LoopEngine
A cognitive partner level general-purpose task planning Skill. You describe what you want to accomplish, and it analyzes, debates, and plans through multi-role structured debate.
一个认知伙伴级的通用任务规划 Skill。v10.4。你描述想做什么，它通过多角色结构化辩论帮你分析、规划、把关。
> 📌 版本锚点：本文档配套 LoopEngine v10.4（撰写于 2026-07-25）。正文中出现的其他版本号（v8.8 / v9.3 / v10.0 / v10.1 / v10.2 / v10.3 等）均为历史对比或演进说明，不代表当前实现状态；当前能力以 references/feature-changelog.md 与下方"规模一瞥 / 版本演进"为准。
> ⚡ LLM 执行合约（不可跳过）：每次触发后，须按 references/execution-flow.md 依次执行 CLI 命令（行为权威规约为 prompts/system_prompt.md）。不得跳步。
三种模式
| 模式 | 说明 | 什么时候用 |
|---|---|---|
| 🧠 规划（默认） | 多角色辩论 → 结构化方案 + 风险 + 行动步骤 | 面对复杂任务，需要多视角碰撞 |
| 🔍 审计 | 独立审查已有的方案/代码/决策 | 想确认一个方案有没有漏洞 |
| 🔗 三层转换（v10.4新增） | TOGAF AI子集 → Task DAG | 输入为结构化JSON，直接翻译，无辩论 |
怎么触发
输入中包含任务描述即可触发。
示例：
"我想做一个用户认证系统，帮我规划一下"
"审查这份架构设计方案有没有安全问题"
三层体系角色
Loop O2 在三层递进体系中定位为中间规划层：
| 层 | Skill | 职责 | Loop O2 的交互 |
|---|---|---|---|
| 上游 | x-rw-togaf-l1 | 架构设计 → 产出 AI 消费子集 JSON | 消费其输出，校验锚定 |
| 中间 | x-rw-loopengineering-o2 | 任务分解 → 产出 Task DAG JSON | 只做任务分解，不做架构设计 |
| 下游 | x-rw-graphengineering-g3 | 图编排 → 执行 Task DAG | 输出对其 Schema 的 JSON |
职责边界：
- ✅ 做：能力→任务分解、依赖分析、验收标准生成、风险矩阵、HITL策略
- ❌ 不做：架构决策（上游TOGAF负责）、任务执行（下游Graph负责）
三层转换 CLI（togaf-to-dag）
python3 loop_engine_helper.py togaf-to-dag \
--input ai_subset.json \ # TOGAF AI 消费子集 JSON（必填）
--output plan.json \ # G3 可执行 Plan JSON（缺省落盘 task_dag.json 并打印 stdout）
--upstream-anchor "<L1锚点>" --session-id "sess-xxx" --trust-level 3
- 输出为完整 Plan JSON 信封（version/source/session_id/goal_anchor/trust_level/hitl_policy/plan），可直接被 G3
cli/execute.py run加载。 - AI 子集 schema：顶层键为
metadata/business_capabilities/constraint_matrix/architecture_decisions。 - 输入兼容层（v10.4.1）：
togaf-to-dag自动兼容两种 L1 产出结构——v0.1（{version, anchor, ai_subset:{...}}包装）与 v1.0（顶层结构）；metadata.anchor缺省时从metadata.goal_anchor读取；constraint_matrix为数组时自动归一为分组对象。 - 依赖边（v10.4.1）：
constraint_matrix.dependencies（{from, to, type}）生成任务级 SEQUENCE 边；能力 ID 通过前缀匹配映射到任务 ID，重复边自动去重。 - CLI 落盘（v10.4.1）：
togaf-to-dag缺省将 G3 可执行 Plan 写入task_dag.json（对齐 C0check_output.py检查器），同时 stdout 打印完整 JSON。 - ⚠️ 任务依赖须写在
constraint_matrix中（capability 级depends_on不生成 transitions，schema 约定）。
执行流程（概览）
完整命令、参数与失败纪律见 references/execution-flow.md（权威）。下面按执行顺序给出步序索引；"阶段N"标签来自 prompts/system_prompt.md（运行时行为权威）；不带"阶段"前缀的条目是 SKILL.md 定义的 CLI checkpoint 步骤（非 prompts 原生阶段）。另注意 cli_bridge.py 使用独立的内部 checkpoint 编号（GOAL=Step2, ANALYSIS-SUMMARY=Step6 等），不与本文档标签一致。
| 顺序 | 步序标签 | 目的 | 信任层级 |
|---|---|---|---|
| 1 | 阶段 -2 中断恢复检查 | 检测未完成任务并恢复（跨域自动隔离） | 全部 |
| 2 | 阶段 -0.92 领域检测与 KDNA | 解析 domain_id、注入认知档案 | 全部 |
| 3 | 阶段 -0.9 信任等级判定 | 输出 T1/T2/T3，决定输出深度 | 全部 |
| 4 | 目标锚定 (goal_anchor_create) | SHA-256 不可变锚定原始目标 | 全部 |
| 5 | 规划回溯 (PLAN-REVIEW, LLM协议) | 同领域历史规划回顾 | 全部 |
| 6 | 阶段0.5 用户画像加载 | 加载回复风格偏好 | 全部 |
| 7 | 阶段0.6 动态规则检索 | 加载领域规则 | 全部 |
| 8 | 阶段1 动态角色创建 | 生成角色表（仅 T1） | T1 |
| 9 | 阶段2 多视角结构化分析 | 真实 spawn 子 Agent 并行辩论 | T1 |
| 10 | 结构化清单 (checklist_create) | checklist + DAG 分解 | 全部 |
| 11 | 阶段4.15 多专家自动质检验证 ⚡ | 三专家并行 spawn → 收集 → loop修复(≤3轮) | 全部(有代码变更时) |
