Ladder

一个用于自主创建与优化的系统。

流水线 · 认知阶段 · 循环 · 快速开始 · 分支它 · 相关工作

Ladder 是一个用于自主创建与优化的开放系统——收集想法、形成假设、运行实验，并在持续循环中应用结果。它将推动人类每一次重大创新进程的过程结构化，从文艺复兴到贝尔实验室，并使其能够由人类、AI 智能体或两者共同执行。 ## 为什么选择 Ladder？ 人类进步的每一次伟大飞跃都遵循着相同的模式。文艺复兴时期的佛罗伦萨有其沙龙和工作室——博学家们聚集多元知识，辩论想法，在艺术和工程中加以验证。启蒙时期有其咖啡馆和科学学会——结构化的观察、假设、实验。贝尔实验室有其开放式走廊——数学家与工程师碰撞，理论家从实验者那里获取灵感，研究结果反馈到新的研究中。 这个过程始终如一： 1. **广泛摄取**——阅读、学习、跨领域体验 2. **直面问题**——遇到值得解决的挑战 3. **深入思考**——运用你所知道的一切来解决这个问题 4. **从结果中学习**——观察什么有效，什么无效 5. **与他人交流**——与不同视角的人交换想法 6. **窃取与组合**——从其他领域复制、修改和合并想法 7. **睡一觉**——让潜意识建立你无法强加的联系 8. **吸收新输入**——不断为系统注入新鲜材料 9. **获得突发灵感**——洞察力到来 10. **测试并重复**——尝试它、学习它、循环回来 这是**所有**重大进步的引擎。Ladder 将这个引擎变得**自主**——结构化到足以让 AI 智能体运行，可观察到的足以优化，开放到任何人都可以使用。 ## 流水线

Ladder 将工作组织成六个集合，每个都是自主优化流水线的阶段： | 阶段 | 前缀 | 描述 | |-------|--------|-------------| | **Sources（来源）** | `SR-` | 原始输入——论文、文章、观察、系统遥测 | | **Ideas（想法）** | `ID-` | 从来源中生成的候选解决方案或新方法 | | **Hypotheses（假设）** | `HY-` | 从想法中推导出的可检验预测 | | **Experiments（实验）** | `EX-` | 具有明确方法论的结构化假设检验 | | **Algorithms（算法）** | `AL-` | 执行特定任务的已验证方法 | | **Results（结果）** | `RE-` | 实验的已验证结果 | 每个条目都是一个带有结构化 frontmatter 的 markdown 文件。结果反馈作为下一个周期的来源——推动持续自主改进的**循环**。 ## 认知阶段

Ladder 的构思阶段建模于推动人类进步数百年的创新阶段。这些不是任意的类别——它们是突破实际如何发生的可观察模式，从文艺复兴时期的工作室到现代研究实验室。 | 阶段 | 历史类比 | 发生什么 | |-------|-------------------|--------------| | **CONSUME（摄取）** | 学者在大学之间旅行，阅读一切 | 从 3 个以上领域收集不同的原始材料 | | **DREAM（做梦）** | 凯库勒的苯环梦，庞加莱的公交车灵感 | 完全没有问题意识的纯粹自由联想 | | **DAYDREAM（白日梦）** | 牛顿在苹果树下，阿基米德在浴缸中 | 松散问题意识下的半定向漫游 | | **CONTEMPLATE（沉思）** | 启蒙时期的科学学会，严格的辩论 | 多角度的结构化分析 | | **STEAL（窃取）** | 贝尔实验室走廊碰撞——数学遇见工程 | 从完全不同的领域映射模式 | | **MATE（结合）** | 文艺复兴工作室融合艺术、科学和机械 | 组合来自不同阶段和来源的想法 | | **TEST（测试）** | 皇家学会同行评审，可复现性标准 | 在可行性、新颖性、影响力和优雅性上评估每个想法 | | **EVOLVE（进化）** | 科学范式转变——旧观念消亡，强者生存 | 保留最好的，变异中间的，淘汰弱的 | | **META-LEARN（元学习）** | 事后分析、回顾、改进方法本身 | 分析什么有效并调整策略 | 这个模式在每个创新时代都重复出现：*广泛摄取、自由重组、残酷测试、学习并重复。* 佛罗伦萨沙龙在葡萄酒中这样做。贝尔实验室在开放式办公室中这样做。硅谷在车库和群聊中这样做。Ladder 自主地这样做。 ## 循环

