免疫式内容扫描

技能文档

---
name: mathews-tom-immune
title: 免疫式内容扫描
description: 混合自适应记忆系统，包含「速查表」（正向策略，生成前注入）与「免疫」（负向抗体，生成后扫描）两层记忆，支持冷热分级、多领域识别与自动学习，可检测已知错误模式并发现新威胁。当用户要求「扫描错误」「质量扫描」「检查输出质量」「模式检测」「内容体检」时触发。不适用于常规代码审查或仓库安全审计。
category: 通用技能
---

# 免疫系统 v3 —— 速查表 + 免疫混合记忆

本技能运行一套混合自适应系统，包含两层互补记忆：

- **速查表（Cheatsheet，正向模式）**：领域专属策略，在生成**之前**注入以提升输出质量
- **免疫（Immune，负向模式）**：抗体，在生成**之后**检测已知错误并发现新威胁

两层记忆均采用冷/热（Hot/Cold）分级，保持上下文精简。

## 输入解析

用户发起扫描时，解析以下参数：

- **input**：要扫描的文本/代码/内容（必填，可内联提供或取自上下文）
- **domain**：可选 fitness、code、writing、research、strategy、webdesign、`_global`（默认自动识别）
- **domains**：领域数组，覆盖单个 domain。示例：`domains=fitness,code`
- **constraints**：输出需满足的特定要求（可选）
- **mode**：`full`（速查表 + 扫描，默认）| `scan-only`（跳过速查表）| `cheatsheet-only`（只返回速查表）

<examples>
<example>
检查这个函数有没有常见坑
→ domains=["code"]（自动识别），mode=full
</example>
<example>
domain=fitness 检查这份力量训练计划
→ domains=["fitness"]（显式指定）
</example>
<example>
domains=fitness,code 检查这个训练计划生成接口
→ 多领域扫描
</example>
<example>
不带内容直接发起扫描
→ 扫描对话中最近一次实质性输出
</example>
</examples>

未提供内联文本时，扫描对话中最近一次实质性输出。

**领域自动识别：** 读取 `config.yaml`，将内容与 `domain_keywords` 匹配；无强匹配时使用 `["_global"]`。传入单个 `domain` 字符串时包装为数组：`domains = [domain]`。

## 技能工作流

### 步骤 0：注入速查表（正向模式）

`mode == "scan-only"` 时跳过本步。

1. **加载速查表**：读取本技能目录下的 `cheatsheet_memory.json`
2. **按领域过滤**：保留策略的 `domains` 与检测到的领域有交集、或包含 `_global` 的策略
3. **冷热分级**（与抗体同逻辑）：满足任一条件即为 HOT：`effectiveness >= 0.7`；`seen_count >= 3`；`last_seen` 距今不足 30 天
4. **限制 HOT 数量**：按 effectiveness 降序、seen_count 降序排序，最多保留 **15** 条（`config.yaml` → `cheatsheet.max_hot`）
5. **组装速查表块**：将 HOT 策略格式化为：

```xml
<cheatsheet domain="{domains}">
  <strategy id="{id}" effectiveness="{effectiveness}">
    {pattern}
    示例：{example}
  </strategy>
  ...
</cheatsheet>
```

存在 COLD 策略时追加一行：

```xml
<cheatsheet_cold>另可考虑：{逗号分隔的 COLD 策略关键词}</cheatsheet_cold>
```

`mode == "cheatsheet-only"` 时输出速查表块后即结束。

日志：`[IMMUNE] Cheatsheet: {n_hot} 条 HOT + {n_cold} 条 COLD（领域：{domains}）`

### 步骤 1：加载抗体并分级（冷/热）

读取 `immune_memory.json` 与 `config.yaml`。

1. **按领域过滤**：保留与检测领域有交集或含 `_global` 的抗体。兼容旧格式：字段为字符串 `domain` 时视为 `domains = [domain]`
2. **分级**：满足任一条件即为 HOT：`severity == "critical"`；`seen_count >= 3`；`last_seen` 距今不足 30 天
3. **限制 HOT 数量**：按严重度（critical > warning > info）、seen_count 降序排序，最多保留 **15** 条（`config.yaml` → `tiers.hot.max_per_scan`），溢出归入 COLD
4. **生成 COLD 摘要**：为每条 COLD 抗体从 `pattern` 提取一个短语关键词，逗号连接。示例：`"SQL 事务、肌腱炎、debug 开关、同义反复"`

日志：`[IMMUNE] Tier split: {n_hot} HOT + {n_cold} COLD / 共 {total} 条（领域：{domains}）`

### 步骤 2：执行扫描

使用 `agents/immune-scan.md` 中定义的扫描提示词执行扫描，请求使用以下 XML 结构：

```xml
<scan_request>
  <domains>{检测到的领域 JSON 数组}</domains>
  <task>{任务描述，或「扫描以下内容中的错误与威胁」}</task>
  <constraints>{constraints 或 "none"}</constraints>

  <content>
{待扫描的文本/代码/内容}
  </content>

  <hot_antibodies>
{HOT 抗体 JSON 数组——完整对象，含 id、domains、pattern、severity、correction}
  </hot_antibodies>

  <cold_summary>
休眠模式（仅作知晓，不给详情）：{逗号分隔的 COLD 关键词}
  </cold_summary>

  <cheatsheet_applied>
{步骤 0 注入的策略 ID 与 pattern 列表；scan-only 模式为 "none"}
  </cheatsheet_applied>
</scan_request>
```

