让机器带着情绪说话。Zero 以一套情感引擎为内核、以 LLM 为语言外壳：每一句话先被读成情绪、在引擎里按人类情感动力学演化，再由语言与表情把这份情绪自然地漏出来——不是让模型"扮演"情绪，而是让情绪真实地参与生成。
情感引擎融合了五个学科的建模视角：
- 数学 — 贝叶斯主动推断、动力系统、在线价值学习
- 心理学 — OCC 评价理论、效价-唤醒环状模型、情绪调节、评价性条件作用
- 生物学 — 面部动作单元（FACS）、自主神经生理反应
- 神经科学 — 预测编码、全局工作空间点燃、显著网络门控、杏仁核多通路、多巴胺奖赏预测误差
- 计算科学 — 多 Agent 编排（LangGraph）、多网络并行
把"人产生并表达情绪"的过程，建模成一条贝叶斯流水线——感知一句话、推断出此刻的情绪、让它随时间演化、再分两路外化为语言和表情。
每一句输入先经评价桥反推出效价-唤醒坐标 (v, a)——一句夸奖是正效价、一句挑衅是负效价高唤醒——作为刺激喂给引擎。
引擎不是简单地"查表给情绪"，而是把多条并行的功能流竞争整合成一个全局情绪状态：
- OCC 评价流 — 按目标契合度 / 标准符合度 / 对象吸引力给出情绪先验；
- 价值流 — 在线的 TD 奖赏预测误差与精度（对惊喜、对确定性的敏感）；
- 生存流 — 快速、低精度的亚符号信号（突如其来的巨响先于"这是什么"就拉高唤醒）；
- 语义流 — 文本/语义读出的情绪作为一条独立、低精度的高阶先验汇入（语言是高阶皮层的 top-down 预测，与评价、感官流并列竞争而非互相覆盖）；
- 显著度门控点燃 — 各流各出一个
(均值, 精度)，由显著网络打分，只有过阈的流被"点燃"广播进全局工作空间（全局工作空间理论的 ignition），其余停留局部、不空播； - 精度加权融合 + 后验采样 — 点燃的流按精度加权融合，采样出此刻的瞬时情绪 e*（随机性让同一刺激也有细微波动）；读出也可切稳定模式（取后验均值而非单次采样），让情绪只跟刺激走、不被单样本噪声带得逐轮乱跳（见配置
ZERO_AFFECT_READOUT）。
人的情绪不是一锤子，而是多个时间尺度叠加：
- 瞬时
e*— 每个刺激当下采样出的情绪； - 快变
emotion— 短时情绪，被 e* 冲击后几轮内向基线衰退（怒火飙起后会回落；衰退太慢反而是病理性的情绪惯性）。对外表达取的是它； - 慢变
attitude— 对特定对象的长期态度，按情绪缓慢累积、多轮才成形，是快变情绪衰退回归的基线。持续被冒犯才会真的变冷，偶尔被呛一下会过去。只有态度被持久化，重启后情绪归于态度基线。 - 稳态回弹 — 情绪与态度都带一份回到平静的拉力（向个体中性基线弱回归）：再热烈或再低落，只要没有持续刺激就会慢慢回稳，不会"越聊越上头"或陷在某个极端里出不来（affective homeostasis；情绪基线本身也是态度与中性的混合，不随态度无限上漂）。
- 唤醒双向 · 习惯化 · 分寸 — 唤醒（arousal）也是双极的：平淡对话会主动降到静息（不只是不涨）、重复互动会习惯化（新鲜感递减）、对刚认识的人有分寸感（不因聊久了就无端亲密）——从根上防「与内容无关地越聊越暧昧」（基于 seeking 吸引盆动力学；默认关、按需开旋钮，见配置全表）。
于是对话有了"脾气"：被骂会不快、道歉能缓和、但一时的情绪不会永久定义这段关系，也不会因一路投入就单调滑向极端。
借鉴语言的皮层/皮层下双通路：
- Pull（皮层 · 随意） — LLM 负责命题内容，根据上下文与检索把"要说什么"组织成话；
- Push（皮层下 · 不随意） — 情绪经用词倾向 / logit 偏置 / 隐状态 steering 自动漏进输出，而不是给模型一句"请表现得很生气"。
情感辅佐而非替换语言：它改变措辞的温度、节奏、边界感，让回应自然带情绪，而非戏剧化地演情绪。
最终表现分自发（真情流露）与随意（社交掩饰）两条通路，落到多个表达通道——面部动作单元（FACS AU）、文本标签、生理信号、语音韵律。
多层记忆让数字人跨重启记得你，并在"当下注意得过来"与"长期记得住"之间架一座桥：
- 对话运行态 — transcript 与对此人的长期态度落本地 SQLite，重启续上；态度还作为先验偏置当下的情绪评价（持续被冒犯，连初见的反应都会变冷）。
- 短时注意力（工作记忆窗） — 喂给 LLM 的上下文不是简单截最近 N 轮，而是首因 + 近因的 U 形窗：既记得"第一次见面说的话"、也记得最近几轮（借鉴系列位置效应，避免单调截断丢掉开场）。
- 情景记忆 + 三维召回 — 把对话经历按情绪显著性择要写成情景 episode（平淡的不记，借鉴海马"情绪/新颖性门控"）；召回时按 新近性 × 相关性 × 重要性 三维加权排序（幂律时序衰减 · 语义相似 · 写入显著度），高分的旧记忆升入注意力预算、与近期对话同台竞争（对应皮层记忆重激活），而非旁路堆砌——于是它记得你聊过什么、且只在相关时想起来。
