# Engineering Cybernetics User Habit Learning

> 从工程控制论学习用户习惯的建模、辨识、反馈、稳定性、能观测性、能控性、时滞、随机系统、自适应、容错和大系统方法出发分析对话，将稳定的用户习惯、产品规则与可验证架构事实分开，并生成带证据清单、生命周期和前向评估的候选 Skill。适用于复盘长期对话、学习工作方式、处理冲突反馈、建立闭环执行规则或生成和更新个性化 Skill 的场景。

- Skill: `given-dream/engineering-cybernetics-user-habit-learning` (Agent Skill, multi-file: 9 files)
- Install (CLI): `npx skillmds@latest add given-dream/engineering-cybernetics-user-habit-learning`
- Raw SKILL.md: https://api.skillmd.com/api/skills/given-dream/engineering-cybernetics-user-habit-learning/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Coding & Dev Tools
- Author: given-dream (https://skillmd.com/u/given-dream)
- Updated: 2026-09-17
- Page: https://skillmd.com/skills/given-dream/engineering-cybernetics-user-habit-learning

---


# 工程控制论学习用户习惯

## 任务

- 把对话视为随轮次演化、存在噪声和时滞的受控系统，不把控制论只当作修辞类比。
- 先建立状态、观测、控制动作、扰动和验收信号，再决定哪些规则值得长期保存。
- 分开记录用户偏好、产品规则、架构事实、安全边界和待确认假设，避免不同生命周期的知识互相污染。
- 为每条长期规则保留脱敏证据摘要、反证、适用范围、验证方法和复审条件。
- 生成可供审查和前向测试的候选 Skill；获得明确写入要求且实际写入成功后，才能说明已经保存或安装。
- 默认使用中文说明；代码标识、文件名和协议字段按目标系统要求使用英文。

## 按需读取参考资料

- 需要定位全书 21 章的理论来源时，读取 `references/engineering-cybernetics-core.md`。
- 需要把理论转化为状态方程、控制表、稳定条件或容错路径时，读取 `references/operational-control-model.md`。
- 需要分析对话、证据强度、冲突反馈或隐私边界时，读取 `references/dialogue-control-and-habit-learning.md`。
- 需要记录知识类型、证据账本、偏好衰减和生命周期时，读取 `references/evidence-and-lifecycle.md`。
- 需要决定 Skill 目录、拆分粒度、目标格式和逐文件内容时，读取 `references/skill-generation-spec.md`。
- 需要评估生成结果是否真的改善执行时，读取 `references/forward-evaluation.md`。
- 当前调用环境无法读取参考文件时，仍执行下述主流程，但必须把缺少的验证标为未完成。

## 闭环分析流程

### 1. 选择样本和系统边界

1. 明确分析的是整段对话、选定轮次、单个项目还是跨项目历史。
2. 确定目标状态、受控对象、输入、输出、质量指标和停止条件。
3. 排除账号、路径、密钥、固定版本和临时故障等不可复用信息。
4. 不把系统边界扩大到未经用户授权的身份、人格和动机推断。

### 2. 建立可操作控制模型

对复杂任务先填写控制表：

| 字段 | 必须回答的问题 |
| --- | --- |
| 目标状态 | 用户最终能观察到什么结果？ |
| 状态变量 | 哪些进度、文件、进程、页面或规则会演化？ |
| 观测量 | 什么证据足以判断当前状态？ |
| 控制动作 | 哪些动作真的能改变目标状态？ |
| 扰动与噪声 | 哪些外部因素或弱信号不应误导规则？ |
| 时滞 | 动作之后多久才能获得可靠反馈？ |
| 稳定条件 | 什么现象说明系统不会再次偏离？ |
| 兜底路径 | 主通道失败时有什么独立替代方案？ |

先保证能观测和能控制，再自动化。不能用中间信号代替最终输出。

### 3. 分类知识和证据

把候选信息标为以下类型之一：

- `preference`：用户跨任务保持的工作偏好。
- `product-rule`：特定产品应维持的行为不变量。
- `architecture`：当前源码或环境中可验证、但可能随版本变化的事实。
- `safety-policy`：保护数据、权限、发布和外部影响的边界。
- `hypothesis`：尚未达到长期规则门槛的推断。

