第128章　经验理论

128.1 提出背景

记忆解决的是“过去发生了什么”的保存问题，而经验解决的是“过去发生的事情说明了什么，以及以后遇到类似条件时可以怎样处理”的问题。

在认知系统运行过程中，同一个对象可能经历多次事件：

事件 → 行为 → 结果 → 反馈 → 记忆 → 经验

例如，一个系统第一次处理某个对象时采取行为 $B1B_1$ ，得到结果 $R1R_1$ ，随后获得反馈 $F1F_1$ 。这些信息首先形成记忆。当类似对象、类似状态或类似环境再次出现时，系统读取过去的相关记忆，并比较过去的条件、行为和结果，从中形成可以用于当前判断的经验。

因此，经验不是记忆的简单复制，而是对记忆中重复出现的关系、条件、结果和反馈进行结构化归纳。

经验理论的基本目标是建立：

历史事件 → 记忆 → 经验提取 → 经验验证 → 当前认知 → 行为选择

由此，经验成为连接过去与当前认知的重要机制。

128.2 经验定义

**经验（Experience）**是系统根据过去发生的事件、对象状态、行为、结果和反馈，在一定条件下形成的、能够对未来认知、判断和行为产生指导作用的结构化认知信息。

经验可以表示为：

$E=Experience(M,C,R,F)E = Experience(M,C,R,F)$

其中：

$EE$ ：经验；
$MM$ ：相关记忆；
$CC$ ：经验形成条件；
$RR$ ：历史结果；
$FF$ ：历史反馈。

经验的核心不是“过去发生过一次”，而是：

过去事件在特定条件下产生了特定结果，因此未来遇到相似条件时，可以参考这种关系。

因此：

$Memory≠ExperienceMemory \neq Experience$

记忆主要保存历史事实，经验主要保存历史事实中具有指导意义的关系。

例如：

“对象A在10点处于状态S”属于记忆。

“对象A在状态S并满足条件C时，行为B通常产生结果R”则属于经验。

经验因此具有一定的条件性、关系性和指导性。

128.3 经验来源

经验不是凭空产生的，而是来源于已经发生并被系统记录的认知事件。

经验的主要来源包括：

128.3.1 感知记忆

系统从过去的感知结果中获得对象、属性、环境和状态信息。

例如：

感知 → 对象识别 → 状态记录 → 形成感知记忆

感知记忆本身不是经验，但它可以成为经验形成的基础。

128.3.2 状态记忆

状态记忆记录对象或系统在某一时间点的状态。

例如：

$Object=A, State=S1, Time=T1Object=A,\ State=S_1,\ Time=T_1$

经过多次状态记录后，系统可以发现：

$S1→S2→S3S_1 \rightarrow S_2 \rightarrow S_3$

这种状态变化关系可以成为经验来源。

128.3.3 行为记忆

行为记忆保存系统过去执行过的行为。

例如：

$B1=(Object=A,Action=X,Condition=C)B_1=(Object=A,Action=X,Condition=C)$

当同类条件下的行为重复出现时，系统可以比较不同历史行为及其结果。

128.3.4 结果记忆

结果记忆是经验形成的重要来源。

系统不仅需要知道执行了什么行为，还需要知道行为产生了什么结果：

$Behavior→ResultBehavior \rightarrow Result$

例如：

$B1→R1B_1 \rightarrow R_1$ $B2→R2B_2 \rightarrow R_2$

通过历史结果比较，可以判断不同方法在不同条件下的效果。

128.3.5 反馈记忆

反馈提供了对行为结果的进一步评价。

反馈可以来自：

对象状态变化；
环境变化；
行为结果；
后续事件；
系统内部检测；
用户或外部系统反馈。

因此：

$Behavior→Result→FeedbackBehavior \rightarrow Result \rightarrow Feedback$

反馈能够帮助系统判断过去行为是否有效。

128.3.6 历史记忆

单个记忆只能描述一个事件，而多个相关记忆可以形成历史序列：

$M1→M2→M3→⋯→MnM_1 \rightarrow M_2 \rightarrow M_3 \rightarrow \cdots \rightarrow M_n$

