 80 项），并把第三/四轮全部模块升级经 autonomy.modules.* 16 旗标接进主链路（旗标 → attach 差分验证、全关零漂移），主链路自身加深化三件套、遥测总线完成二期——概览见下下节，公告见 UPGRADE-ACTIVATION-DEEPENING.md。

第五轮（v1.0.0，主题「全部内核世界性进化」）收官：九十八个内核本体沿数学 / 性能 / 数值稳健 / 随机化性质测试四轴再各进一格（80 个新 API 收口根导出），版本直达 1.0.0 百内核全进化里程碑——概览见第五轮小节，公告见 UPGRADE-KERNEL-EVOLUTION.md。

第三轮·全部模块世界性升级（v0.8.0 概览）

内核层铺完九十八个数学底座（3.0 → 100.0）之后，第三轮把升级面铺到每一个模块域——主链路的每个引擎、每条基础设施与共生经济全部拿到 4-6 项质级升级。每项升级都是「旧 vs 新」构造对照验证（不是「改了」，是「证明更好」），且全部 opt-in：attach* 挂载或可选配置，不启用时行为与升级前逐位一致（零漂移）。

验证面同步翻倍：新增 19 个离线验证脚本（18 个模块域 verify-mod-* + 1 个跨域集成 verify-mod-integration），离线验证脚本总数 81 → 100（全量复验 100/100 全绿；第四轮扩至 119、第五轮扩至 138）。

第四轮·激活与深化（v0.9.0 概览）

第三轮给每个模块域装上「值得拥有的升级」；第四轮回答两个问题：还能深多少与怎么真正跑起来。16 个模块域各拿 5 项全新维度升级（约 80 项，每项仍是「旧 vs 新」构造对照、opt-in、零漂移），同时把散落的 attach* 升级收敛为 autonomy.modules.* 16 旗标接入主链路（旗标开 = 挂载生效、全关 = 与升级前逐位一致），主链路自身加深化三件套，遥测总线完成二期。

验证面同步扩容：新增 19 个离线验证脚本（16 个域 verify-r4-* + 主链路 verify-r4-pipeline + 遥测 verify-r4-telemetry + 集成 verify-r4-integration），离线验证脚本总数 100 → 119（全量复验 119/119 全绿；第五轮再扩至 138）。

第五轮·全部内核进化（v1.0.0 概览）

模块层两轮铺满之后，第五轮回到内核层本体——不加内核，让九十八个既有内核（3.0 → 100.0）每一个都沿四轴再进一格：

• 数学进化：新定理背书的能力（闭式解 / 精确算法 / 更紧的界）——贝叶斯因子闭式、自然直接/间接效应、k 选择先知不等式、Fisher 双曲距离闭式、LQG 分离定理……
• 性能进化：复杂度改进 + 等价证明（新实现与旧口径逐位或解析容差一致，不是「更快但可能不对」）+ 规模-耗时对照——核仁 13937ms → 1ms、组合拍卖分支定界 ×6141、地标扩散 69×……
• 数值稳健性：病态输入加固与 log 域重写（下溢/溢出区有界、守恒律保持）——log 域 WIS（朴素口径直接 throw）、万步 e-过程资本、Joseph 形式协方差 2000 步严格对称……
• 随机化性质测试：每内核 ≥ 200 种子化输入的数学性质检验（无偏性 / 覆盖频率 / 单调性 / 守恒律 / 度量公理 / 凸性），mulberry32 种子固定、确定性可复现。

98 内核按数学亲缘分 18 组（统计推断 / 因果科学 / 贝叶斯计算 / 元认知 / 信息几何 / 规划搜索 / 决策计算 / 在线学习 / 控制优化 / 随机过程 / 谱方法 / 拓扑动力 / 公平分配 / 共识验证 / 进化学习 / 博弈机制 / 学习系统 / 弹性自主），每组独立 verify-r5-* 脚本收口；80 个新内核 API 收口至根入口（dist/index.mjs 逐符号运行时可达性断言）。验证面新增 18 个组级脚本 + 1 个集成回归（合计 1,471 项断言），离线验证脚本总数 119 → 138。