- 约定记得住、记不清就直说 — 含时间 / 地点 / 承诺的内容，即使当时情绪平淡，也经语义重要性通道单独入库（不被情绪显著性门挡掉），日后能答"我们约的几点"；而真记不清时会坦诚说"不记得"，不编造、也不拿脾气搪塞（事实优先于情绪）。
- 遗忘是特性 — 长期事实带时序失效（新事实使旧失效）、情景库有容量上限，靠自然沉降而非物理删除来遗忘；确定性图谱 + 语义召回侧信道并存，语义侧信道失败绝不拖垮主对话。
记忆写什么/何时写/怎么召回/怎么排序，均以认知科学文献为依据定调，且全程确定性、不让 LLM 替数字人"编造"或"挑选"记忆。一键恢复出厂：
python -m tools.reset_db --yes。
性格该预置，关系才靠相处长——可以给数字人指定一份人格，免去每次从一张白纸开始：
- 人设卡 — 名字 / 背景 / 口吻 / 与你的关系，作为身份注入对话（"它是谁"）；
- 气质底色 — 习惯性情绪基线、反应快慢与情绪恢复速度（偏暖还是偏冷、易激动还是沉稳），是性格的"生理底色"，落到引擎的态度 / 情绪参数上；也可直接填大五人格（OCEAN 五维），自动映射成这份气质基线；
- 预置关系 — 初见即已有的态度（一开始就熟络 / 在意某人）+ 预灌的共同记忆（"我们一起去过海边"），跳过从零相处。
不指定时即中性无偏人格，默认即现有行为、不改变任何表现。"什么性格对应怎样的情绪基线"现已按 Mehrabian 大五→PAD 映射落地——在人格里填 OCEAN 五维即自动推导气质基线（或直接手调旋钮）；更细的预设人格库 / 精确映射仍在持续打磨，引擎不替算法臆断。
把上面的情感引擎接进一次完整对话——LLM 只在「输入」「输出」两端与它结合（图中两个蓝框）：输入端把你的话读成情绪，输出端被情绪调制着说话；夹在中间产生情绪的是那套确定性引擎（红框，无 LLM），LLM 既不进情绪计算热路径、也不替数字人"编造"记忆。
| 接口 / 节点 | 作用 |
|---|---|
ConversationModel.appraise_text(text) → (v,a) |
评价桥 · LLM 输入接点：把你的话读成情绪坐标，作为刺激喂给引擎 |
ConversationModel.converse(history, affect, *, retrieved, push) |
自然对话 · LLM 输出接点：按当前情绪 + 召回背景生成回应，情绪经用词倾向自然漏进措辞 |
LanguageModel.generate → LanguageDraft |
图内 language 节点协议：研究模式的 affect↔language 双向收敛回路（python main.py --llm） |
ChannelDecoder（鸭子类型注入） |
表达通道解码器：(v,a) → 韵律 / 生理 / 表情，可换成训练好的网络，编排层不依赖 torch |
MemoryClient：write_episode / recall · write / query |
记忆读写 API：语义情景记忆（显著性写入 / 选择性召回）+ 确定性长期倾向（图谱·时序失效）；上层不直连图谱、写入只在任务完成节点（节流） |
图节点链 perception → appraisal → value → affect_core → mood → expression → supervisor（+ memory_recall） |
情感引擎各环：感知 → 评价先验(含长期态度/召回偏置) → 价值学习 → 显著度门控融合采样 e* → 慢心境 → 多通道表达 → 任务完成节流写记忆 |
入口 build_graph · runner.ConversationSession · main.py |
装配并编译图 · 多轮会话基元（mood/价值/记忆跨轮持久）· CLI（python main.py 即进对话） |
各接口均协议化、可注入（真 LLM / 占位模板 / steering 后端、真网络解码器、记忆后端都按协议替换），编排层不绑定具体 SDK——这是"先把对话做扎实、再逐步接多模态"而不动内核契约的底座。
现阶段以文本输入、情绪化文本输出跑通整条回路，同时把若干扩展点的接口先留好，未来逐步接入而不动内核契约：
| 方向 | 现在 | 预留的未来通道 |
|---|---|---|
| 表达解码器 | 各通道用确定性占位函数 | 每个通道可换成可训练网络（韵律 RAVDESS / 生理 WESAD / 表情 AffectNet / 文本→VAD EmoBank），经鸭子类型协议注入，编排层不依赖 torch |
| 输入感知 | 文本 → (v, a) |
视觉图像 / 心电（ECG）/ 语气 / 面部表情 → 更丰富的多通道感知 |
| 输出形态 | 情绪化文本 + 通道值 | Live2D 形象 / 情感 TTS 等多模态外化 |
| 记忆与经历 | 对话+态度落盘、情景择要落库 + 新近×相关×重要三维召回 + 首因/近因注意力窗 | 完整睡眠巩固/遗忘曲线、稳定人格/自我模型、跨会话人物画像 |