当系统能够识别这些记忆之间的时间关系、对象关系、状态关系、行为关系和结果关系时，就可以从历史序列中提取经验。

因此：

单一事件 → 记忆

多个相关事件 → 历史

历史关系 → 经验

128.4 经验结构

经验必须具有明确的结构，否则只能成为无法计算的历史描述。

经验可以定义为：

$E={O,C,S,B,R,F,T,V,W}E=\{O,C,S,B,R,F,T,V,W\}$

其中：

$OO$ ：对象（Object）；
$CC$ ：条件（Condition）；
$SS$ ：状态（State）；
$BB$ ：行为（Behavior）；
$RR$ ：结果（Result）；
$FF$ ：反馈（Feedback）；
$TT$ ：时间（Time）；
$VV$ ：经验价值（Value）；
$WW$ ：经验权重（Weight）。

经验的基本关系为：

$Condition+State→Behavior→Result→FeedbackCondition + State \rightarrow Behavior \rightarrow Result \rightarrow Feedback$

经验就是对这一关系进行保存和提取。

128.4.1 经验对象

经验首先必须明确针对什么对象。

例如：

$O=ObjectAO=ObjectA$

或者：

$O=ObjectTypeXO=ObjectTypeX$

经验对象可以是：

单个对象；
对象类型；
对象类别；
系统自身；
环境；
行为方法；
状态组合；
场景。

因此经验可以具有不同的适用范围。

128.4.2 经验条件

经验必须说明“在什么情况下成立”。

例如：

$C=(State=S1,Environment=E1)C=(State=S_1,Environment=E_1)$

条件不同，同一个行为可能产生完全不同的结果。

因此：

$Experience(B,R)Experience(B,R)$

是不完整的。

更完整的形式应该是：

$Experience(C,B,R)Experience(C,B,R)$

即：

在条件C下执行行为B，产生结果R。

128.4.3 经验行为

经验需要记录过去采取的行为：

$B=Behavior(Object,Action,Method)B=Behavior(Object,Action,Method)$

例如：

$C→B1C \rightarrow B_1$

表示在条件C下采取行为 $B1B_1$ 。

多个历史行为可以形成比较：

$B1→R1B_1 \rightarrow R_1$ $B2→R2B_2 \rightarrow R_2$

从而为未来行为选择提供依据。

128.4.4 经验结果

结果是判断经验价值的核心依据。

如果：

$B→RgoodB \rightarrow R_{good}$

则该行为可能形成正向经验。

如果：

$B→RbadB \rightarrow R_{bad}$

则该行为可能形成负向经验。

因此经验不是简单保存行为，而是保存：

$Condition→Behavior→ResultCondition \rightarrow Behavior \rightarrow Result$

之间的关系。

128.4.5 经验反馈

反馈进一步说明结果的质量。

例如：

$Result→FeedbackResult \rightarrow Feedback$

反馈可以表示：

成功；
失败；
改善；
恶化；
稳定；
风险增加；
风险降低；
需要重新处理。

因此经验结构可以进一步表示：

$E=(C,B,R,F)E=(C,B,R,F)$

其中反馈 $FF$ 对经验价值计算具有重要作用。

128.5 经验条件

经验不是任何情况下都可以直接使用。

**经验条件（Experience Condition）**是规定某条经验何时成立、何时适用、何时可以被调用的条件集合。

可以表示为：

$EC={O,S,C,T,R}EC=\{O,S,C,T,R\}$

其中：

$OO$ ：对象条件；
$SS$ ：状态条件；
$CC$ ：环境或上下文条件；
$TT$ ：时间条件；
$RR$ ：关系条件。

经验适用函数可以表示为：

$Applicable(E,Q)=Match(E.Condition,Q)Applicable(E,Q)=Match(E.Condition,Q)$

其中：

$EE$ ：经验；
$QQ$ ：当前情况；
$MatchMatch$ ：经验条件匹配函数。

只有当：

$Match(E,Q)≥TEMatch(E,Q)\geq T_E$