Ladder 中最重要的概念是**循环**：结果不会仅仅停留在那里——它们作为下一个创建和优化周期的来源反馈回来。 一个结果可能揭示一个新问题（→ 来源），或暗示一个更好的方法（→ 想法），或验证一个算法（→ 算法）。这个闭环将静态集合转变为**自主优化引擎**，持续改进自己和它指向的任何系统。 这与 [Pursuing the Algorithm](https://danielmiessler.com/blog/the-last-algorithm) 中描述的过程相同——一种适用于任何领域的广义爬山方法。观察、假设、测试、学习、重复。循环使其运作。 ## 快速开始 ``` # 克隆 git clone https://github.com/danielmiessler/Ladder.git cd Ladder # 安装依赖项 bun install # 添加想法 bun run ladder add idea --title "Use semantic caching for API responses" # 从该想法添加假设 bun run ladder add hypothesis --idea ID-00001 --title "Semantic cache reduces API calls by 40%" # 添加实验 bun run ladder add experiment --hypothesis HY-00001 --title "A/B test semantic cache vs direct calls" # 检查 pipeline 状态 bun run ladder status # 列出所有想法 bun run ladder list ideas ``` ## 目录结构 ``` Ladder/ ├── Sources/ # SR- Raw inputs and references │ ├── README.md │ └── TEMPLATE.md ├── Ideas/ # ID- Candidate solutions │ ├── README.md │ └── TEMPLATE.md ├── Hypotheses/ # HY- Testable predictions │ ├── README.md │ └── TEMPLATE.md ├── Experiments/ # EX- Structured tests │ ├── README.md │ └── TEMPLATE.md ├── Algorithms/ # AL- Proven methods │ ├── README.md │ └── TEMPLATE.md ├── Results/ # RE- Verified outcomes │ ├── README.md │ └── TEMPLATE.md ├── Tools/ # TypeScript CLI tooling ├── README.md ├── CLAUDE.md ├── CONTRIBUTING.md └── LICENSE ``` ## 分支它 Ladder 被设计为可以分支。你的分支就是你的实例——你的问题、你的想法、你的实验。 **个人使用：** 分支它，指向你自己的工作，让它发现你手动永远无法注意到的优化。 **企业使用：** 分支它，将其范围限定到你的系统。你的智能体在你的基础设施中发现问题，将它们作为来源提交，流水线自主地将它们转化为已验证的改进。 **AI 集成：** 将你的 AI 智能体指向你的 Ladder 分支。当智能体遇到问题或看到机会时，它就提交到流水线。流水线是自主优化引擎；智能体是观察的来源。 ## 理念 Ladder 建立在三个信念之上： 1. **进步是循环，不是直线。** 每个伟大的创新时代——文艺复兴、启蒙时期、贝尔实验室时代——都是由观察、创造和测试之间的紧密反馈循环驱动的。 2. **结构使创造力成为可能。** 给认知阶段命名不会限制思维——它使思维可观察、可改进。皇家学会并没有通过坚持可复现性而扼杀创造力——它加速了创造力。 3. **自主是目标。** 系统应该能够无人值守地运行——发现问题、生成想法、检验假设并持续应用结果。 ## 相关工作 Ladder 借鉴了关于自主优化、AI能力和人类创造力的相互关联的思想体系： ### 核心概念 - [A Possible Path to ASI](https://danielmiessler.com/blog/path-to-asi) — 基础论题：通过规模化构思和实验实现 ASI，模拟人类创造过程 - [Pursuing the Algorithm](https://danielmiessler.com/blog/the-last-algorithm) — 跨任何领域持续改进的广义算法概念 - [Nobody is Talking About Generalized Hill-Climbing](https://danielmiessler.com/blog/nobody-is-talking-about-generalized-hill-climbing) — 为什么通过迭代爬山进行运行时优化是大多数人缺失的关键能力 - [Introducing Substrate](https://danielmiessler.com/blog/introducing-substrate) — 用于大规模收集问题、解决方案和证据的开源基础设施 ### AI 与知识工作 - [AI's Ultimate Use Case: State Transition](https://danielmiessler.com/blog/ai-state-management) — 从当前状态到期望状态的移动作为智能的核心功能 - [RAID (Real World AI Definitions)](https://danielmiessler.com/blog/raid-ai-definitions) — 