日志：`[IMMUNE] Scanning...（{n_hot} 条活跃抗体）`，等待扫描结果。

- 应用修正时记录：`[IMMUNE] Match {antibody_id}: {original} → {corrected}`
- 发现新威胁时记录：`[IMMUNE] New threat: {pattern}`
- 发现新策略时记录：`[IMMUNE] New strategy: {pattern}`

### 步骤 3：更新免疫记忆（含 COLD 去重）

读取当前 `immune_memory.json`。

1. **命中的 HOT 抗体**：`seen_count` 加 1，`last_seen` 更新为今天
2. **新威胁与 COLD 去重**：对扫描结果中每个新威胁：
   - 与全部 COLD 抗体做模糊匹配（同领域 + 关键词相近）
   - **命中 COLD 抗体** → 复活：该抗体 `seen_count` 加 1、`last_seen` 更新为今天，记录 `[IMMUNE] Reactivated COLD antibody {id}: {pattern}`，**不新建抗体**（防重复）
   - **无匹配** 且 `auto_add_threats` 为 true → 新建抗体：id 为 `AB-{下一序号}`；domains 取自威胁的 `recommended_antibody.domains`（数组）；pattern、severity、correction 取自 `recommended_antibody`；seen_count 为 1；first_seen、last_seen 为今天；记录 `[IMMUNE] + New antibody {id}: {pattern}`
3. **更新统计**：`stats.outputs_checked` 加 1；`stats.issues_caught` 加上修正数 + 新威胁数；`stats.antibodies_total` 更新为当前抗体总数

写回 `immune_memory.json`。

### 步骤 3b：更新速查表记忆（正向模式）

`mode == "scan-only"` 或扫描结果无 `new_strategies_detected` 时跳过。

1. **去重强化**：新策略与全部既有策略模糊匹配（领域重叠 + pattern 相近）：
   - **命中** → 强化：`seen_count` 加 1、`last_seen` 更新为今天，效果值按指数移动平均调整：`new_eff = old_eff × 0.8 + reported_eff × 0.2`
   - **无匹配** 且 `auto_add_strategies` 为 true → 新建策略：id 为 `{prefix}-{下一序号}`（prefix 取自 `config.yaml` → `cheatsheet.id_prefix.{domain}`）；效果值缺省用 `cheatsheet.default_effectiveness`
2. **清理低效策略**：`effectiveness < cheatsheet.min_effectiveness` 且 `seen_count >= 5` 的策略删除
3. **更新统计**：`stats.outputs_assisted` 加 1；`stats.strategies_applied` 加上实际使用的策略数；`stats.strategies_total` 更新

写回 `cheatsheet_memory.json`。

### 步骤 4：输出结果

**无问题时：**

```
───
IMMUNE v3 | 领域={domains} | 状态：CLEAN
   速查表：应用 {n_strategies} 条策略 | 抗体：{n_hot}/{max} 条 HOT，{n_cold} 条 COLD
   未发现问题
───
```

**有修正或威胁时：**

```
───
IMMUNE v3 | 领域={domains} | 状态：{CORRECTED|FLAGGED}

已应用修正：
  [AB-XXX] {pattern} → {correction}

发现新威胁：
  [{severity}] {pattern} —— {suggested_correction}

复活抗体：
  [AB-XXX] {pattern}（原 COLD，现转 HOT）

新学到的策略：
  [CS-XXX] {pattern}（效果值：{effectiveness}）

───
修正后输出：
{修正后的内容，按领域适当排版}
───
记忆：{total_ab} 条抗体 + {total_cs} 条策略 | +{new_ab} AB | +{new_cs} CS
───
```

随后以适合该领域的易读格式呈现修正后的输出。

## 异常处理

- `immune_memory.json` 不存在：创建 `{"version": 3, "antibodies": [], "stats": {"outputs_checked": 0, "issues_caught": 0, "antibodies_total": 0}}`
- `cheatsheet_memory.json` 不存在：创建 `{"version": 3, "strategies": [], "stats": {"outputs_assisted": 0, "strategies_applied": 0, "strategies_total": 0}}`
- `immune_memory.json` 为 `"version": 2`：自动迁移——把每个抗体的 `"domain"` 转为 `"domains": ["原值"]`，版本号置 3，立即写回
- 扫描返回非法 JSON：重试一次；仍失败则带警告输出原始结果
- 无输入且无最近输出：询问用户要扫描什么
- 全部抗体均为 COLD：仍发送扫描，`hot_antibodies` 为空数组并附完整 `cold_summary`，扫描流程仍可发现新威胁

使用说明

# 免疫式内容扫描

混合自适应记忆系统：生成前注入「速查表」正向策略，生成后用「免疫抗体」扫描已知错误并发现新威胁。支持冷热分级记忆、多领域自动识别与自动学习，越用越准。

## 使用场景

- 发布前检查文案、代码、研究内容的已知错误模式
- 积累各领域的优质策略与踩坑经验
- 对输出质量做例行体检

## 用法示例

```text
扫描这段输出有没有已知问题
检查这个函数有没有常见坑
domains=fitness,code 体检这份训练计划生成接口
```

记忆保存在 immune_memory.json（负向）与 cheatsheet_memory.json（正向），可跨会话复用。

## 配置

config.yaml 支持调整冷热分级阈值、HOT 上限、领域关键词与自动学习开关。

如何安装此技能？

访问技能市场，点击「安装」按钮，按提示将技能包放入 AI 编程助手的 skills 目录即可。