达到设定阈值 $TET_E$ 时，该经验才可以进入当前认知过程。

128.5.1 对象条件

当前对象必须与经验对象具有足够的匹配关系。

例如：

$ObjectA≈ExperienceObjectAObject_A \approx ExperienceObject_A$

或者：

$ObjectTypeX=ExperienceObjectTypeXObjectType_X = ExperienceObjectType_X$

经验可以支持：

对象精确匹配 → 对象类型匹配 → 属性匹配 → 关系匹配

128.5.2 状态条件

经验通常与状态有关。

例如：

$State=S1State=S_1$

只有当前对象处于 $S1S_1$ 时，过去关于 $S1S_1$ 的经验才具有较高参考价值。

因此：

$CurrentState→StateMatch→ExperienceCandidateCurrentState \rightarrow StateMatch \rightarrow ExperienceCandidate$

128.5.3 环境条件

同一个对象在不同环境中可能具有不同经验。

例如：

$Object=A, Environment=E1Object=A,\ Environment=E_1$

与：

$Object=A, Environment=E2Object=A,\ Environment=E_2$

可能产生不同的行为结果。

因此经验不能脱离环境条件无限泛化。

128.5.4 时间条件

某些经验具有时间范围。

例如：

$Tstart≤T≤TendT_{start}\leq T\leq T_{end}$

如果经验已经明显过期，则其参考价值应当降低。

因此：

$ExperienceValue↓whenAge(E)↑ExperienceValue \downarrow \quad \text{when}\quad Age(E)\uparrow$

128.5.5 条件匹配

综合而言：

$ECM=woO+wsS+wcC+wtT+wrRECM=w_oO+w_sS+w_cC+w_tT+w_rR$

其中：

$OO$ ：对象匹配度；
$SS$ ：状态匹配度；
$CC$ ：环境条件匹配度；
$TT$ ：时间匹配度；
$RR$ ：关系匹配度；
$wo,ws,wc,wt,wrw_o,w_s,w_c,w_t,w_r$ ：各条件权重。

满足：

$wo+ws+wc+wt+wr=1w_o+w_s+w_c+w_t+w_r=1$

经验条件匹配度越高，该经验越适合进入当前认知。

128.6 经验结果

经验结果是经验形成后对未来认知能够产生的实际作用。

经验并不是只保存过去结果，而是将过去结果转换成可用于未来判断的结构。

基本过程为：

历史事件 → 结果 → 反馈 → 经验形成 → 当前条件匹配 → 经验读取 → 当前判断

经验结果可以包括：

成功经验；
失败经验；
改进经验；
风险经验；
方法经验；
状态转换经验；
行为选择经验。

128.6.1 成功经验

当某一行为在特定条件下持续获得良好结果时，可以形成成功经验：

$C+B→RgoodC+B\rightarrow R_{good}$

例如：

$C1+B1→R1C_1+B_1\rightarrow R_1$

经过多次重复验证：

$(C1,B1,R1)n(C_1,B_1,R_1)^n$

则系统可以提高该经验的可信程度。

128.6.2 失败经验

失败同样可以形成经验：

$C+B→RbadC+B\rightarrow R_{bad}$

失败经验的作用不是简单记录“不能做”，而是形成：

$Condition→AvoidBehaviorCondition \rightarrow AvoidBehavior$

即：

在特定条件下，应避免某种行为。

128.6.3 改进经验

如果系统发现：

$B1→R1B_1\rightarrow R_1$

效果一般，而：

$B2→R2B_2\rightarrow R_2$

效果更好，则可以形成方法比较经验：

$B2>B1B_2 > B_1$

这种经验可以支持未来的方法选择。

128.6.4 风险经验

如果某行为虽然能够产生结果，但同时导致较高风险，则经验不能只记录结果，还必须记录风险：

$B→R+RiskB\rightarrow R+Risk$

因此：

$Experience={Condition,Behavior,Result,Risk}Experience=\{Condition,Behavior,Result,Risk\}$