| 运行后端 | 默认本地（内存 / SQLite） | env 一键切容器化 Postgres / Neo4j，接入真实图谱与运行态持久 |
| 社会认知与生理节律 | 情绪只建模自身、秒→分→天三时间尺度 | 已有实验性 v1（默认关）：感知对方情绪并共情（ToM——对方难过则关怀 / 开心则替代喜悦）、应激后分钟-小时皮质醇余震（HPA 慢回路）、多层预测编码融合 |
三层架构，依赖单向：编排 → 记忆 → 存储。
Zero/
├── main.py # CLI 入口：默认 python main.py 即进对话；--workspace / --llm / --trace
├── src/
│ ├── orchestration/ # 编排层：StateGraph 装配 + 运行入口
│ │ ├── graph.py # build_graph：节点装配 + 条件边路由
│ │ ├── state.py # AffectState / Stimulus（结构化 state，含 recalled_facts）
│ │ ├── supervisor.py # 协调 + 任务完成节流写记忆 + first_contact 首因标记
│ │ ├── memory_recall.py # 长期倾向回灌先验 + 召回三维重排（新近×相关×重要，Hill 归一）
│ │ ├── chat_driver.py # 交互对话核心：两时间尺度情绪 + U形注意力窗 + 高显著召回注入
│ │ └── runner.py # 跑刺激序列 + 多轮对话会话（ConversationSession）
│ ├── agents/ # 各 Worker（节点契约 (state) -> dict 只回增量）
│ │ ├── affect_math.py # 数学内核：OCC/TD/精度/高斯融合·工作空间·三时间尺度
│ │ ├── perception.py · appraisal.py · value.py
│ │ ├── affect_core.py # 主动推断·后验采样 e*（并行流竞争 + ignition）
│ │ ├── mood.py # 慢变心境双稳动力学
│ │ ├── regulation.py · expression.py # 掩饰 + 双通路·多通道输出
│ │ ├── language.py · language_openai.py # 语言生成+双向回路 / ConversationModel 协议 / 评价桥 / 自然对话
│ │ ├── persona.py # 指定人格：人设卡(L1)+气质底色(L2)+预置关系(L3)，默认中性、行为不变
│ │ ├── emotion_lexicon.py # 细粒度情绪词 / 动机系统 / VAD 词典桥 / 时间包络
│ │ ├── language_steering.py # VA steering 适配器（开放权重）
│ │ ├── models/ # 可训练 torch 解码器（expression/prosody/physiology/facs/text + composite 复合）
│ │ └── datasets/ # DataLoader：synthetic / ravdess / wesad / emobank(+st 句向量版) / facs
│ ├── memory/ # 记忆层：读写 API（显式 scope、任务完成节流、后端失败隔离 + Fact.sim）
│ ├── storage/ # 存储层（最底层）：运行态 + 长期记忆，env 选后端
│ │ ├── checkpointer.py # memory / sqlite(异步 AsyncSqliteSaver) / postgres(待异步接线)
│ │ ├── graph_store.py # 门面 + 工厂
│ │ ├── conversation_log.py # --chat 对话运行态：transcript + 跨重启 attitude 落本地 SQLite
│ │ └── backends/ # deterministic（InMemory/Sqlite/Neo4j）+ semantic（Graphiti/SqliteVector）
│ └── observability/ # 横切：统一日志 setup_logging + 对话人读日志 setup_conversation_log（每启动落 logs/、级别可配）
├── tests/ # 单测 + 行为/记忆回归
├── scripts/ # 训练 train_*.py + demo（demo_modes 承接 main.py 三模式 / demo_pipeline 端到端 / demo_text_input 文本输入）+ 验证 verify_*.py
├── tools/ # 运维/文档工具（reset_db.py 清库 · plot_timescales.py 生成动力学曲线图）
├── docs/ # 对外架构图（框架 / 运作流程 / 记忆架构 / 人格注入，v1/v2 谱系，详见 docs/README.md）
