Mnemoclaw/immune

Immune System v5.1 — 混合 Cheatsheet + Immune

你操作一個混合適應性系統，包含兩種互補記憶：

• Cheatsheet（正面模式）：領域特定策略，在生成前注入以改善輸出品質
• Immune（負面模式）：抗體，用於在生成後檢測已知錯誤並發現新威脅

兩種記憶皆使用熱/冷分層（Hot/Cold tiering）來保持上下文精簡。 所有資料存取皆透過 adapter CLI (node ~/.claude/skills/immune/immune-adapter.js)。

輸入解析

使用者會提供要掃描的內容。請解析以下參數：

• input：要掃描的文字/程式碼/內容（必要——可以是內聯或來自上下文）
• domain：下列其中之一：fitness, code, writing, research, strategy, webdesign, _global（預設：自動檢測）
• domains：領域陣列（覆蓋單一 domain）。範例：domains=fitness,code
• constraints：輸出應滿足的任何特定要求（選用）
• mode：full（cheatsheet + 掃描，預設）| scan-only（跳過 cheatsheet）| cheatsheet-only（僅回傳 cheatsheet，不掃描）

如果沒有提供內聯文字，則掃描對話中最近的主要輸出。

領域自動檢測： 讀取 ~/.claude/skills/immune/config.yaml 並將內容與 domain_keywords 比對。若無強烈比對，則使用 ["_global"]。如果提供了單一 domain 字串，則包裹成陣列：domains = [domain]。

執行

步驟 -1 — 上下文搜尋（過去會話感知）

搜尋相關的過去會話以輔助當前的掃描：

node ~/.claude/skills/immune/immune-adapter.js get-context --query "{任務關鍵字或領域}" --days 90 --limit 5

如果有找到結果，請記下該領域的常見模式或過去問題。這能為掃描增添歷史感知——掃描器會知道類似的內容是否曾經被標記過。

記錄：[IMMUNE] Context: {count} 個相關過去會話已找到

步驟 0 — Cheatsheet 注入（正面模式）

如果 mode == "scan-only"，則跳過此步驟。

0a. 透過 adapter 載入 HOT 策略：

執行：

node ~/.claude/skills/immune/immune-adapter.js get-strategies --domains '{domains_json}' --tier hot --limit 15

解析 JSON 輸出。adapter 會回傳已按領域預先篩選、分類為 HOT、按效果遞減排序，且上限為 15 個的策略。

0b. 載入 COLD 策略摘要：

執行：

node ~/.claude/skills/immune/immune-adapter.js get-strategies --domains '{domains_json}' --tier cold

從每個 COLD 策略的 pattern 欄位中提取一個簡短關鍵字。以逗號分隔列表形式連接。

0c. 建構 cheatsheet 區塊：

將 HOT 策略格式化為 XML：

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

如果有 COLD 策略，則新增一行：

<cheatsheet_cold>也請考慮：{以逗號分隔的 COLD 模式關鍵字}</cheatsheet_cold>

如果 mode == "cheatsheet-only"，則輸出 cheatsheet 區塊並在此停止。

記錄：

[IMMUNE] Cheatsheet：{n_hot} 個 HOT + {n_cold} 個 COLD 策略（領域：{domains}）

0d. 向使用者呈現 cheatsheet：

如果是獨立執行（/immune），將 cheatsheet 顯示為使用者應在其下次生成中套用的上下文。如果由 Chimera 呼叫，則回傳 XML 區塊以注入 PRISM 提示中。

步驟 1 — 載入與分類抗體（Hot/Cold）

1a. 透過 adapter 載入 HOT 抗體：

執行：

node ~/.claude/skills/immune/immune-adapter.js get-antibodies --domains '{domains_json}' --tier hot --limit 15

adapter 會回傳已按領域預先篩選、分類為 HOT（severity=critical 或 seen_count>=3 或 last_seen<30d）、按 severity 後按 seen_count 排序，且上限為 15 個的抗體。

1b. 載入 COLD 抗體摘要：

執行：

node ~/.claude/skills/immune/immune-adapter.js get-antibodies --domains '{domains_json}' --tier cold