未来进行行为选择时，可以同时考虑结果和风险。

128.6.5 状态转换经验

经验还可以描述状态变化：

$S1→BS2S_1 \xrightarrow{B} S_2$

如果这种转换经过多次验证，则系统可以形成状态转换经验。

这种经验可以用于：

当前状态 → 可用行为 → 预期状态

从而支持状态预测和行为选择。

128.7 经验价值

**经验价值（Experience Value）**是衡量一条经验对当前或未来认知具有多大参考意义的指标。

经验价值不是经验本身，而是经验的可使用程度。

可以定义：

$VE=f(F,R,T,S,C)V_E=f(F,R,T,S,C)$

其中：

$FF$ ：历史使用频率；
$RR$ ：历史结果质量；
$TT$ ：时间新鲜度；
$SS$ ：经验稳定性；
$CC$ ：当前条件匹配度。

一个简单的加权模型为：

$VE=wfF+wrR+wtT+wsS+wcCV_E=w_fF+w_rR+w_tT+w_sS+w_cC$

其中：

$wf+wr+wt+ws+wc=1w_f+w_r+w_t+w_s+w_c=1$

经验价值越高，该经验越适合作为当前认知的参考依据。

128.7.1 结果价值

如果历史行为持续产生良好结果，则经验价值增加：

$Rgood→VE↑R_{good}\rightarrow V_E\uparrow$

如果持续产生失败结果：

$Rbad→VE↓R_{bad}\rightarrow V_E\downarrow$

128.7.2 重复验证价值

一条经验只出现一次时，其稳定性通常较低。

如果同一条件下多次出现：

$C→B→RC\rightarrow B\rightarrow R$

并且结果具有一致性，则经验稳定性提高：

$Stability(E)↑Stability(E)\uparrow$

因此：

一次事件 → 记忆

多次一致事件 → 稳定经验

128.7.3 时间价值

经验具有时间属性。

较新的经验通常更接近当前状态：

$Age(E)↓⇒Freshness(E)↑Age(E)\downarrow \Rightarrow Freshness(E)\uparrow$

可以使用简单衰减模型：

$TV=e−λΔtT_V=e^{-\lambda \Delta t}$

其中：

$Δt\Delta t$ ：当前时间与经验形成时间之间的间隔；
$λ\lambda$ ：时间衰减系数；
$TVT_V$ ：时间价值。

这并不意味着旧经验一定无效，而是旧经验需要结合当前条件重新验证。

128.7.4 当前条件匹配价值

经验最重要的价值之一来自当前条件匹配。

例如：

过去经验：

$C1→B1→R1C_1\rightarrow B_1\rightarrow R_1$

当前条件：

$C1'C_1'$

如果：

$Match(C1,C1′)≈1Match(C_1,C_1′)\approx1$

则该经验具有较高参考价值。

如果：

$Match(C1,C1′)≈0Match(C_1,C_1′)\approx0$

则即使该经验历史上非常成功，也不应该直接应用。

因此：

$HistoricalValue≠CurrentApplicabilityHistoricalValue \neq CurrentApplicability$

历史价值高，不代表当前一定适用。

128.8 经验与记忆的关系

记忆和经验属于不同层级。

记忆主要回答：

发生了什么？

经验主要回答：

过去的事件说明什么？

可以表示为：

$Event→MemoryEvent\rightarrow Memory$

然后：

$Memory1+Memory2+⋯+Memoryn→ExperienceMemory_1+Memory_2+\cdots+Memory_n \rightarrow Experience$

因此：

$Memory→ExperienceMemory \rightarrow Experience$

但：

$Memory≠ExperienceMemory \neq Experience$

经验必须建立在记忆基础上，同时经验又不能改变历史事实。

例如：

历史记忆：

$B1→R1B_1\rightarrow R_1$

经验：

$C1+B1→R1C_1+B_1\rightarrow R_1$

经验增加了条件关系和指导意义。

128.9 经验与学习的关系

经验也不能等同于学习。

可以建立：

$Event→Memory→Experience→LearningEvent\rightarrow Memory\rightarrow Experience\rightarrow Learning$