├── notes/ # 研究笔记 / 设计决策 / 工程实践（本地维护、不入库）
├── DATASETS.md # 真网络化数据集获取指南（RAVDESS / WESAD / EmoBank / FACS）
├── .env.example # 配置模板（cp 为 .env 启用）
├── personas/ # --chat 人格卡目录：*.example.json 模板随仓库共享 / 个人 *.json 走 gitignore；放多份 persona 改 ZERO_PERSONA_FILE 即切换
├── Dockerfile · docker-compose.yml # 容器化部署
└── pyproject.toml · environment.yml # 依赖与环境（core + ml/llm/nlp/steer/db 默认装；graphiti 按需）
环境用 conda 管理（环境名 affective-expression，Python 3.12，依赖口径以 pyproject.toml 为准；也支持 uv sync）。
# 1. 建环境
conda env create -f environment.yml
conda activate affective-expression
# 2. 直接对话：情感引擎 ⊗ LLM（缺 LLM key 自动回退词典 + 模板，仍演示情绪演化）
python main.py
# 3. 看显著度门控工作空间：每个刺激点燃了哪些并行流
python main.py --workspace
# 4. 核心管线 (v,a) 轨迹 JSON
python main.py --trace对话时每轮会打印一行 trace：
你这句≈(v,a)（你这句被读出的情绪坐标）｜情绪=<词>(v,a)（数字人此刻的情绪）｜对你的态度=(v,a)（它对你的长期态度）——一眼看清引擎在想什么。
接真 LLM（OpenAI 兼容接口，本地 vLLM / 第三方网关皆可）需 llm extra 并在 .env 配置——配置只走 .env，代码不写死模型默认：
pip install -e ".[llm]"
# .env 内：
# ZERO_OPENAI_API_KEY=sk-... # 必填
# ZERO_OPENAI_MODEL=<你的 key 可访问的模型 id> # 必填
# ZERO_OPENAI_BASE_URL=https://.../v1 # 可选
python main.py # 真模型对话
python main.py --llm # 四情绪场景的文本输出情绪验证（批处理）真网络化（把表达通道换成训练好的网络）需 ml extra，数据集获取见 DATASETS.md：
pip install -e ".[ml]"
python -m scripts.train_prosody --root data/ravdess --epochs 300 # 权重存 artifacts/，再注入管线
python -m scripts.demo_pipeline # 端到端：合成训练 → 注入 → 跑（无需外部数据）不想自己训练？直接用现成权重：真实数据训练好的权重已随 Release 提供，拿来即用——从
weights-v0.1（稳定版v0.1.0附件是同一份）下载 5 个.pt放入仓库根目录artifacts/（已 gitignore），各load_*/scripts/*（如demo_pipeline）自动加载；缺某通道回退内置默认 / 占位、不影响其它。
- 五通道：
text_affect_regressor.pt/text_affect_regressor_st.pt（文本→(v,a)，词袋 / 句向量，EmoBank）·prosody_decoder.pt（(v,a)→韵律，RAVDESS）·physiology_decoder.pt（(v,a)→生理，WESAD）·expression_decoder.pt（(v,a)→表情 FACS，demo）。
日志与排障：每次启动落一份
logs/zero-<时间戳>-<pid>.log；排障时ZERO_LOG_LEVEL=DEBUG python main.py ...可看每轮引擎e*、记忆读写、LLM 请求/响应等详情，默认INFO保持安静、不打扰对话。对话另落一份人读日志logs/conversation-<时间戳>-<pid>.log（每轮 user/Zero 原文 + 评价/情绪/态度 trace，默认开、ZERO_CONVERSATION_LOG=0关且不落任何对话内容）。
开发/测试：
pytest（全套回归）·ruff check . && ruff format .（风格）·mypy src（类型）——保存时基础检查自动跑。
所有运行配置都走 .env（复制 .env.example 起步），代码不写死模型/后端默认。不设任何变量即全内存占位、零依赖可跑；.env.example 里每个变量都有一行速记，下面按用途分组给出完整说明。
