v0.2.0 — 情感引擎框架修复完整版

情感引擎 v0.2.0：在 v0.1.0 稳定版基础上，完成 seeking 吸引盆科学修复、全局框架深度评审落地、文档对外全面整治。

核心功能升级

seeking 吸引盆修复- 直流偏置修复：消除长期运行后 arousal 漂移至高端区的偏置问题。

• 习惯化（habituation）：重复刺激后情绪响应正确衰减，防止持续激活。
• arousal_gain cap：引入上限约束，防止极端输入导致 arousal 失控放大。
• 关系止血（关系项约束）：修复 seeking-valence 耦合项导致的相互拉偏问题。

全局框架评审落地

覆盖 affect_math / appraisal / 情绪词典 / 人格 / 记忆语义等模块，经文献支持的科学评审后批量修复：

• 失真必改项直接修复；其余门控项默认关闭（实验特性），推荐值走 .env。
• 独立代码审查门复查 PASS。

工程改进

• persona 模板迁入 personas/：人格卡独立目录，系统运行与人格配置解耦。
• .env.example 更新：数字人推荐旋钮默认开启，新增注释说明评审结论推荐值。
• 依赖声明对齐：pyproject.toml 下限版本与实际运行大版本对齐。
• PROGRESS.md / notes/ 移出 git 追踪：本地维护，不入库。

文档

• README 深核：快速开始 / 架构说明 / 旋钮表全面同步，架构图集 4 → 8 张（新增落点地图、近方图等）。
• 对外文案整治：对外分发物全面去内部工程话语；学术结论改为「文献依据支持」表述。

权重说明

本 Release 不附权重文件，权重沿用 weights-v0.1（5 通道，真实公开数据训练，表情通道为 demo）。下载 .pt 文件放入 artifacts/ 目录即可自动加载；缺某通道则回退内置默认。详见 README「快速开始」。

v0.1.0 — 情感引擎首个稳定版本

情感引擎首个稳定里程碑。已完成的功能：

架构 / 流水线

• 三层架构：编排（LangGraph StateGraph）· 记忆 · 存储，依赖单向、跨层封装。
• 确定性情感流水线：OCC 评价 → TD 价值/精度 → 高斯积融合 → 后验采样 / MAP 读出 → 多通道解码。

真网络化三通道

• 输入侧 文本→(v,a)：哈希词袋 TextAffectRegressor + 句向量 STTextAffectRegressor（冻结 MiniLM + MLP 头，跨域泛化，loss 降 64%）。
• 输出侧 (v,a)→通道：ProsodyDecoder（韵律）· PhysiologyDecoder（生理）· CompositeChannelDecoder 多通道叠加；FACS / 文本 / 生理 / 韵律 四通道解码。

情绪引擎

• 慢变心境双稳（A.7 时间深度 / 滞后）+ 并行预测编码流 + 显著度门控全局工作空间（GNW ignition）。
• 两时间尺度：快变 emotion（向基线衰退）+ 慢变 attitude（evaluative conditioning）+ 情绪稳态回归（reversion 防棘轮）。
• 文本输入情感经独立低精度流接入内核（受约束方案 c，科学家议会评审）。

记忆层

• 存储后端拆分（SQLite / Neo4j / Postgres saver）+ 语义记忆（Graphiti/kuzu，SemanticStore + 召回）。
• 对话情景记忆：语义召回通电 + 显著性门控 episode；长期 attitude 回灌 AppraisalAgent 先验。
• 注意力↔记忆桥（议会 D1–D7）：召回进注意力预算竞争 + 三维重排 + 首因/遗忘幂律 + history U 形装配。

对话 / 语言

• 语言层 affect↔language 双向收敛回路 + OpenAILanguageModel（OpenAI 兼容 adapter，生成 + 独立 VAD 反推）。
• 交互对话入口（情感引擎 ⊗ LLM）；双路语言（皮层 LLM 出内容 + 皮层下 push 漏情绪）；ConversationModel 协议 + 双存储边界。

人格注入

• L1 人设卡 / L2 气质底色 / L3 预置关系（默认中性）+ 情绪读出 / 防抖旋钮 / 评价标定校准。

治理 / 可观测

• 统一日志 + 可观测性埋点 + 每轮对话内容可读日志。

权重（本 Release 附件自带 5 通道）

本稳定版附件自带全部感知通道解码器权重（真实公开数据训练，表情为 demo）：

权重文件	通道	数据集	final loss
text_affect_regressor.pt	文本→(v,a)，哈希词袋	EmoBank	0.016
text_affect_regressor_st.pt	文本→(v,a)，句向量(MiniLM)	EmoBank	0.0056
prosody_decoder.pt	(v,a)→韵律	RAVDESS	0.026
physiology_decoder.pt	(v,a)→生理	WESAD	0.024
expression_decoder.pt	(v,a)→表情(FACS)	—（无真实数据集）	demo

怎么用：下载 .pt 放入仓库根目录 artifacts/（已 gitignore），load_* / scripts/* 自动加载；缺某通道则回退内置默认/占位。详见 README「快速开始」。

---

Model weights v0.1 (real-data trained)

各情感通道解码器的真实公开数据训练权重（由 scripts/train_* 训练得到、可重训再生）。含真实公开数据训练成果，表情(FACS)通道暂无对应真实数据集、沿用 demo 权重一并归入。仓库本体不收录二进制权重（artifacts/ 仍 gitignore），此处作 Release 附件分享。对齐demo版本

权重清单

权重文件	方向	模型	数据集	final loss
text_affect_regressor.pt	文本→(v,a)	稳定哈希词袋 + 回归头	EmoBank	0.016
text_affect_regressor_st.pt	文本→(v,a)	冻结 all-MiniLM-L6-v2 (384d) 句向量 + MLP 头	EmoBank（10062 句）	0.0056
prosody_decoder.pt	(v,a)→韵律	MLP（音高 / 能量 / 过零率）	RAVDESS	0.026
physiology_decoder.pt	(v,a)→生理	MLP（心率 / EDA / Temp）	WESAD	0.024
expression_decoder.pt	(v,a)→表情 FACS	AU 向量解码	—（无真实数据集）	demo

各通道说明

• 文本输入侧（词袋 vs 句向量）：词袋版无语义泛化、跨域即失效（预测幅度被压在 ±0.12）。句向量版换冻结 MiniLM 只训 MLP 头，EmoBank 全量 10062 句上 loss 0.0156 → 0.0056（降 64%）、幅度 ±0.12 → ±0.6；跨域实测——口语「omg…best night」词袋错判负 / 句向量判对 (+0.52)，商业体裁「revenue disappointing」词袋几无反应 / 句向量识别负 (−0.33)，"furious" arousal +0.05 → +0.73。坐实「更广域靠语义表示而非堆数据量」。运行时置 ZERO_TEXT_AFFECT_BACKEND=st 启用句向量版。
• 韵律（RAVDESS）：librosa 提取音高 / 能量 / 过零率，(v,a) → 韵律参数。
• 生理（WESAD）：scipy R 波检测算心率 + EDA / Temp，(v,a) → 生理信号；CompositeChannelDecoder 可多通道叠加注入。
• 表情（FACS）：(v,a) → AU 向量；暂无对应真实数据集，沿用 demo 权重（表情真实数据训练待补）。

用法

下载 .pt 放入仓库根目录 artifacts/（已 gitignore），各 load_* / scripts/*（如 demo_pipeline）自动加载；缺某通道则回退内置默认 / 占位，不影响其它通道。重新训练：scripts/train_*（数据集获取见 DATASETS.md）。更多见 README「快速开始」。