端点星信息密度衰减观测实验

AI Agent长期运行后，信息密度是否必然衰减？衰减的数学签名是什么？

在线预览

📄 实验方案卡片化渲染

项目简介

本实验通过残差数列（Residual Series）观测 AI Agent 长期运行中信息密度的变化规律。

核心思路：

• 估计器对每个信息块给出密度评分 ρ
• 回证机制追踪信息的实际效用 u
• 残差 e = u - ρ 揭示估计器的系统性偏差
• 累积足够残差后，训练密度校正模型 ρ̂ = ρ + ê

文件结构

EXPERIMENT_DESIGN.md   — 完整实验方案（统一基底）
template.html          — Markdown→卡片渲染模板（纯前端）
README.md              — 本文件

关键概念

概念	定义
信息密度 ρ	S·λ·R·C 四因子乘积（香农惊喜度×衰减×相关性×新颖性）
残差 e	实际效用 - 估计密度
回证 u	信息块在后续轮次中被引用/依赖的程度
密度校正模型	Ridge回归，100条门槛，TS-CV验证

实验阶段

1. 数据累积（~7天）— 残差从26条增长到100+条
2. 基线模型（~30天）— 首次模型训练与部署
3. 模式识别（~90天）— 衰减模式分类
4. 泛化验证（~180天）— 跨智能体验证

许可证

MIT License

关联项目

• endpointstar-framework — AI Agent 配置框架
• knowledge-constitution — 知识库方法论
• ai-agent-incidents — 运维事故报告