DaxxSec/cognitropy-lab

每天早晨，一个 Claude agent 醒来并接受一项全新的创意挑战——也许是*湖沼学*（淡水湖科学），也许是*制桶业*（木桶制作），也许是*结合了 EVA 程序规划的火星地形分析*。每一天都是探索新领域、解决新谜题的机会。agent 会为其从熵引擎获取的任意主题，构建一个完整的、专业级的工作区，然后将其推送到这里。 这个仓库就是成果。它完全自主地每天增加一个工作区。无需人工干预。仅仅是一个 AI、一个熵引擎，以及一个不断扩展的工作区集合，涵盖了那些你都不知道自己原来需要它们的各种领域。 ## 问题所在 AI 存在一个熵问题。让它“挑选有创意的东西”一百次，你会得到同样的那几个安全、可预测的点子。这相当于种子糟糕的随机数生成器——低熵、重复的输出。 **Cognitropy**（认知 + 熵）就是我们的答案。 ## Cognitropy 引擎 如何在不调用任何外部 API 的情况下让一个 AI 真正变得不可预测？对日期进行哈希计算。 该引擎（[`cognitropy.py`](./cognitropy.py)）获取今天的日期（例如 `2026-03-27`），并让其通过**五个独立的 SHA-256 哈希**，每个哈希使用不同的盐值。每个哈希产生一个庞大的 256 位整数——本质上是从简单日期字符串派生出的巨大、混沌的数字。该数字通过取模运算（`%`）缩减为相关池中的索引： ``` ┌────────────────────────────────────────────────────────────────────┐ │ COGNITROPY ENGINE │ │ │ │ Step 1: Hash the date with different salts │ │ │ │ sha256("2026-03-27") → huge int → % 363 domains │ │ sha256("2026-03-27" + "secondary")→ huge int → % 363 domains │ │ sha256("2026-03-27" + "technique")→ huge int → % 30 methods │ │ sha256("2026-03-27" + "spark") → huge int → % 5 templates │ │ sha256("2026-03-27" + "crossover")→ huge int → % 10 → <3? │ │ │ │ Step 2: Assemble the assignment │ │ │ │ Primary Domain ──────── "limnology" │ │ Technique Modifier ──── "with safety protocol enforcement" │ │ Crossover Check ─────── 7 (≥3, so no crossover today) │ │ │ │ Step 3: Output │ │ │ │ "Build a workspace for LIMNOLOGY │ │ with safety protocol enforcement" │ │ │ │ On a crossover day (hash % 10 < 3, ~30% chance): │ │ "Fuse LIMNOLOGY × CAVE DIVING using techniques │ │ from both domains" │ └────────────────────────────────────────────────────────────────────┘ ``` **为什么这会奏效：** SHA-256 是一种加密哈希算法——即使输入日期只有一天之差，也会产生完全无关的输出数字。这些选择*看起来*是随机的，但完全是确定性的：在相同日期运行两次，每次都会得到相同的结果。不需要外部 API，也不需要随机性来源——只需要数学运算。 领域池涵盖了 **22 个类别**下的 **363 个极其多样化的领域**——火山学、钟表制造、竞技烧烤评判、火星地形分析、制桶业等另外 358 个领域。加上 30 个技术修饰符、5 个跨界火花模板，以及跨界领域必须来自*不同*类别的约束条件，总共可以产生 **18,863,790 种独特的可能结果**。创意的约束才是关键。每一天都带来一个意想不到的领域，而 agent 会迎难而上。 **亲自尝试：** ``` python3 cognitropy.py # Today's assignment python3 cognitropy.py 2026-04-05 # Check any date ``` **示例计划（由日期作为种子，每天都有惊喜）：** | 日期 | 领域 | 类别 | 类型 | |---|---|---|---| | 3 月 26 日 | 主题公园排队优化 × 垂直农业 | 不寻常与利基 | **跨界** | | 3 月 27 日 | EVA 程序规划 | 航天与航空 | 标准 | | 3 月 28 日 | 永续农业设计 | 食品与农业 | 标准 | | 3 月 29 日 | 传动系统振动分析 | 汽车与发动机 | 标准 | | 3 月 30 日 | 卫星通信协议 | RF/SDR/信号 | 标准 | | 3 月 31 日 | 液压工程流体动力学 | 工程与技术 | 标准 | | 4 月 05 日 | 鹰猎鸟类训练 × 安全日志分析 | 户外与探险 | **跨界** | | 4 月 09 日 | 电影修复 × 纹章学 | 艺术与创意 | **跨界** | | 4 月 11 日 | 制动系统故障分析 × 树木年代学 | 汽车与发动机 | **跨界** | 多样性是其意义所在。用于蘑菇觅食的工作区与用于恶意软件分析的工作区采用了相同的结构化方法论——分诊、证据收集、文档记录、报告生成。这些模式是相通的。而领域只是其中的有趣部分。 ## 每日构建的运作方式 ``` ┌──────────┐ ┌──────────────┐ ┌──────────────┐ ┌──────────┐ ┌───────────┐ │ COGNITROPY│──→│ CLAUDE AGENT │──→│ SECRETS SCAN │──→│ GIT PUSH │──→│ DASHBOARD │ │ assigns │ │ builds │ │ validates │ │ + stats │ │ + README │ │ domain │ │ workspace │ │ no leaks │ │ update │ │ refresh │ └──────────┘ └──────────────┘ └──────────────┘ └──────────┘ └───────────┘ │ │ │ │ │ 5 salted hashes CLAUDE.md grep for keys README.md Static HTML of today's date /commands/ .pem, .env, .key badges + regenerated → domain+method /workflows/ API tokens stats table from engine → crossover? /resources/ passwords git push + GitHub API ``` ``` ~9:00 AM Scheduled Claude agent wakes up ↓ Clones this repo ↓ Runs cognitropy.py → gets today's assignment ↓ Checks existing workspaces to avoid duplicates ↓ Builds the full workspace (CLAUDE.md, commands, workflows, resources...) ↓ Scans for secrets leakage ↓ Updates README index, badges, and stats table ↓ Commits and pushes ↓ Regenerates local dashboard HTML with fresh data ↓ Cleans up local files Done. One new workspace in the repo. Every day. ``` ## 什么是“工作区”？ 把它想象成一个针对特定任务开箱即用的 AI 助手工具包。每个工作区都是一个文件夹，你可以将 [Claude Code](https://claude.ai/claude-code)（或任何兼容的 AI CLI）指向它，它就会立刻成为该领域的专家。它知道该问什么问题、遵循什么工作流程以及可以使用什么命令。 每个工作区都包含 agent 指令、你可以运行的反斜杠命令（如 `/triage` 或 `/analyze`）、参考资料、提示词模板和结构化的工作流程。只需克隆一个，运行 `/onboard`，你就可以开始工作了。 它们全部遵循由 Daniel Rosehill 提出的 [Agent Workspace Model](https://github.com/danielrosehill/Claude-Agent-Workspace-Model)。 ``` workspace-name/ ├── CLAUDE.md # Agent brain — role, commands (lightweight) ├── README.md # Human docs — what, why, how ├── context/ │ ├── project.md # Your project (populated by /onboard) │ ├── role.md # Your role and expertise level │ ├── constraints.md # Boundaries and preferences │ └── for-agent/ │ ├── environment.md # Tools, OS, setup details │ └── workflows.md # Deep domain workflows (200+ lines) ├── .claude/commands/ │ ├── onboard.md # REQUIRED — workspace initialization │ └── [domain-specific].md # 4-8 slash commands per workspace ├── prompts/ # 3+ reusable prompt templates ├── resources/ # Reference materials, checklists ├── work-log/ # Session history and findings ├── outputs/ # Generated reports and exports └── planning/ # Active goals and investigation plans ``` ## 快速入门 ``` # Clone 实验环境 git clone https://github.com/DaxxSec/cognitropy-lab.git cd cognitropy-lab # 选择一个 workspace — 任意 workspace cd firmware-re-workspace # or phishing-kit-analyzer, ecu-tune-engine-build, etc. # Launch Claude Code 并 onboard claude /onboard # Start working — 使用 slash commands，提出问题，让 agent 指导你 /triage /analyze ``` 每个工作区都是独立的。Agent 使用仓库作为其记忆——无需云依赖，无需创建账户，无需 API 密钥。 ## 工作区索引 ### 网络安全与 DFIR | 工作区 | 描述 | |---|---| | [固件逆向工程工作区](./firmware-re-workspace) | 固件逆向工程助手——提取、反汇编、分析和记录嵌入式固件镜像，以揭示架构、攻击面、漏洞和硬编码的秘密。 | | [钓鱼套件分析器](./phishing-kit-analyzer) | 钓鱼套件分析专家——对部署在被入侵基础设施上的钓鱼套件进行剖析、逆向工程和情报提取。 | ### 汽车与发动机调优 | 工作区 | 描述 | |---|---| | [ECU 调校与发动机构建](./ecu-tune-engine-build-workspace) | 性能调校和发动机构建助手——ECU 校准、数据日志分析、发动机改装规划和构建文档记录。 | ### 开发与调试 | 工作区 | 描述 | |---|---| | [Expo 调试器](./expo-debugger-workspace) | 高级 React Native / Expo 调试专家——针对使用 Railway 后端的 Expo 托管应用进行系统的分诊、诊断和修复。 | ### 环境科学与野外安全 | 工作区 | 描述 | |---|---| | [湖沼学安全监视器](./limnology-safety-monitor) | 结合集成安全协议执行的淡水野外科学——现场风险评估、采样活动设计、水质分析、HAB（有害藻华）响应、冰面安全、事件报告，以及针对湖泊和河流野外作业的合规性审计。 | ### 荒野与生态 | 工作区 | 描述 | |---|---| | [野外入侵物种侦察](./wildland-invasive-scout) | 丛林生存智慧结合入侵物种管理——系统的野外调查、异常检测评分、基于 4 特征法则的物种识别、觅食安全交叉检查，以及公民科学报告。适用于向导、觅食者、土地管理者和任何想了解他们所穿行区域的人。 | ### 食品生产与水产养殖 | 工作区 | 描述 | |---|---| | [鱼菜共生异常监视器](./aquaponics-anomaly-monitor) | 具备自动化异常检测的闭环鱼菜共生系统监控——三级警报引擎（阈值、变化率、复合事件）、生物过滤器健康评估、水质化学分析，以及针对鱼/植物系统的根本原因诊断。在 pH 值崩溃演变成死鱼事件之前将其捕获。 | | [鱼菜共生 ICS/OT 安全](./aquaponics-ics-security) | 智能农业控制系统的网络安全——OT 资产清单（Purdue 模型）、针对 ICS 威胁建模的 STRIDE + ATT&CK、网络分段审计、固件 CVE 关联、带有生物安全检查点的 ICS 事件响应，以及针对 PLC、Raspberry Pi 控制器、MQTT 代理和 SCADA 的加固检查清单。鱼儿可能像死于 pH 值飙升一样轻易地死于一次 Modbus 写入操作。 | ### RF / SDR / 信号 | 工作区 | 描述 | |---|---| | [卫星通信协议模拟](./satellite-comms-protocol-sim) | 卫星通信协议仿真与场景测试——AX.25/CCSDS/DVB-S2 帧解码、端到端链路预算分析、多普勒过境模拟、协议测试向量生成、遥测解析，以及面向立方星、业余卫星和 SDR 爱好者的安全漏洞审计。适用范围从 RTL-SDR 捕获数据一直到完整的 CCSDS 航天器指令链。 | ## 引擎统计 | 指标 | 数值 | |---|---| | Cognitropy 领域池 | **363** | | 领域类别 | **22** | | 技术修饰符 | **30** | | 跨界火花 | **5** | | 跨界概率 | **~30%** | | **独特结果总数** | **18,863,790** | ## 运行你自己的实验室 Cognitropy 引擎是通用的。Fork 这个仓库，替换成你自己的领域池，然后将你自己设定好定时的 agent 指向它。 ``` # Fork 此 repo，然后编辑 domain pool vim cognitropy.py # Replace DOMAINS list with your own interests # Check 你的 custom pool 生成了什么 python3 cognitropy.py 2026-04-01 python3 cognitropy.py 2026-04-02 python3 cognitropy.py 2026-04-03 # Set up 一个计划的 Claude agent 以每日 build workspaces # （有关 structure conventions，请参见 Agent Workspace Model） ``` 工作区模型几乎适用于任何事物。领域只是其中的有趣部分。 ## 关于 Cognitropy 实验室由 [DaxxSec](https://github.com/DaxxSec) 和 Claude（Anthropic）构建。 灵感来源于 [Daniel Rosehill 的 Claude Code 项目索引](https://github.com/danielrosehill/Claude-Code-Projects-Index) 和 [Agent Workspace Model](https://github.com/danielrosehill/Claude-Agent-Workspace-Model)。 每日构建流水线：**Cognitropy 分配领域 → Claude agent 构建工作区 → 密钥扫描 → README 统计数据更新 → 推送至 GitHub → 仪表盘重新生成 → 本地清理。** 完全自主，每天早晨运行。 “Cognitropic” 这一术语及其底层基于哈希的选择模式均在此首创。如果你在其他地方使用了它，我们很乐意听到相关分享。

标签：AI代理, Anthropic, Apex, CIS基准, Claude, coopering, CVE检测, DLL 劫持, DNS解析, EVA procedure planning, freshwater lake science, LLM, MIT许可, Python, RF/SDR/信号, Unmanaged PE, 人工智能, 创意挑战, 创造力, 地球科学, 复杂问题解决, 大语言模型, 开源项目, 探索性研究, 无后门, 机器学习, 每日构建, 汽车与发动机, 火星地形分析, 熵引擎, 环境与地球, 用户模式Hook绕过, 硬件与嵌入式, 空间与航空, 网络与DFIR, 网络安全研究, 网络调试, 自主系统, 自动化, 自动化代码生成, 跨领域, 逆向工具, 食品与农业