对 AGI、ASI 及 Ladder 中引用的其他 AI 概念的精确定义 - [Exactly Why and How AI Will Replace Knowledge Work](https://danielmiessler.com/blog/exactly-why-and-how-ai-will-replace-knowledge-work) — 推动 AI 采用的经济力量以及为什么自主流水线很重要 - [Bitter Lesson Engineering](https://danielmiessler.com/blog/bitter-lesson-engineering) — 为什么你应该构建随规模改进的基础设施，而不是巧妙的对策 ### 创造力与创新 - [Creative Output Requires Quality Inputs](https://danielmiessler.com/blog/creative-output-requires-quality-inputs) — 为什么 CONSUME 阶段很重要：垃圾进，垃圾出 - [Increasing Creativity By Separating Input and Output Phases](https://danielmiessler.com/blog/increasing-creativity-by-clearly-separating-your-input-and-output-phases) Ladder 阶段分离背后的科学 - [The Two Primary Limitations to Our Creativity](https://danielmiessler.com/blog/two-creativity-barriers) — Ladder 认知阶段旨在克服的限制 - [AI and the World's Most Important Economic Metric](https://danielmiessler.com/blog/creativity-friction-coefficient) — 降低创造摩擦如何改变一切 ### 系统与基础设施 - [Building a Personal AI Infrastructure (PAI)](https://danielmiessler.com/blog/personal-ai-infrastructure) — Ladder 集成于其中的更广泛系统 - [How My Projects Fit Together](https://danielmiessler.com/blog/how-my-projects-fit-together) — Ladder 在 Fabric、Substrate 和 PAI 生态系统中的位置 - [Companies Are Just a Graph of Algorithms](https://danielmiessler.com/blog/companies-graph-of-algorithms) — 为什么 Ladder 的算法集合很重要：每个过程都是可以优化的算法 - [Why I Created Fabric](https://danielmiessler.com/blog/fabric-origin-story) — Ladder 扩展的基于模式方法的起源 ### 人类进步 - [The Problem with Human 2.0 and the Promise of Human 3.0](https://danielmiessler.com/blog/human-3-creator-revolution) — 将人类视为创造者的愿景，由 Ladder 这样的自主工具增强 - [Algorithmic Learning](https://danielmiessler.com/blog/algorithmic-learning) — 学习作为一个结构化的、可改进的过程——不仅仅是积累 - [Algorithmic vs. Faith-based Learning](https://danielmiessler.com/blog/algorithmic-vs-faith-based-learning) — 为什么可验证的、迭代的学习胜过未经检验的假设 - [The Great Transition](https://danielmiessler.com/blog/the-great-transition) — 使自主创造工具成为必要的社会转变 ## 致谢 我一直在思考自主优化循环，但 Andrej Karpathy 一直是这一路途中的持续灵感来源。他的 [Software 2.0](https://karpathy.medium.com/software-2-0-a64152b37c35) 框架——从手写逻辑到学习系统的转变——帮助深化了我对可验证性的思考，以及输出可检查意味着什么。他最近关于自主研究自动化的工作与 Ladder 试图做的事情产生深刻共鸣：结构化创造循环，使其能够自行运行。 → [Software 2.0](https://karpathy.medium.com/software-2-0-a64152b37c35) → [@karpathy on X](https://x.com/karpathy) ## 贡献 请参阅 [CONTRIBUTING.md](CONTRIBUTING.md) 了解如何提交来源、想法、假设、实验和结果。 ## 许可证 MIT——详见 [LICENSE](LICENSE)。

标签：AI代理, Apex, 人工智能, 假设生成, 创意自动化, 创新管理, 实验管理, 持续优化, 文档结构分析, 机器学习, 用户模式Hook绕过, 知识管理, 研究工具, 科研平台, 系统性创新, 网络调试, 自主系统, 自动化, 自动化攻击, 认知计算, 迭代开发, 防御加固