按 A/B/C 证据等级评估，并同时查找反证。重复发送、沉默、网络断开和同一事件的重复描述不能计算为独立证据。

### 4. 估计稳定习惯

满足以下任一条件才进入活动规则：

- 用户明确声明长期偏好，且没有后续冲突。
- 同一规律在至少两个独立场景中重复，并能转化为可执行动作。
- 高风险纠偏得到用户明确要求，并具有清晰验证信号。

每条活动规则必须记录：适用范围、证据摘要、置信度、反证、验证方法和复审条件。没有证据账本的规则只能作为候选假设。

### 5. 处理冲突、时滞和概念漂移

- 最新明确指令控制当前任务，但不自动抹除旧证据。
- 相反要求可能是场景差异时，形成带条件的分支规则，不强行选出全局偏好。
- 同一长期规则连续出现两次明确反向反馈时，将其降级为 `stale` 并请求或等待新的稳定证据。
- 架构事实在源码结构、依赖、打包方式或数据格式变化后必须重新验证。
- 用户尚未看到结果或工具仍在运行时，把反馈记为延迟状态，不提前判定成功。

### 6. 设计 Skill 和控制策略

1. 先选择能产生清晰反馈的最小动作，再根据结果更新下一动作。
2. 用长期目标、阶段目标、当前动作和验证信号形成分层控制。
3. 把用户偏好放在主 Skill，把易变化的产品与架构知识放在 references，把确定性操作放在 scripts。
4. 一个主题过宽、子流程能独立触发或生命周期明显不同时，拆成多个 Skill；不要生成无法维护的项目百科全书。
5. 为核心失败准备独立兜底，重复失败后改变控制路径而不是机械重试。

### 7. 生成、评估和维护

- 生成目录、`SKILL.md`、目标系统配置、按需资源以及 `extras/generation-manifest.json`。
- 使用目标平台实际支持的 frontmatter 和配置目录；记录兼容性，不声称未经测试的平台可用。
- 先做结构和隐私检查，再用至少三个代表性场景进行前向评估。
- 比较首次正确率、纠正次数、未验证声明、越界动作和验收覆盖率。
- 只有达到质量门槛时才标为 `active`；否则保持 `candidate` 并列出失败场景。
- 新证据只更新对应规则和清单；规则失效时标为 `stale` 或 `deprecated`，不要静默删除历史判断。

## 输出顺序

1. `系统目标与样本边界`
2. `控制状态表`
3. `知识分类`
4. `稳定证据、反证与冲突`
5. `当前任务约束和被过滤信号`
6. `候选 Skill 目录与逐文件内容`
7. `证据清单和生命周期状态`
8. `前向评估结果`
9. `仍需确认或复审的规则`

不要把分析过程伪装成磁盘结果。只有工具确认写入、校验和目标应用扫描成功后，才能报告已经创建或覆盖。

## 隐私和安全边界

- 删除密钥、令牌、密码、账号、邮箱、电话、精确路径和私人身份信息。
- 不保存大段原始对话；证据清单只保留改变规则判断所需的脱敏摘要。
- 不根据语言风格推断敏感属性、人格或动机。
- 不把平台政策和工程安全边界伪装成用户个人偏好。
- 不因一次满意形成永久规则，不因一次失败形成永久禁止。

## 质量检查

- 是否建立了目标、状态、观测、控制、扰动、时滞、稳定条件和兜底路径。
- 是否区分了五类知识及其不同复审周期。
- 每条活动规则是否有证据、反证、范围、验证和复审条件。
- 是否将相互矛盾的要求转换为条件规则或待确认项。
- 是否选择了合适的 Skill 粒度并避免主文件过度膨胀。
- 是否完成隐私过滤、结构校验和代表性前向测试。
- 是否能让另一个没有当前对话背景的 AI 独立执行并知道何时停止。