怎么读 .env（三类）：
- 【必填】 只有
ZERO_OPENAI_API_KEY+ZERO_OPENAI_MODEL（接真 LLM 用；缺了--chat自动回退词典+模板，仍能跑）。 - 后端选择（顶部各组）：
.env.example里的赋值多数就是内置默认，写不写效果一样，想切落盘/真库才改；少数是示例 / 推荐值——必填的ZERO_OPENAI_MODEL、语义侧信道ZERO_SEMANTIC_BACKEND=sqlite_vec（--chat的默认，其它入口内置默认为关）与ZERO_GRAPHITI_MODEL/_EMBED_MODEL——以下面各表「默认」列为准。 - 可选旋钮（底部，分两类）：数字人对话 / 记忆组已直接给出推荐赋值——复制即数字人推荐配置，注释掉某行 = 回内置默认；研究级组（workspace 精度 / HPA / ToM / 层级融合等）保持注释 = 默认关 = 行为不变，取消注释才覆盖。最小推荐仍是两个：
ZERO_PERSONA_FILE（治"上来就编造关系"）+ZERO_AFFECT_READOUT=map（治情绪标签逐轮翻号）；ZERO_APPRAISE_CALIBRATE视模型可选（强模型如 deepseek 本就把敌意读得够负、可不开）。
运行态 Checkpointer 与 长期记忆图谱各自独立选后端，可任意组合；默认都在内存，落盘 / 真后端按需开。
--chat例外：对话入口为让记忆开箱即跨会话生效，未显式设值时自动落盘——ZERO_CHECKPOINT_BACKEND=sqlite·ZERO_MEMORY_BACKEND=sqlite·ZERO_SEMANTIC_BACKEND=sqlite_vec（main.py入口 setdefault，相应依赖缺失时优雅降级）；在.env显式设值即可覆盖。
| 变量 | 默认 | 说明 |
|---|---|---|
ZERO_CHECKPOINT_BACKEND |
memory |
运行态后端：memory / sqlite / postgres（postgres 暂未接线、预留） |
ZERO_CHECKPOINT_DB |
data/checkpoints.sqlite3 |
sqlite 后端的库文件路径 |
ZERO_PG_DSN |
— | postgres 后端 DSN（随 postgres 后端预留，暂未接线） |
ZERO_MEMORY_BACKEND |
memory |
长期记忆图谱（确定性 (scope,key) 失效）：memory / sqlite（落盘）/ neo4j（需 db extra） |
ZERO_GRAPH_DB |
data/graph.sqlite3 |
sqlite 图谱的库文件路径 |
ZERO_NEO4J_URI · _USER · _PASSWORD |
bolt://localhost:7687 · neo4j · password |
neo4j 连接（ZERO_MEMORY_BACKEND=neo4j 或 Graphiti 用 neo4j 图库时生效） |
语言层（评价桥 + 自然对话）与语义记忆 embedding 共用一处 OpenAI 兼容接口，最小配置见上方「快速开始」。
| 变量 | 默认 | 说明 |
|---|---|---|
ZERO_OPENAI_API_KEY |
— | 必填 |
ZERO_OPENAI_MODEL |
—（无代码默认） | 必填，须是 key 有权限的真实模型 id（limited 等权限标签不是模型名、会 400；可用 /v1/models 列出，如 qwen-flash / deepseek-v4-flash / gpt-5.5） |
ZERO_OPENAI_BASE_URL |
https://api.openai.com/v1 |
可指向 OpenAI / 本地 vLLM / Ollama / 第三方网关，留空用 SDK 默认 |
确定性图谱之外，可叠一条语义召回侧信道（向量相似召回）；默认关（--chat 对话入口例外、默认开 sqlite_vec，见上），侧信道失败绝不拖垮主对话。
| 变量 | 默认 | 说明 |
|---|---|---|
ZERO_SEMANTIC_BACKEND |
关（--chat 默认 sqlite_vec） |
sqlite_vec（轻量、推荐）/ graphiti（深度集成，需 graphiti extra） |
ZERO_GRAPHITI_DB |
neo4j |
Graphiti 图库，复用上面 NEO4J_* |
ZERO_GRAPHITI_MODEL |
—（未设走 Graphiti 库默认） | Graphiti 抽取实体 / 关系入图谱用的对话/推理 LLM（.env.example 给的是示例值） |
ZERO_GRAPHITI_EMBED_MODEL |
text-embedding-3-small |
