Self Learning Hyperframes

Self Learning · HyperFrames

把自己当作会看、会验证、会复盘的学习者。忠实复现教程教授的因果机制与时间关系，不追求逐像素复制，也不要把“看起来像”当成学会。

边界

• 用于完成“摄取教程 → 提取方法与动效 → 构建 Demo → 真实渲染评审 → 沉淀经验”的完整任务。
• 若用户只要下载、字幕、素材整理或通用视频剪辑，直接路由对应能力，不建立完整学习 run。
• 不复制 ASR、抽帧、素材管理或 HyperFrames 实现能力；探测并调用当前环境已有的 Skills 与工具。
• HyperFrames 创作先走官方路由；只有最佳实践、环境故障或本机适配问题才调用 hyperframes-ops，且不把机器经验写回共享工作流。

Reference 地图

只在对应时刻读取，避免把全部细节一起装入上下文：

Phase 0：模式与本地上下文

1. 完整读取存在的 experience.local.md；把 runtime.local.json 仅作为可能过期的提示。
2. Phase 0 只查长期 index；preflight 完成后按 learning loop 最多选择 1–3 条直接相关经验，并始终写 memory-selection.json。无命中也写空 selection，但不创建空长期 local/。
3. 用户明确授权无人值守或批量执行时进入自动模式，持续选择范围内最安全、可逆的下一步；否则使用协作模式，只询问会改变 Demo 数量、核心方法或公开素材边界的决定。
4. 确认目标是 Git 仓库，且 .learning/runs/、.learning.lock 和本 Skill 的 /local/ 私有层不会进入 Git。

建立或恢复 run

• 新任务先用 scripts/init_run.py start 建立私有 run，再摄取来源；规划完成前不要占 Demo 编号。
• 恢复任务先用 scripts/validate_run.py --apply-invalidation 校验 hash 链。只跳过仍匹配真实源媒体、当前 workflow、直接上游、schema 与实际输出 hash 的阶段。
• 任一来源、证据、源码、fixture、日志、观看材料或成片漂移时，从首个不可信阶段向下失效；不要凭记忆续跑。

12 阶段

严格按 workflow 推进，不静默跳过失败：

全局不变量

• 事实：每条结论绑定真实 source ID、媒体 hash、时间范围以及实际 cue、帧或代码证据；占位字符串不能算证据。
• 分层：保持 tutorial_fact、visual_observation、code_fact 与 implementation_inference 独立；本地设计选择不冒充教程事实。
• 证据：字幕不能替代视觉观察；均匀接触表不能替代关键段密集证据；实现结果不能反向证明来源。
• 可恢复：每阶段 artifact 绑定当前输出、直接上游、schema、workflow 与相关源码/fixture/回执 hash。
• 能力：只对当前输入适用的候选执行无副作用 probe；probe 不下载、不安装、不改写环境。
• 素材：原媒体、完整字幕、私人照片和绝对路径只留在私有 run；公开 Demo 自带原创或明确授权 fixture，并能在 clean checkout 中 check/render。
• 编号：plan_demo 后才用 bind-demo 原子分配；不手猜编号，不用锁文件是否存在推断锁状态。
• 留痕：只记录本轮实际读取的内容、调用的 Skills/工具、版本、回执与产物 hash；不能由模型自报使用事实。

Must-pass 与两轮停止

1. verify 先完成 rubric 中所有 must-pass；失败项必须先修，无法修复则 blocked，不消耗 R1/R2。
2. R1 与 R2 都审阅真实完整 MP4，并使用各自实际解码、framemd5、全片 watch sheets、关键段密集帧带与时间码问题记录。
3. R1 只输出一个可修的 top_fix。revise 只改同一维度并生成不同 MP4 hash。
4. R2 不复用 R1 观看结论；完成后把 top_fix 设为 null 并硬停止，不开启第三轮。
5. final 必须指向 R2 审阅的同一 hash。must-pass 全绿但总分低于 80 时使用 completed_with_residuals，不隐藏残余。

何时 blocked

仅在以下条件停止并写明可验证理由：

• 来源未授权、不可读，或目标范围需要用户作实质选择；
• 当前阶段所有适用能力候选都真实失败；
• 隐私或公开素材边界无法满足；
• 机械 must-pass 经修复仍无法通过。

风格小选择、已有安全默认值或低风险可逆步骤不是 blocked 理由。

学习沉淀与收尾

• 新 workflow 1.1.0 run 以 required=true、state=collecting、contract_version=1.0.0、selection=null、sidecars={} 初始化；preflight 后 selection 必须指向 memory-selection.json（无命中也写空选择），且所有 descriptor 的 {path, sha256} 都由 validator 重算。
• 每个 completed stage/workflow capability 都记录真实 content/Skill/tool event，或明确 missing|degraded|not_recorded coverage；无执行不能静默缺席，模型自报 hash/receipt 不能算证据。
• Finalize 按 skill-usage-manifest → usage-ledger → retrospective → 原子 state=frozen 的唯一顺序落盘。之后 Review/用户反馈只新增 feedback candidate；不得改写 retrospective、R2、final、manifest、ledger 或重新渲染。
• workflow 1.0.0 默认继续有效；显式 backfill 只从旧 run 已保存事实幂等生成 state=backfilled sidecars，未知 Skill/tool 写 not_recorded，不用当前环境补造，且除 sidecars/run.json.extensions 外旧文件和 final hash 不变。
• 机器路径、私有偏好和单机经验只进被忽略的 local memory；跨案例验证的通用规则才进入共享 Skill reference；未验证想法留在 backlog。
• 更新 Demo 索引后只暂存精确目标文件，分别用 scripts/audit_staged.py 审计 Skill 与 Demo 仓库的 Git index；空暂存集必须失败。
• 最终用 scripts/validate_run.py --ffprobe on 验证唯一成片，并报告 Demo 路径、final hash、测试/check/render、R2 分数、账本状态与残余。