其中：

事件产生记忆；
多个相关记忆形成经验；
经验经过验证、比较和更新后形成学习结果；
学习结果可以进一步改变规则、参数、方法或知识结构。

因此：

$Memory≠Experience≠LearningMemory \neq Experience \neq Learning$

三者分别承担：

Memory：保存过去。

Experience：提取过去的有效关系。

Learning：根据经验改变未来能力。

这使经验成为记忆与学习之间的重要中间层。

128.10 经验形成模型

经验形成可以定义为：

$E=Form(M1,M2,…,Mn)E=Form(M_1,M_2,\ldots,M_n)$

基本过程为：

历史事件 → 记忆形成 → 相关记忆匹配 → 条件提取 → 行为提取 → 结果比较 → 反馈分析 → 经验形成 → 经验验证 → 经验存储

如果只有一个事件，则形成的经验可信程度可能较低。

如果多个相似事件具有稳定关系：

$(C,B,R)1(C,B,R)_1$ $(C,B,R)2(C,B,R)_2$ $⋯\cdots$ $(C,B,R)n(C,B,R)_n$

并且：

$R1≈R2≈⋯≈RnR_1\approx R_2\approx\cdots\approx R_n$

则经验稳定性提高。

128.11 经验匹配模型

当前系统遇到新事件时，可以从经验库中搜索相关经验。

基本过程：

当前对象 → 当前状态 → 当前条件 → 经验查询 → 经验匹配 → 经验排序 → 相关经验

可以定义：

$EM=Match(Q,E)EM=Match(Q,E)$

其中：

$QQ$ ：当前认知条件；
$EE$ ：经验集合；
$EMEM$ ：经验匹配结果。

多个经验可以形成：

$E1,E2,…,EnE_1,E_2,\ldots,E_n$

然后计算：

$Score(Ei,Q)Score(E_i,Q)$

最终：

$E∗=arg⁡max⁡Score(Ei,Q)E^*=\arg\max Score(E_i,Q)$

得到当前最相关的经验。

128.12 经验工程模型

在WSaiOS中，经验必须最终转换为可以由程序处理的数据对象。

可以定义PHP OOP中的 Experience 对象：

class Experience
{
    protected $experienceId;
    protected $objectType;
    protected $objectValue;
    protected $condition;
    protected $state;
    protected $behavior;
    protected $result;
    protected $feedback;
    protected $eventTime;
    protected $value;
    protected $weight;
    protected $status;

    public function match($condition)
    {
        // 经验条件匹配
    }

    public function calculateValue()
    {
        // 经验价值计算
    }

    public function isApplicable($condition)
    {
        // 判断当前条件是否适用
    }
}

经验对象至少需要保存：

经验ID；
对象；
条件；
状态；
行为；
结果；
反馈；
时间；
经验价值；
经验权重；
当前状态。

128.13 经验管理模块

经验工程可以进一步划分为以下模块：

ExperienceBuilder

负责从历史记忆形成经验。

ExperienceMatcher

负责当前条件与经验条件的匹配。

ExperienceEvaluator

负责计算经验价值。

ExperienceRanker

负责对多个经验进行排序。

ExperienceValidator

负责验证经验是否具有稳定性和可靠性。

ExperienceUpdater

负责根据新的历史结果更新经验。

ExperienceStore

负责经验持久化。

ExperienceRecall

负责读取当前相关经验。

ExperienceRelationManager

负责建立经验之间的关系。

因此：

Memory → ExperienceBuilder → Experience → ExperienceStore → ExperienceRecall → ExperienceMatcher → ExperienceEvaluator

形成完整经验处理链。

128.14 经验状态

经验也应该具有生命周期。

可以定义：

$Created→Stored→Validating→ActiveCreated\rightarrow Stored\rightarrow Validating\rightarrow Active$