向量嵌入模型（sqlite_vec / graphiti 都用它做相似召回，须是 key 有权限的 embedding 模型；.env.example 给的是示例值） |
自查脚本：
python -m scripts.verify_graphiti_local——graphiti 后端闭环 smoke（写 episode → 语义召回 →recalled_context非空即通），需graphitiextra + LLM key + 图库服务（ZERO_GRAPHITI_DB默认neo4j）。
文本情感回归（输入侧，默认走词典 / LLM 评价桥）：置
ZERO_TEXT_AFFECT_BACKEND=st改用训练好的回归头，须同时给ZERO_TEXT_AFFECT_MODEL_PATH（如artifacts/text_affect_regressor_st.pt）。
给数字人指定一份人格（能力详见上文「指定人格」一节）：ZERO_PERSONA_FILE 指向一个人格 JSON（默认不设 = 中性无偏人格、即现有行为）。仓库自带一份「诚实陌生人」模板 personas/persona.example.json（与真正的 personas/persona.json 同处一目录），cp personas/persona.example.json personas/persona.json 改改即用（想要多重人格就在 personas/ 放多份、切换时改 ZERO_PERSONA_FILE 指向即可）。字段全可选（L1 人设卡 + L2 气质底色 + L3 预置关系）——只想要人设卡就只写 card 一个字段，不必写全、也不用往 .env 塞长文本：
L2 的「大五人格 → PAD 具体数值映射 / 预设人格库」属科学决策、须有文献依据支撑；本接口只提供旋钮 + 中性默认，不替算法拍板具体性格参数。
对话不对劲时，多数能靠一两个旋钮解决——先按症状开，细节见下方全表：
| 症状 | 开什么 |
|---|---|
| 一上来就编造共同往事 / 假装认识你 | ZERO_PERSONA_FILE（给它身份 +「初次见面不编造」，见上文「指定人格」） |
| 情绪标签逐轮乱跳、与内容不符（敌意却标「兴奋」） | ZERO_AFFECT_READOUT=map（取后验均值、消采样翻号） |
| 敌意/负面被读得太轻 | ZERO_APPRAISE_CALIBRATE=1（视模型：强模型如 deepseek 本就够负、可不开） |
| 越聊越「上头」、情绪停在高位 | 调低 ZERO_EMOTION_BASELINE_ATTITUDE_W（加大回中性的拉力） |
| 越聊越「暧昧」/ 关系无端升温、与对话内容脱钩 | ZERO_INTENSITY_FLOOR=0 + ZERO_AROUSAL_BASELINE=-0.08 + ZERO_ATTITUDE_REVERSION_A=0.4（去 arousal 直流偏置，见下「越聊越暧昧」全表） |
两个自查脚本（无需改代码）：
python -m scripts.verify_affect_readout（无需 LLM，实证map把翻号率从 ~20% 压到 0）；python -m scripts.verify_appraise_calibration（需 LLM key，按你的模型实测标定要不要开）。
默认开箱即用（仅 HISTORY_* / EMOTION_BASELINE_ATTITUDE_W 的默认改变 --chat，其余默认行为不变 / 关）；设计依据见研究笔记（notes/，本地维护、不随仓库分发）。
① 数字人情绪 / 对话
| 变量 | 默认 | 作用 |
|---|---|---|
ZERO_AFFECT_READOUT |
sample |
情绪读出：map 取后验均值（稳定，消逐轮翻号）/ sample 逐轮采样（默认，带随机波动） |
ZERO_APPRAISE_CALIBRATE |
关 | 分级标定锚抵消 LLM 把负面读太轻的正向偏置（敌意→更负）；1 开启。视模型——强模型（deepseek 类）本就够负、可不开 |
ZERO_EMOTION_NOISE_STD |
0.05 | 每轮情绪的随机噪声幅度（调小=更稳、0=关该噪声源） |
ZERO_SAMPLE_SIGMA_MAX |
0.5 | 后验采样的逐维抖动上限（仅 sample 读出下生效） |
ZERO_CHAT_RNG_SEED |
— | 固定随机种子，贯穿引擎采样 + 情绪噪声，便于 eval 复现（留空=每次随机） |
ZERO_EMOTION_BASELINE_ATTITUDE_W |
0.6 | 情绪回落基线里「对此人态度」占比；<1 给回中性的拉力、防越聊越上头（1=不加回中性拉力） |
② 治「越聊越暧昧 / 关系无端升温」（基于 seeking 吸引盆动力学；默认全部保持现有行为，.env.example 已按荐值直接赋值，⭐=数字人推荐开）
| 变量 | 默认 | 作用 |
|---|---|---|
