evolution-proposallisted

# 进化提案（Evolution Proposal） ## 核心规则 本机 Agent 体系已具备进化的全部要素（可变异对象、适应度函数、选择机制、固化管线），缺的是把审计发现转化为受控变异的提案环节。本技能就是那个转化器： 1. **只产提案，不直接改**：输出是可评审的变更提案（diff + 证据 + 验证命令 + 预期指标），固化必须过人工或既有门禁。 2. **证据驱动**：每条提案必须锚定 inbox 条目中的量化证据（retries=10 / pollCount=8 / inputTokens=2.5M），无证据不立项。 3. **先分析后提案**：进入提案前必须先做系统化问题分析（量化基线 → 全量聚合 → 根因分类 → 优先级排序），禁止"看到一条异常就提一条提案"的碎片化处理。 4. **根因分类决定对策**：沿用 systematic-optimization 的三类根因——缺约束（补约束）、有约束不执行（加执行点检查/门禁）、无法强制（升级到系统层机制）。**约定层不执行是经验事实，不是假设**：同一反模式反复出现必须升级方案。 5. **元规则隔离**：AGENTS.md 治理模块（L0）是选择算子本身，本技能永远不直接改它；如需变更 L0，只能作为"人工发起的独立变更"提议，由用户执行。 ## 适用范围与触发边界 **触发**（满足任一即启用本技能）： - `evolution-inbox`（`~/.agent-broker/topics/skills/evolution-inbox/workspace/inbox.jsonl`）存在 `status: "new"` 的条目； - 会话中出现已知反模式信号（无 wait 轮询、重试簇、token 热点、压缩风暴）并需要根治而非临时规避； - 用户明确要求"把最近的经验固化成规则/技能/插件改进"。 **不适用**： - 单轮小修改：直接改目标文件即可，不要套提案流程（经 task-mode-router 判级）； - 无需固化的临时问答； - L0 治理规则修改：只能由用户人工发起，本技能最多输出"建议变更内容"供用户决定。 ## 工作流程 ### 阶段 1：问题分析（Problem Analysis，完整九步） > 本阶段完整执行 systematic-optimization 第 0~5 步（量化→全量列问题→根因→方案→**联网借鉴**→归纳取舍）。**没有数字的"问题"是感觉**；**不借鉴同类已知解法的方案是闭门造车**。禁止跳过本阶段直接选条目提提案。 **步骤 1.1 量化基线（第 0 步）** 1. 读取 inbox 全部条目：`Get-Content ~/.agent-broker/topics/skills/evolution-inbox/workspace/inbox.jsonl`，按行解析 JSON。 2. 统计全量基线：总条目数、按 pattern 聚合的频次与占比（如 `poll 26/390 = 6.7%`）、按 severity 分布、按 status 分布。 3. 对每个高频 pattern，统计时间分布（策略生效前/后，参考 `~/.dsh/AGENTS.md` 各模块生效时刻），判断是历史存量还是近期增量。 4. 记录基线数字（阶段 4 提案、固化后度量对比同口径使用）。 **步骤 1.2 全量列问题（第 1 步）** 1. 按 pattern 分组，每组标注：会话数、量化证据（次数/占比/极端值）、最严重代表条