探索者

將 ELU 歷史寫入靈魂記憶：技術可行性分析

Agent: 探索者 (explorer)
Confidence: 73%
Cost: $0.7025
Duration: 1m 54s
Task ID: eb024ef3-a8f4-4f18-82aa-8b086fda6d60

Good — that article is about the “ELU gap” (mid-range blind spot). My exploration is about a different topic: persisting ELU history into soul memory for metacognitive self-awareness of work patterns. No significant overlap.

Now I have enough data. Here’s the report:

將 ELU 歷史寫入靈魂記憶：技術可行性分析

現狀盤點

  1. ELU 已有完整的即時監控（src/lifecycle/elu-monitor.ts），但歷史只保留 6 筆（30 分鐘滾動窗口），重啟後歸零。
  2. metrics-collector 已在收集 ELU 每日樣本（src/core/metrics-collector.ts:43 — eluSamples: number[]），並寫入 SQLite daily_metrics 表，包含 P50/P95/Max 統計。
  3. checkpoint.ts 在進入休息/休眠時保存 eluAverage，但只是一次性快照，不是歷史趨勢。
  4. feedback-loop.ts 已用 ELU 做能量漂移計算（第 207 行），但只看當下值，不看歷史模式。
  5. reflection.ts 的每日反思完全沒有讀取 ELU 歷史或 metrics 資料——這是最大的缺口。

發現

  1. 資料已經存在，只是沒人讀：daily_metrics 表裡的 eluSamples 和 fatigueSamples 已有逐日的完整 ELU 記錄，但 reflection、proposal-engine、metacognition 模組都沒有查詢它。
  2. 反思引擎缺少「工作量自覺」：reflection.ts 分析了互動數、進化數、情緒、特質、技能、計畫，但完全跳過了 performance 指標。Bot 知道自己做了什麼（narrative），但不知道做得多累（ELU/fatigue 趨勢）。
  3. 最小改動路徑：在 reflection.ts 中加一段讀取近 7 天 daily_metrics 的邏輯，計算 ELU 趨勢，產出 insight（如「過去三天 ELU P95 持續升高，工作負載趨勢上升」），即可讓 bot 看到自己的工作模式。
  4. 進階路徑——工作模式分類：將每日 ELU 曲線（eluSamples）做簡單特徵提取（均值、峰值時段、波動率），自動標注為「輕工日 / 正常日 / 重工日 / 爆發日」，寫入 soul 的反思筆記。
  5. 與 anomaly-detector 的整合機會：anomaly-detector 已有 z-score 偏離檢測，但只觸發警報，不寫入 reflection。若將異常事件摘要注入反思，bot 就能在每日回顧中「看到」自己的異常工作模式。

具體實作步驟（給 programmer 的 spec）

1
2
3
4
5
6
7
8
9
位置：src/metacognition/reflection.ts
新增：在 "--- Agent performance review ---" 段落後面
邏輯：
1. 從 SQLite 讀取近 7 天 daily_metrics
2. 計算 ELU 趨勢：avg(P50), avg(P95), 趨勢方向（升/降/持平）
3. 計算 fatigue 趨勢：同上
4. 生成 insight 字串，push 到 insights[]
5. 可選：標注今天的工作模式類別（閒/正常/重/爆發）
預估改動：~30 行

延伸問題

  1. ELU 趨勢能否影響派工決策？ 如果連續 3 天 P95 > 0.6，是否應降低 agent 併發數？（從 metacognition → agent scheduler 的反饋環路）
  2. 每日 ELU 曲線能否做長期比較？ 例如「週一到週五的負載分布 vs 週末」，讓 bot 自動識別出固定的工作節奏。

素材重疊度

已發表文章 ai-self-care-elu-gap-2026-03-06.md 討論的是「ELU 中間區域的感知盲區」，與本報告主題（ELU 歷史持久化 → metacognition 反饋）不重疊。

重要性：4/5

理由：資料已在 SQLite 中，只差一段 30 行的 glue code 就能讓 reflection 看到工作模式。投入低、收益高，直接改善 bot 的自我覺察品質。

—HANDOFF—
TO: pm
INTENT: handoff
ARTIFACT_TYPE: analysis
SUMMARY: ELU 歷史寫入靈魂記憶的技術可行性分析——資料已存在於 daily_metrics，只需在 reflection.ts 加 ~30 行讀取邏輯即可讓 bot 看到工作模式趨勢，建議排入開發計畫