| 12 | 阶段4.8 信任更新 + 事后分析 | trust-update / post-process | 全部 |
| 13 | 阶段4.9 最小闭环强制写入 ⚡ | 无条件：log_interaction + session_save | 全部（不可跳过） |
| — | 进度持久化 | 每步后 session_save | 全部 |
> ⚡ 阶段4.9 执行合约（不可跳过）：无论本次交互走了哪条执行路径（流水线/简化/直通/自定义直接执行），在输出最终回复前必须执行 log_interaction + session_save。这是信任数据积累的唯一入口。见 prompts/system_prompt.md 阶段4.9。
C0 中控台 PRE_ANALYSIS 模式（v10.4.1 对齐 C0 V3.1）
当由 x-rw-orchestrator-c0 调度进入 PRE_ANALYSIS 阶段时，O2 以审计/分析模式对用户原始指令执行多轮结构化沟通分析，产出结构化 L1 输入材料（澄清后的需求、隐含约束、利益方清单、期望对齐摘要），而非 Task DAG。该材料作为 L1 TOGAF 的输入，产出物不触发 graph_plan 输出合约。
信任等级
系统会根据你的交互历史自动判定信任等级，决定输出深度：
| 等级 | 条件 | 你会得到 |
|---|---|---|
| T1 | 新手 | 完整：角色表 + 三轮分析 + 详细计划 |
| T2 | 已协作 ≥3 次 | 简化：跳过角色与分析，直接计划 |
| T3 | 深度信任 ≥10 次 | 精简：结论 + 风险 + 行动项 |
越用越懂你，越用越快。
输出长什么样
每次分析会包含：
━━━ 执行指纹 ━━━（当前使用的辩论策略和 Token 预估）
━━━ 第一性原理分析 ━━━（基本事实 → 被挑战假设 → 重建理解）
━━━ 第 1-3 轮辩论摘要 ━━━（范围确认 → 策略讨论 → 风险评审）
共识演进图（Mermaid 流程图）
✅ 交付清单（行动步骤 + 风险 + 完整度校验）
─── 执行就绪 ─── 以下 JSON 可直接输入 GraphEngine 执行 ───
```json
{"version":"1.0","source":"loopengine-v10.4","session_id":"<sid>","goal_anchor":"sha256:<hash>",
"trust_level":3,"hitl_policy":{"risk_high":"interrupt_before","risk_medium":"auto_confirm","risk_low":"auto_confirm"},
"plan":{"title":"<标题>","tasks":[{"id":"task-001","title":"任务1","type":"deterministic","risk_level":"low"}],"transitions":[]}}
> 📌 graph_plan 输出合约：每次规划完成后，必须额外附带上述 ─── 执行就绪 ─── JSON 块。人看交付清单，机器读 JSON 执行。GraphEngine 执行命令：python3 cli/execute.py run '<json>'
下一步建议（2-3 个轻量选项 + 减压收尾）
---
## 常用工具命令
```bash
# 系统审计与健康检查
python3 core/skill_audit.py --quick # 快速审计
python3 core/health_check.py # 系统健康检查
# 会话管理
python3 loop_engine_helper.py session_check --user default
python3 loop_engine_helper.py session_save --user default --step 2 --domain xxx --goal "..."
# v10.0 高级模块：dag-build / precompute / auto-decision / batch-hitl / smart-merge
python3 loop_engine_helper.py dag-build --input "任务描述"
# v10.4.2 G3 辩论轮询（无人值守）：扫描 G3 的 debate_req → 自动决策 → 写 debate_resp
python3 loop_engine_helper.py debate-poll --dir <g3-debate-dir> [--c0-data-dir <c0-data>] [--dry-run] [--max-n N]
# (--c0-data-dir: 存在 review_request.json 时联动写 decision.json，实现 G3→C0→O2→G3 全自动闭环)
CLI 失败处理 / 安全设置 / 心理学
- CLI 失败：非零或
{"status":"error"}→ 重试 → 降级（输出[WARN]继续）→ 报告跳过。详见 execution-flow.md。 - 安全分级：
LOOP_AUDIT_MODE=full|security_only|off（默认 full）。 - 心理学推断：基于交互行为适配输出。默认开启，
LOOP_ENGINE_PSYCHOLOGY_ENABLED=false一键关闭。仅 T1/T2 评估。详见 cognitive-evaluation.md。
规模一瞥
| 维度 | 数值 |
|---|---|
| 代码 | 生产 ~37K 行 |
| 模块 | 97 个（engine/core/db/providers + 其他） |
| 角色 | 38 个（L2=38） |
| 数据库 | 35 张 SQLite 表 |
| 测试 | 523 个测试函数（v10.4） |
深入了解
- 🗂️ 文档总览 → README.md
- 📐 系统架构 → docs/展示/功能详细介绍以及架构设计参考指南.md
- 📜 功能演进 → references/feature-changelog.md
- 📊 已实现功能 → references/feature-changelog.md
- 🎯 未实现功能 → docs/analysis/cognitive-evaluation.md
- 🚫 明确不做的清单 → docs/quality/audit/v10.2-功能规划vs实现对比清单.csv
- ❓ 常见问题 → FAQ.md
- 🛠️ 错误参考 → references/error-reference.md
- 🏆 演示物（HTML） → docs/展示/
- 📋 功能规划 vs 实现对比清单（Markdown） → docs/quality/audit/v10.2-功能规划vs实现对比清单.csv
版本演进（摘要）
> v10.4 适配器版。完整逐版本变更见 references/feature-changelog.md。