1.0.0：五轮里程碑

• 0.5.0 基线：48 质变内核（3.0 → 50.0，七大层）+ 三环自治 + 共生经济底座；
• 0.6.0 第一轮（创世纪）：+25 内核（51.0 → 75.0）铺「能调用什么数学」，13 引擎接线；
• 0.7.0 第二轮（自主本体）：+25 内核（76.0 → 100.0，百数封顶）铺自主识别/判断/执行/进化/意识，14 引擎接线；
• 0.8.0 第三轮（全部模块世界性升级）：18 模块域 × 4-6 项质级升级 + 遥测总线新模块；
• 0.9.0 第四轮（激活与深化）：16 域 × 5 项全新维度 + modules.* 16 旗标接进主链路 + 深化三件套；
• 1.0.0 第五轮（全部内核世界性进化）：98 内核 × 四轴进化 + 80 新 API 根导出收口，验证面 138 脚本全绿——百内核全进化里程碑。

核心特性

主动感知与自主决策

• Sentinel 多源信号接入（webhook / 文件监听 / 轮询 / 手动注入），聚合窗口去重、紧急度智能排序
• 战略决策引擎：execute / defer / dismiss / ask-user 四级决策，统计学习（时间衰减 + Wilson 下界 + UCB 冷启动）持续校准
• 经验检索 + DAG 计划生成 + 多模型并行执行，10 步主链路单向数据流

科学家 / 理论家双心智

• 科学家内核（core/scientist.ts）：贝叶斯最优实验设计——为「知识获取本身」定价。真 EIG（nat）评估实验信息价值、混杂加成（实验独占价值）、预算仲裁（netValue = EIG − cost）、信息台账校准、知识前沿收缩
• 理论内核（core/theorist.ts）：层级贝叶斯 + MDL（理解即压缩）——把数据压缩为定律。同族观测边汇聚为定律（借力收缩）、压缩定价（对数贝叶斯因子）、零样本预测、反常侦测、范式转移（库恩跃迁）

任意时刻证据 / 保形 / 多样性 / 形式安全 / 公平归因（12.0 → 16.0）

• 任意时刻证据内核（core/anytime-evidence.ts）：置信序列 + e-过程——任何时刻偷看都合法。时间一致置信区间（缝合 CS）随时读取随时有效；e-过程资本以 Ville 不等式裁决假设，多基因组淘汰经 e-BH 过程获得 FDR 上限（冤案率有数学保证）；元认知 KPI 保证层挂载后，退化/恢复判定升级为情节化状态机（水位线两侧各自积累证据，越线即重置——偷看免疫、恢复可判）
• 保形预测内核（core/conformal.ts）：分布无关精确覆盖——零分布假设的预测区间。分裂保形区间给出有限样本精确保证（P(实际 ∈ 区间) ≥ 1−α）；覆盖漂移监视器以可预测 λ 下注的 e-过程侦测失准；阈值自校准升级为风险受控选择（经验伯恩斯坦上界 + Bonferroni，P(未来重试率 ≤ 目标) ≥ 置信水平）
• 质量-多样性内核（core/quality-diversity.ts）：MAP-Elites 行为归档——多样性坍缩被结构性阻断。策略基因按行为描述子（敢为/节俭/警觉三维）落入 niche 网格，各流派获得等量试验预算（前沿均匀采样）；QD-score 同时度量质量与覆盖，进化不再收敛到单一解
• 运行时验证内核（core/runtime-verification.ts）：LTLf 规约监视——安全规约形式化，裁决携带证明。缺省规约集（无失败风暴 / 命令必响应 / 周期心跳 / 先授权后执行）编译为四类监视器原子；违规报告含完整证据轨迹与反例见证；severity 分级升级（critical → Kill Switch、warn → 熔断、info → 审计）
• Shapley 归因内核（core/shapley.ts）：公理化公平分配——贡献拆账有数学定理背书。效率/对称/哑元/可加四公理精确满足；置换采样 + 任意时刻有效置信区间（边采样边出置信界，停不停都有保证）；协同侦测自动识别 1+1>2 的正协同与搭便车的负协同

