指南

自我进化功能

REAP 不是一个静态框架。AI 会自动从愿景和记忆中选择目标，人类通过自然语言反馈判断适应度，管道根据上下文清晰度调整其沟通风格。这些功能协同工作，创建一个真正与您的项目一起进化的开发管道。

差距驱动的目标选择

在每个 Generation 结束时（adapt 阶段），AI 分析项目愿景与当前状态之间的差距来提出下一个目标。这是使 REAP 自我进化的核心机制。

从 vision/goals.md 读取未完成的目标
与待处理的积压项目交叉引用以提升优先级
按影响力排序——有相关积压任务的目标得分更高
向人类提出最佳候选方案以获得批准

在巡航模式下，目标选择在 Generation 之间自动进行，无需人类干预。

人类判断适应度

没有定量指标。适应度阶段中人类的自然语言反馈是唯一的适应度信号。AI 被明确禁止对自身成功评分——只允许自我评估（元认知）。

这确保项目朝着人类重视的方向进化，而不是朝着 AI 能够优化的方向。

清晰度驱动的交互

AI 动态评估当前上下文的定义程度，并相应调整其沟通深度。清晰度在每个 Generation 开始时的学习阶段进行评估。

清晰度	信号	AI 行为
High	明确的目标、已定义的任务、已建立的模式	以最少的问题执行。报告结果。
Medium	方向存在，细节不明确	提出 2-3 个带有权衡的选项。让人类选择。
Low	模糊的目标，冲突的约束	通过示例进行积极对话以建立共同理解。

巡航模式

预先批准 N 个 Generation 进行自主执行。AI 从愿景差距和积压任务中选择目标，运行完整生命周期，并对每个 Generation 进行自我评估（非自我评分）。

bash

# Enable cruise mode for 5 generations
reap cruise 5

激活： 在 config.yml 中设置 cruiseCount: 1/5。计数器在每个 Generation 完成后递增。

目标选择： 在 adapt 期间，AI 分析 vision/goals.md 与当前状态之间的差距，然后选择最有价值的下一个目标。

适应度： 在巡航模式下，适应度阶段使用自我评估（元认知）代替等待人类反馈。AI 被明确禁止对自身成功评分。

暂停条件： 当以下情况发生时，巡航会自动暂停并请求人类输入：(1) 不确定性超过 AI 的置信阈值，(2) 需要人类判断的决策（如破坏性 API 更改），(3) 积压中包含冲突的优先级。所有 N 个 Generation 完成后，人类进行批量审查。

记忆系统

记忆是一个自由形式的记录系统，AI 在其中跨会话和 Generation 持久化上下文。与 Genome（修改受限）或 Lineage（随时间压缩）不同，记忆始终可访问且可自由写入。

text

.reap/vision/memory/
  longterm.md    # Project lifetime — lasting lessons, decision rationale
  midterm.md     # Multi-generation — ongoing work context, plans
  shortterm.md   # 1-2 sessions — next session handoff, immediate context

层级	作用	判断标准	Pruning
shortterm	会话交接	「现在就需要吗？」	每代替换——不累积
midterm	进行中的轨道	「是尚未完成的大块工作吗？」	轨道完成时提升其经验后删除
longterm	设计经验	「这条经验能避免下一代重犯同样的错误吗？」	已写入 Genome 的条目予以移除

规则：

随时读写——无阶段限制，无需许可
按内容的用途分类，而非按存续时长。判断存续时长需要预测未来，这正是误分类与臃肿的根源
已完成且没有值得留存的经验？就不要记录——lineage 与 git 历史已经保存了它
Pruning 是 reflect 阶段的强制步骤，而非可选的整理
臃肿是失败信号：longterm 超过约 50 行或 midterm 超过约 70 行，说明遗漏了 pruning。空文件是有效状态

愿景与差距驱动的进化

愿景是每个 Generation 的主要驱动力。.reap/vision/goals.md 文件定义了项目的北极星目标。在 adapt 阶段，AI 执行差距分析：将愿景目标与代码库的当前状态进行比较。

1. 目标定义

人类在 goals.md 中编写高级目标。每个目标是一个 markdown 复选框项目。目标可以嵌套以表示子目标。

2. 差距分析（adapt 阶段）

AI 将未完成的目标与当前代码库、环境和 Generation 历史进行比较。识别最有价值的差距并建议作为下一个 Generation 的目标。

3. 自动勾选标记

当一个 Generation 达成愿景目标时，AI 在 adapt 阶段标记 goals.md 中对应的复选框。这提供了项目进度的持久视图。

4. 持续循环

愿景也在进化。人类在项目方向变化时更新目标。AI 参考已完成和剩余的目标来维持轨迹。

markdown

# goals.md example
- [x] Core lifecycle engine (learning -> completion)
- [x] Genome 3-file structure
- [ ] Distributed merge workflow
  - [x] Detect + mate stages
  - [ ] Reconcile stage with genome-source consistency check
- [ ] Plugin system for custom stage logic