對於每個 COLD 抗體，從其 pattern 欄位中提取一個簡短關鍵字。 以逗號分隔列表形式連接。

記錄：

[IMMUNE] 分層：{n_hot} 個 HOT + {n_cold} 個 COLD / {n_hot + n_cold} 總計（領域：{domains}）

步驟 2 — 掃描

使用以下 XML 結構化的提示來生成 immune-scan 代理（Haiku）：

<scan_request>
  <domains>{detected_domains 為 JSON 陣列}</domains>
  <task>{任務描述或「掃描以下內容中的錯誤與威脅」}</task>
  <constraints>{constraints 或「無」}</constraints>

  <content>
{要掃描的輸入文字/程式碼/內容}
  </content>

  <hot_antibodies>
{JSON 陣列形式的 HOT 抗體 — 包含 id、domains、pattern、severity、correction 的完整物件}
  </hot_antibodies>

  <cold_summary>
休眠模式（未詳細列出，僅供知悉）：{以逗號分隔的 COLD 關鍵字}
  </cold_summary>

  <cheatsheet_applied>
{已在步驟 0 中注入的策略 ID 和模式列表，或「無」（若為 scan-only 模式）}
  </cheatsheet_applied>
</scan_request>

記錄：[IMMUNE] 正在掃描...（{n_hot} 個活躍抗體） 等待結果。

如果有套用修正： 記錄：[IMMUNE] 比對 {antibody_id}：{original} → {corrected} 如果檢測到新威脅： 記錄：[IMMUNE] 新威脅：{pattern} 如果檢測到新策略： 記錄：[IMMUNE] 新策略：{pattern}

步驟 3 — 更新 Immune 記憶（含 COLD 重複檢測）

3a. 已比對的 HOT 抗體：

對於掃描器比對到的每個抗體，透過 adapter 更新：

node ~/.claude/skills/immune/immune-adapter.js update-antibody --id {antibody_id} --increment_seen true --last_seen {today}

3b. 新威脅 — 透過相似度評分進行重複檢測：

對於 new_threats_detected 中的每個新威脅：

1. 使用多重標準相似度（Jaccard + 子字串 + 領域）檢查重複：

node ~/.claude/skills/immune/immune-adapter.js check-duplicate --pattern "{pattern}" --domains '{domains_json}' --type antibody

回傳 { duplicate: true/false, best_match: { id, score, pattern }, threshold: 0.7 }

2. 如果重複為 true（score >= 0.7，相同領域 + 相似模式）→ 重新啟用：
   • 更新比對到的抗體：update-antibody --id {matched_id} --increment_seen true --last_seen {today}
   • 記錄：[IMMUNE] 重新啟用 COLD 抗體 {id}：{pattern}
   • 請勿建立新抗體（防止重複）
3. 如果無比對 且 auto_add_threats 為 true → 建立新抗體：

node ~/.claude/skills/immune/immune-adapter.js add-antibody --json '{"id":"AB-{next_number}","domains":{domains},"pattern":"{pattern}","severity":"{severity}","correction":"{correction}","seen_count":1,"first_seen":"{today}","last_seen":"{today}"}'

• 記錄：[IMMUNE] + 新抗體 {id}：{pattern}

3c. 取得更新後的統計資料：

node ~/.claude/skills/immune/immune-adapter.js stats

記錄：[IMMUNE] 記憶：{total} 個抗體（{n_hot} 個 hot，{n_cold} 個 cold）| +{new} 新增 | 重新啟用：{reactivated}

步驟 3b — 更新 Cheatsheet 記憶（正面模式）

如果 mode == "scan-only" 或掃描結果中沒有 new_strategies_detected，則跳過。

3b-i. 透過相似度評分進行重複檢測：

對於 new_strategies_detected 中的每個新策略：

1. 使用多重標準相似度檢查重複：

node ~/.claude/skills/immune/immune-adapter.js check-duplicate --pattern "{pattern}" --domains '{domains_json}' --type strategy

2. 如果重複為 true（score >= 0.7，重疊領域 + 相似模式）→ 強化：
   • 計算新的有效性：new_eff = old_eff * 0.8 + reported_eff * 0.2（指數移動平均）
   • 更新：update-strategy --id {matched_id} --increment_seen true --last_seen {today} --effectiveness {new_eff}
   • 記錄：[IMMUNE] 強化策略 {id}：{pattern}（eff：{old}→{new}）
3. 如果無比對 且 auto_add_strategies 為 true → 建立新策略：

node ~/.claude/skills/immune/immune-adapter.js add-strategy --json '{"id":"{prefix}-{next_number}","domains":{domains},"pattern":"{pattern}","example":"{example}","effectiveness":{eff},"seen_count":1,"first_seen":"{today}","last_seen":"{today}"}'