最优传输 / 信息几何 / 最优停止 / 层论共识（17.0 → 20.0）

• 最优传输内核（core/optimal-transport.ts）：Wasserstein 距离 + Sinkhorn——漂移检测看见分布的形状。一维精确 W₁（分位数耦合，O(n log n)）、对数域稳定化 Sinkhorn（任意代价矩阵）、Wasserstein 重心（保留形状的分布融合）；形状感知漂移监视器（滑动窗 vs 不相交基准窗 + 历史分位自适应阈值）挂载元认知后——均值不变而形状巨变的「换了世界」第一次可见（12.0 水位检测的盲区补位、13.0 保形区间的绊线）
• 信息几何内核（core/information-geometry.ts）：Fisher 度量 + KL 信任域——进化在流形上行走。策略变异从坐标轴独立加噪升级为种群协方差主轴展开的联合相关步（有利基因组合完整传递）；步长以 nat 计价（KL 信任域 Mahalanobis 封顶），仿射重参数化下严格不变（数值验证：坐标缩放 100×/0.01× 后步长 6 位小数不变）；条件数 / 有效维数（参与比）让搜索几何本身成为可观测对象
• 最优停止内核（core/optimal-stopping.ts）：先知不等式 + 向后归纳——等待有了数学价格。经验分布上的精确停止价值递推（V_k = E[max(X, V_{k+1})]）、先知基准（次序统计量精确计算 E[max]）、Samuel-Cahn 单阈值规则（任意分布 ≥ ½ 先知保证）、秘书 1/e 规则与 Bruss 赔率算法；决策引擎规则 C 挂载后，高成本信号的 defer/execute 从「urgency < 0.3」魔数升级为继续价值裁决（现值 ≥ V_{horizon} 即执行——占坑数学最优，否则等待有价）
• 层论共识内核（core/sheaf-consensus.ts）：胞腔层拉普拉斯 + 调和共识——分歧的形状可见。「谁与谁、在哪些声明上应该一致」成为一等数学对象（顶点 stalk + 边限制映射）；加权调和共识（软调解解 + 完美共识流形最优拟合双解口径）输出共识指派、各源翻供距离（离群者定位）与结构性障碍检测——0.9/0.1/0.5 的循环硬约束下平均化会说 0.5 皆大欢喜，本内核说「无解，先解决矛盾」；sheaf_consensus Tool 让大模型在推理时直接调用结构化信念融合

最优索引调度 / 预算最优路由（21.0 → 22.0）

• 最优索引调度内核（core/index-scheduling.ts）：Gittins 指数精确计算——模型调度第一次有了可证明最优的口径。对每个候选的 Beta 后验求解折扣 bandit 最优索引（退休 MDP 在 (α,β) 三角形上按 n 反向归纳一遍即得全部 V_R，无需不动点迭代；对无差异退休金二分），调度按 ν × availability 排序；学习溢价 = ν − p̂ 随证据积累自动归零（探索自我终结，不再需要手设探索预算），与 UCB 乐观上界启发式的本质区别是最优性有定理背书
• 预算最优路由内核（core/bandit-knapsack.ts）：Bandits with Knapsacks——预算约束下的最优路由，影子价格内生涌现。质量走经验伯恩斯坦乐观上界（复用 12.0），可行性按「剩余预算 / 剩余轮数 × (1+slack)」判定，影子价格 λ 从不可行高质臂与选中臂的混合 LP 顶点实时解出（固定 costWeight 只是 λ 的一次性猜测）；无可行臂时选最廉臂止血并标记 urgent（负载卸载，而非假装最优仍存在）

创世层（23.0 → 25.0）

• 稳健统计内核（core/robust-statistics.ts）：Catoni 估计 + Median-of-Means——重尾延迟下均值不再被尾部绑架。仅有限方差假设即得 sub-Gaussian 型置信界（普通均值被 5% 污染 × 1e6 幅度的尾部搬到 50000，Catoni 压回 2.69——四个数量级的抗性）；每模型延迟流随样本量自适应 mean → MoM → Catoni，启用后 getModelStatuses 输出 robustAvgLatencyMs
• 差分隐私内核（core/differential-privacy.ts）：Laplace/Gaussian 机制 + Rényi-DP 记账——遥测不裸暴露个体。折半分账永不超支（Σε ≤ ε），id/时间戳自动跳过，RDP→(ε,δ) 解析转换；心智报告 / Sankey 能量流启用后数值叶经扰动发布
• 容量规划内核（core/capacity-planning.ts）：Erlang-C / Kingman 反解——并发上限第一次从排队论里算出来。心跳 2.5 段把世界模型预测到达率 × 稳健平均延迟喂入排队论规划器，反解「守住目标等待时间」的最小并发；不可行（ρ≥1）时诚实返回 infeasible 并建议扩容/降载

