人工智能本科生 · 2027 届 · Agent 基础设施 × 具身智能强化学习

具身智能教会我:仿真跑通 ≠ 现实可靠。 我把同一套证据纪律带进了 Agent 系统:检索命中 ≠ 结论现行,AI 输出 ≠ 可信依据。

我在做的所有项目,都在回答同一个问题——怎样让复杂系统的结论可靠、可审计、不冒充现状。

人负责定义值得解决的问题;AI 负责探索道路;真实证据决定保留什么。 这份从失败经历中形成的研发假设,叫 Life Finds a Way。

ClaimLedger · AI Agent 的决定台账 带状态(现行/已替代/有争议)与溯源的声明库:冲突在写入时强制摊开,过期结论不再冒充现状。检索基准过期命中 54% → 0;手写 MCP stdio 服务器接入 Claude Code / ZCode;纯标准库零依赖,300+ 测试双平台全绿。

FCode · host 治理的 Agent Runtime 持久化、可审计的 Agent 运行时,带实时控制台。

deep-native · 编程智能体对照实验 检验技能、工作流与额外验证是否真正改善任务表现。早期对照尚未证明提升,失败结果同样保留。

Go2W · MoRA 分层导航 Unitree Go2W 在 MuJoCo 中的分层导航:PPO / BC / DAgger、课程学习、消融研究与可复现评估。

G1 · 长时程任务研究 Unitree G1 长时程任务的任务组织、执行反馈与失败处理仿真。

RL-Sentinel · 训练风险回放 按时间顺序回放训练状态与风险判断:失败、指标与当时的决策可被重新检查。

FlowCredit · 风险智能基础设施 Evidence / Provenance 机制、确定性风险计算与 integrity veto:风险结论由确定性代码承载,LLM 负责证据组织。

FlowCredit Research · 可审查的研究记忆 投研场景的 versioned claims:证据出处、版本化判断与人工复核。

• 目标先于路线。 先说明为什么要做、做到什么程度,而不是先指定答案。
• 探索必须守界。 自主选择方法,不等于自行获得新的权限、预算或发布授权。
• 失败也是证据。 保留无法复现、没有通过和证据不足的结果,不把工程活动当作能力增长。

"生命会自己寻求出路"不是放任 AI 一直运行,而是允许它改变道路,也允许它及时停止。 完整的研发宪章、故事与实验边界 →

• 2027 届,在找 AI Agent / 具身智能 方向的实习
• 在做:ClaimLedger 的存储合并(记忆卡片并入声明库)与事件溯源设计
• 习惯:用创意编程和小工具保持手感;它们不进正式项目,但保持试错

_{Eason · Anhao1314 · 学习、构建、验证、修正。}