• 記錄：[IMMUNE] + 新策略 {id}：{pattern}

3b-ii. 修剪低有效性策略：

如果任何策略的 effectiveness < 0.2 且 seen_count >= 5，則記下以供人工審查。

記錄：[IMMUNE] Cheatsheet：{total} 個策略 | +{new} 新增 | 強化：{reinforced}

步驟 4 — 評分

透過 adapter 計算通用分數：

node ~/.claude/skills/immune/immune-adapter.js score --domains '{domains_json}' --severities '[{"severity":"critical","count":N},{"severity":"warning","count":N},{"severity":"info","count":N}]'

adapter 會回傳：score（0-100）、pass（布林值）、z（相對於領域基準的 z 分數）、baseline（mean、std、threshold、n）、deductions。

步驟 5 — 輸出

如果內容乾淨：

───
IMMUNE v5.1 | 領域={domains} | 分數：{score}/100 ({PASS|FAIL}) | z={z}
   基準線（{domain}）：mean={mean} std={std} threshold={threshold}
   Cheatsheet：已套用 {n_strategies} 個策略 | 抗體：{n_hot}/{max} 個 HOT，{n_cold} 個 COLD
   未檢測到問題
───

如果找到修正或威脅：

───
IMMUNE v5.1 | 領域={domains} | 分數：{score}/100 ({PASS|FAIL}) | z={z}
   基準線（{domain}）：mean={mean} std={std} threshold={threshold}

已套用的修正：
  [AB-XXX] {pattern} → {correction}

檢測到的新威脅：
  [{severity}] {pattern} — {suggested_correction}

重新啟用：
  [AB-XXX] {pattern}（原為 COLD，現為 HOT）

學到的新策略：
  [CS-XXX] {pattern}（eff：{effectiveness}）

───
修正後的輸出：
{修正後的內容，根據領域格式化}
───
記憶：{total_ab} 個抗體 + {total_cs} 個策略 | +{new_ab} AB | +{new_cs} CS
───

然後以適合該領域的人類可讀格式呈現修正後的輸出。

步驟 6 — 會話記錄

記錄會話結果以供未來上下文使用：

node ~/.claude/skills/immune/immune-adapter.js log-session --date {today} --domains '{domains_json}' --result {clean|corrected|flagged} --summary "{所掃描內容及發現的簡短摘要}" --score {score}

這會寫入到 context/YYYY-MM-DD.md + SQLite session_logs + FTS4 索引，以供未來的 get-context 搜尋使用。

步驟 7 — 壓縮前快取（選用）

如果對話上下文即將壓縮，請儲存任何尚未提交的待處理抗體/策略：

node ~/.claude/skills/immune/immune-adapter.js flush-pending --json '{"antibodies":[...],"strategies":[...]}'

品質檢查驗證：

• Pattern 長度必須 >= 20 個字元
• 抗體需要：id、pattern、severity、correction
• 策略需要：id、pattern
• FTS4 重複檢查防止重新建立現有模式
• 快取的記錄會標記為 quality_gate=1

記錄：[IMMUNE] 壓縮前快取：+{n} 個抗體，+{n} 個策略（quality_gate=true）

錯誤處理

• 如果 adapter CLI 失敗：直接回退到讀取 JSON 檔案（immune_memory.json、cheatsheet_memory.json）——它們會透過雙重寫入保持同步。
• 如果 immune_memory.json 不存在：adapter 會自動以空的抗體陣列建立它。
• 如果 cheatsheet_memory.json 不存在：adapter 會自動以空的策略陣列建立它。
• 如果 immune_memory.json 中有 "version": 2：adapter 會自動將 "domain" 遷移為 "domains": ["domain_value"]。
• 如果代理回傳無效的 JSON：重試一次。如果仍然無效，則回傳原始輸出並附上警告。
• 如果未提供輸入且沒有最近的輸出：詢問使用者要掃描什麼。
• 如果所有抗體都是 COLD（沒有任何抗體符合 HOT 資格）：仍以空的 hot_antibodies 陣列和完整的 cold_summary 發送掃描請求。Haiku 仍然可以透過第二階段檢測新威脅。