先知层（26.0 → 30.0）

• 高斯过程内核（core/gaussian-process.ts）：RBF/Matérn 贝叶斯回归 + 期望改进——预测偏差本身成为可学习的曲线。世界模型校准史的 actual/predicted 比值序列经 GP 回归给出带不确定度的乘性修正因子（趋势修正的 1.25/0.75 魔数由对账结果接管）；EI 采集函数（解析式与蒙特卡洛对照）支撑离散候选集上的贝叶斯优化
• 卡尔曼滤波内核（core/kalman-filter.ts）：局部线性趋势滤波 + RTS 平滑 + NIS 门控——突变判定从启发式升级为假设检验。KPI 整条历史压进 (level, slope) 充分统计量，新息平方和超出 χ²(1) 99.7% 分位才报警（99.7% 不该发生的才算异常），缓慢漂移由滤波斜率早期读出；随机游走稳态与闭式 P∞=(√(q²+4qr)−q)/2 精确对照
• 极值理论内核（core/extreme-value.ts）：POT/GPD + Hill 估计——p99.9 不再是「样本最大值」的运气。Pickands–Balkema–de Haan 定理保证超阈值超出量收敛于 GPD，Grimshaw 剖面似然一维搜索定参，尾部分位数定理化外推（含 bootstrap CI）；心跳 2.7 段对延迟样本评估尾部风险，超出目标产出 tail-risk 洞察
• 蒙特卡洛树搜索内核（core/mcts.ts）：UCT + 折扣回报——搜索预算的分配本身成为序贯决策。转移边按 Beta 后验采样成败，UCB1 平衡利用/探索，节点本地回报回传（无深度偏置），迭代/时间预算耗尽即读出（任意时刻性）；深思引擎 searchMcts 与 beam search 同口径互查
• 次模优化内核（core/submodular.ts）：加权覆盖 + 惰性贪心（CELF）——探索预算的分配第一次有近似比保证（≥ (1−1/e)·OPT，Nemhauser–Wolsey–Fisher）。知识项自身为主题、相似项部分覆盖：冗余第二选的边际衰减到 (1−c)·w，互补盲区优先入选；曲率修正把保证收紧到 (1−e^{−c})/c·OPT

均衡层（31.0 → 35.0）

先知层预测世界的未来；均衡层承认世界会反击——对手、全局约束、噪声、最坏情况、反馈失稳。五个数学支柱把调度系统从「预测最优」升维到「对抗均衡」。

• 在线学习内核（core/online-learning.ts）：Fixed-Share Hedge——对手无论怎么出招都不后悔。系统里一切统计学习（Wilson / UCB / Gittins）都假设世界是平稳概率分布；本内核叠加对抗口径：模型评分乘以有界 Hedge 乘数（[0.25,4]），对事后最优固定模型的遗憾 ≤ √(2T lnN)（Freund–Schapire，分布假设无关）；α 份额回灌保证模型能力翻转可跟踪（Herbster–Warmuth），被打爆的模型以每失败一轮 e^{−η} 的速度降权——比统计口径快一个数量级
• 全局指派内核（core/optimal-assignment.ts）：匈牙利算法（Jonker–Volgenant O(n³)）——批内选型从局部贪心到全局最优。同批动态选型节点构造「节点 × 候选」评分矩阵求线性和指派精确解：最优模型不再被同批节点重复超订、次优不再闲置；对偶证书（u_i+v_j ≤ c_ij + 互补松弛 + 零间隙）让最优性可被逐位检查而非被声称（与 15.0 同一「证明携带」哲学）
• 随机矩阵内核（core/random-matrix.ts）：Marchenko–Pastur 噪声边界 + 特征值清洗——相关性从统计幻觉升级为可证伪的结构断言。模型失败序列的样本相关矩阵大部分谱结构是纯噪声（MP 带）；循环 Jacobi 特征分解 + Laloux/Bouchaud 清洗把伪相关吸收进噪声带（不误报），头号特征值显著超带且解释份额达标 → systemic-risk 洞察：同厂商/同上游的模型会同沉浮，「看起来分散」的热备冗余是幻觉
• 分布鲁棒内核（core/robust-decisions.ts）：CVaR + Wasserstein 球——最坏情况有了闭式价格。超时预算 = margin × CVaR_α(该模型延迟史)（Rockafellar–Uryasev 精确式，相干风险度量四公理背书）：重尾模型自动获得更长预算、轻尾模型不被一刀切；Wasserstein-1 鲁棒均值是 KR 对偶的代数恒等式（sup = E + ε），超越概率的球内最坏化有精确有限样本算法
• 反馈控制内核（core/feedback-control.ts）：离散 LQR + Lyapunov 证书——并发上限的闭环驾驭。25.0 排队论反解给出静态目标，本内核让 computeParallelism 成为追踪目标的反馈控制器：增益从 DARE 闭式解出（与不动点迭代逐位对账），闭环每一步的稳定性被李雅普诺夫函数证明（V(e_{k+1}) − V(e_k) = −(qe²+ru²) 到机器精度）；死区抗抖振、钳位抗饱和，AIMD 式启发式调参退役