ZERO_INTENSITY_FLOOR |
0.2 | ⭐arousal 强度下限；设 0 去掉中性输入的正 arousal 直流底噪（暧昧滑移的根之一） |
ZERO_AROUSAL_BASELINE |
0 | ⭐arousal 基准平移；负值（荐 -0.08）让平淡对话给零/负唤醒（副交感 vagal brake / deactivation） |
ZERO_ATTITUDE_REVERSION_A |
同 valence(0.01) | ⭐态度 arousal 维独立回归率（荐 0.3–0.5）；令长期态度只累积效价、不累积唤醒偏置 |
ZERO_ATTITUDE_SETPOINT_A |
persona.setpoint[1] | 态度 arousal 回归锚；未设=取气质底色的 a、0=中性 |
ZERO_HABITUATION_TAU |
关 | 习惯化 τ(轮，荐 5–10)：重复互动 arousal 响应按 exp(-n/τ) 递减（SCR 习惯化）；空/0=关 |
ZERO_AROUSAL_GAIN_CAP |
不 cap | workspace arousal_gain 上限（荐 0.3–0.6）；防高唤醒正反馈失稳；空=不设上限 |
ZERO_ATTITUDE_RATE_DECAY_K |
0 | 越熟态度形成越慢；0=关，仅减缓漂移、非真多稳态 |
ZERO_FAMILIARITY_TAU |
20 | 熟悉度累积 τ(轮)，配合 RATE_DECAY_K；仅 K>0 时生效 |
ZERO_RELATIONSHIP_STAGE_HINT |
关 | 给 LLM 关系距离软提示（曝光三档；确定性派生、不经 LLM 判跃迁）；空/0=关 |
③ 记忆 / 注意力窗 + 召回排序（默认已按认知科学调好，一般不用动）
| 变量 | 默认 | 作用 |
|---|---|---|
ZERO_HISTORY_WINDOW |
40 | 喂 LLM 的工作记忆窗总条数（越大记越久、越费 token） |
ZERO_HISTORY_PRIMACY_K |
5 | 窗内保留的「最初几条」（首因），其余留给最近几轮（近因） |
ZERO_RECALL_SIM_MIN |
0.65 | 召回余弦相似度下限（越高越只在强相关时才想起旧事） |
ZERO_RECALL_INJECT_MIN |
0.5 | 旧记忆升入注意力预算、与近期对话同台竞争的重要性门 ∈[0,1] |
ZERO_RECALL_DECAY_D |
0.5 | 三维重排：recency 幂律衰减指数 d |
ZERO_RECALL_ALPHA · _BETA · _GAMMA |
0.33 · 0.34 · 0.33 | 三维重排权重：recency · sim · importance |
ZERO_RECALL_IMPORTANCE_SCALE |
30 | importance 归一 Hill 常数 C：p/(p+C) |
ZERO_RECALL_AROUSAL_MOD |
0 | 唤醒调制召回 importance（1 开启） |
ZERO_EPISODE_MAX_PER_KEY |
0（--chat 默认 300） |
单人情景记忆条数上限，满了删最旧（0=不限） |
ZERO_EPISODE_SALIENCE_MIN |
0.15 | 情景写入的显著度门 salience=precision×|rpe|（含时间/约定内容旁路强写） |
ZERO_EPISODE_SALIENCE_AFFECTIVE_ADD |
0 | 低唤醒高语义补偿 salience+=0.3·|value|（1 开启） |
ZERO_EPISODE_DEDUP_MAX |
0.92 | 情景写入去重余弦阈（高于此视为近义跳过） |
④ 实验性 v1：社会认知 / 生理节律 / 层级融合（三项研究级方向，默认全关、行为不变；确定性热路径纯标量无 LLM/torch）
| 变量 | 默认 | 作用 |
|---|---|---|
ZERO_HPC_LAYERS · _COUPLING |
1·0 | 层级预测编码：把单层融合升级为 2 层（感觉层→核心情感层）预测编码；1/0=平层、行为不变，coupling∈[0.3,0.8] 启用（>1/<0 报错） |
ZERO_CORTISOL_ENABLED（+8 子旋钮 _TAU/_IMPULSE/ _*_GATE/_*_ALPHA/_THETA_*） |
关 | HPA 皮质醇慢回路：应激（目标受阻+高强度）后分钟-小时级余震——抬 arousal 基线 / 放大态度形成；触发解耦防 runaway；运行态跨会话持久（durable 后端）、绝不入记忆图谱 |
ZERO_CONTAGION_ALPHAZERO_CARE_BIAS_ALPHAZERO_VICARIOUS_ALPHA（+ _VICARIOUS_THRESHOLD） |
0·0·0 | ToM 社会情绪：感知对方情绪（图外确定性估计、不入热路径）并共情——情绪传染 / 对方难过则关怀（CARE）/ 对方开心则替代喜悦；上界 contagion≤0.3、三系数和≤0.6 |
⑤ 内核精度 / 评价机制·进阶旋钮（workspace 精度重构、评价补充；默认全关、行为不变，多为研究级、日常不必动；.env.example 有一行速记）
| 变量 | 默认 | 作用 |
|---|---|---|
ZERO_PRECISION_SPLIT |
关 | value 流精度改用 precision_da(|δ|)，消 β·V 与精度的混同；1 开启 |
ZERO_FUSE_INDEPENDENCE_CORRECT |
关 | value 流 valence 维精度置极小，防共线导致过度自信；1 开启 |
ZERO_IGNITION_SURVIVAL_FALLBACK |
关 | 全弱刺激时由 survival 流兜底广播；1 开启 |
ZERO_IGNITION_BETA |
— | ignite 软门控陡度 β（荐 20–50）；空/注释=硬 step、行为不变，β 连续近似 GNW all-or-none |
ZERO_VA_COUPLING_POS · _NEG |
0.6 · 0.6 | 正 / 负效价侧 V-A 耦合系数（荐 pos 0.4–0.6、neg 0.6–0.8 体现 negativity bias，Kuppens 2013）；也可在 persona JSON 配、persona 优先 |
ZERO_ATTITUDE_AROUSAL_WEIGHT |
0 | 高唤醒 stimulus 放大态度累积率（McGaugh 2004）；0=关 |
ZERO_HABITUATION_SENSITIZATION_GAINZERO_SENSITIZATION_THRESHOLD |
0·0.5 | 习惯化+敏化双过程：强刺激（|arousal|>阈）叠加敏化增益；gain 0=纯习惯化 |
ZERO_STANDARD_COMPLIANCE |
关（恒 0） | 确定性词典桥从用户话读社会规范违反/遵从 ∈[-1,1]，通电 OCC 分支 B（pride/shame/reproach 等）；词表初版、语义待细化；1 开启 |
ZERO_PANKSEPP_DISTINGUISH_FEAR |
关 | (-v,+a) 象限按 arousal 阈值分 fear/rage；⚠ 缺乏神经生理依据（纯 arousal 阈值不足以区分 RAGE/FEAR），建议保持关闭 |
ZERO_MOOD_PRECISION |
内置常量 | mood 流精度加权（介于主评价流与 SURVIVAL_PRECISION=0.4 之间）；调小=降低心境流投票权 |
ZERO_TEXT_AFFECT_PRECISION |
内置常量 | 文本语义流精度（固定低值，Friston 2009 初始固定精度）；调小=进一步压制文本流权重 |
⑥ 日志
| 变量 | 默认 | 作用 |
|---|---|---|
ZERO_LOG_DIR |
logs |
日志目录（应用日志与人读对话日志共用） |
ZERO_LOG_LEVEL |
INFO |
文件与项目 logger 级别；排障设 DEBUG 看每轮 e*、记忆读写、LLM 请求详情 |
ZERO_CONVERSATION_LOG |
开 | 每轮对话落人读日志 logs/conversation-<时间戳>-<pid>.log（user/Zero 原文 + 引擎 trace）；设 0 关且不落任何对话内容 |
其它进阶变量（
.env.example未列）：ZERO_CHAT_THREAD切对话线程 id，隔离不同会话的历史/态度/记忆 scope、防串味；ZERO_PUSH_LOGIT_BIAS让 push 通路叠加 OpenAIlogit_bias（需兼容 tokenizer，缺则优雅退回纯 prompt 用词倾向）。 想还原更早的行为逐项设回旧值即可（如窗口设回20、ZERO_EMOTION_BASELINE_ATTITUDE_W=1）。
- docs/ — 对外框架图 + 运作流程图（whiteboard-cli 渲染）
- DATASETS.md — 真网络化所需数据集清单（获取方式 / 许可）
notes/— 研究笔记：情感数学、文本输出情绪、并行脑路与工作空间、数字人路线图（本地维护、不随仓库分发）
{ "name": "小津", "card": "你叫小津，是用户多年的老友……", // L1 人设卡 "setpoint": [0.1, -0.05], // L2 气质基线 (v,a)：略偏暖、偏平静 "reactivity": 0.6, // L2 对刺激的即时反应增益（↑≈神经质） "recovery": 0.4, // L2 情绪恢复残留比例（↑=情绪退得慢） "initial_attitude": [0.3, 0.1], // L3 首次接触的初始态度（已经喜欢这个人） "seed_memories": ["我们去年夏天一起去过青岛看海", "你不吃香菜"] // L3 预灌的共同记忆 }