觉醒层（36.0 → 40.0）

均衡层与世界博弈；觉醒层看见自己的形状——知识的拓扑、蒸馏的信息价格、KPI 的动力学体质、影响力的结构涌现、恢复等待的概率定价。五个数学支柱把「自我认知」从报告口径升维为可计算的数学对象。

• 持续同调内核（core/persistent-homology.ts）：H₀ 持续图 + 瓶颈距离——知识的形状跨尺度可见。共现权重视为相似度、阈值扫描给出大陆（稳定知识簇）/孤岛（与任何主题不共现的记忆——盲区的拓扑定义）；瓶颈距离带 Cohen-Steiner–Edelsbrunner–Harer 稳定性定理（输入扰动 δ ⟹ 地形漂移 ≤ δ）。query_memory 新增 topology 动作直接查询知识地形
• 信息瓶颈内核（core/information-bottleneck.ts）：Blahut–Arimoto / Tishby——蒸馏的信息论定价。X = 任务位型、Y = 成败，IB 最优压缩的保留率 I(T;Y)/I(X;Y) 是「这批样本携带多少值得蒸馏的新信息」：同构批（保留率 < 下限或 I(X;Y) < 0.05 nat）诚实跳过——水位再高也只产出重复知识；数据处理不等式保证保留率 ≤ 1（三次确定性重启逃离硬指派冻结）
• 非线性动力学内核（core/nonlinear-dynamics.ts）：Rosenstein Lyapunov + R/S Hurst——KPI 的体质分类。混沌（λ₁ > 0，最近邻可预测性门控排除白噪声伪混沌）→ 预测视野 ~1/λ₁ 步；持续（H > 0.5）→ 趋势加权；反持续（H < 0.5）→ 突破降权；logistic 映射 λ₁ = ln2 解析对照
• 谱排序内核（core/spectral-ranking.ts）：PageRank 幂迭代——知识图的影响力从结构涌现。「被重要者共现者重要」写成不动点，线性收敛 + 质量守恒可逐位检查；related() 联想序升维为「边权 × 邻居影响力」，topInfluential 输出知识骨架（蒸馏保骨去肉的依据）；环图精确均匀是验证锚点
• 首达时间内核（core/first-passage.ts）：反射原理 + 逆高斯 + 赌徒破产——熔断恢复的概率定价。失败间隔的漂移/波动喂入首达模型，二分解出「以 target 概率确信失败强度已恢复」的最小冷却；μ̂ ≤ 0 的结构性恶化诚实给出不可达；Brownian 反射恒等式与 2 万路径模拟对照

川流层（41.0 → 45.0）

先知预见、均衡博弈、觉醒自视；川流层让吞吐、周期、公平与预算成为流数学的对象——瓶颈站在哪、节律是什么、上限被谁钳制、名额怎么分、确认花给谁，五个经典问题五个定理背书。

• 排队网络内核（core/queueing-network.ts）：Jackson 乘积形式 + Erlang-C——瓶颈站第一次可算。25.0 反解单站并发；41.0 把各模型作为独立 M/M(c) 站（乘积形式下边际独立），心跳 2.9 段解出 ρ 最大的瓶颈站——「其他站再快也无济于事」的钳制者。验证：12 万事件串联 M/M/1 模拟对照端到端逗留解析值 8/3、稳态队长边际相关性 ≈ 0
• 谱周期内核（core/spectral-periodicity.ts）：FFT 周期图 + Fisher g 检验——节律从数据里解出来。时段热度是「周期被预设为一天」的直方图；radix-2 FFT + Fisher g 精确分布让任意周期（分钟回环/昼夜/周节律）成为假设检验，显著时相位感知的谐波季节因子接管预测。验证：FFT 往返恒等、Parseval、注入周期恢复、白噪声不显著
• 最大流内核（core/max-flow.ts）：Edmonds-Karp + 最小割证书——吞吐上限与钳制者同时可算。类型需求 × 模型容量的流网络上，max-flow = 可立即满足的最大并发派发，min-cut 指认钳制者（类型在饿还是模型是独木桥）；割容量 = 流值是 Ford-Fulkerson 证书（与 15.0/32.0 同一「证明携带」哲学）。验证：随机 200 例与穷举最小割同解
• 公平分配内核（core/fair-division.ts）：加权极大极小注水——没有谁被饿死是定理。探索预算按任务家族分配从「新颖度赢者通吃」升级为 progressive filling（Bertsekas–Gallager 词典序最