当经验长期没有得到验证或者条件发生变化时：

$Active→InactiveActive\rightarrow Inactive$

当经验被新的经验取代时：

$Inactive→ReplacedInactive\rightarrow Replaced$

如果经验被证明错误：

$Active→InvalidActive\rightarrow Invalid$

因此经验状态可以包括：

CREATED；
STORED；
VALIDATING；
ACTIVE；
INACTIVE；
INVALID；
REPLACED。

经验状态使系统能够避免无限使用已经失效的历史经验。

128.15 经验更新

经验不是静态数据。

当新的事件发生时：

新事件 → 新记忆 → 与旧经验匹配 → 比较结果 → 更新经验

例如原经验为：

$C+B→RgoodC+B\rightarrow R_{good}$

后来出现：

$C+B→RbadC+B\rightarrow R_{bad}$

系统不能直接删除旧经验，而应该重新计算经验稳定性：

$ExperienceValue=f(HistoricalResults)ExperienceValue=f(HistoricalResults)$

从而形成新的经验状态。

因此经验具有：

形成 → 验证 → 使用 → 更新 → 再验证

的生命周期。

128.16 经验的核心计算模型

经验的完整结构可以统一表示为：

$E={O,C,S,B,R,F,T,V,W}E=\{O,C,S,B,R,F,T,V,W\}$

经验适用性：

$A(E,Q)=Match(E.Condition,Q)A(E,Q)=Match(E.Condition,Q)$

经验价值：

$V(E)=f(Result,Feedback,Frequency,Freshness,Stability,Match)V(E)=f(Result,Feedback,Frequency,Freshness,Stability,Match)$

经验选择：

$E∗=arg⁡max⁡iV(Ei)E^*=\arg\max_i V(E_i)$

最终形成：

$CurrentCondition→ExperienceRecall→ExperienceMatching→ExperienceEvaluation→ExperienceSelection→CurrentCognitionCurrentCondition \rightarrow ExperienceRecall \rightarrow ExperienceMatching \rightarrow ExperienceEvaluation \rightarrow ExperienceSelection \rightarrow CurrentCognition$

经验不是直接替代当前认知，而是作为当前认知的历史依据。

因此：

$CurrentObservation+RelevantExperience→CognitionCurrentObservation+RelevantExperience \rightarrow Cognition$

128.17 经验闭环

经验系统最终形成一个连续循环：

事件 → 感知 → 状态 → 行为 → 结果 → 反馈 → 记忆 → 经验 → 当前认知 → 行为 → 新结果 → 新反馈 → 更新经验

可以进一步表示为：

$Event→Memory→Experience→Cognition→Behavior→Result→Feedback→MemoryEvent \rightarrow Memory \rightarrow Experience \rightarrow Cognition \rightarrow Behavior \rightarrow Result \rightarrow Feedback \rightarrow Memory$

这意味着经验不是系统运行结束后才产生的静态知识，而是在持续运行过程中不断形成和修正的动态认知结构。

128.18 经验的工程边界

经验系统必须与其他认知模块保持职责分离。

记忆负责保存历史。

经验负责提取历史规律。

认知负责理解当前情况。

决策负责选择行为。

行为系统负责执行。

因此：

$Memory→Experience→Cognition→Decision→BehaviorMemory\rightarrow Experience\rightarrow Cognition\rightarrow Decision\rightarrow Behavior$

不能把经验直接等同于决策。

经验只能提供：

历史依据；
方法依据；
条件依据；
结果依据；
风险依据。

最终行为仍然需要经过当前状态、当前条件、目标、风险和规则等因素计算。

128.19 本章总结

经验理论建立了WSaiOS中“过去如何影响现在”的结构化机制。

经验的基本定义是：

$Experience=HistoricalMemory→StructuredGuidanceExperience=HistoricalMemory\rightarrow StructuredGuidance$

经验主要来源于：

感知记忆、状态记忆、行为记忆、结果记忆、反馈记忆和历史记忆。

经验基本结构为：

$E={O,C,S,B,R,F,T,V,W}E=\{O,C,S,B,R,F,T,V,W\}$

即：

对象 → 条件 → 状态 → 行为 → 结果 → 反馈 → 时间 → 价值 → 权重。

经验必须具有适用条件：

$CurrentCondition→ExperienceMatchingCurrentCondition\rightarrow ExperienceMatching$

经验结果则用于支持当前认知、行为选择和风险判断。

经验价值可以通过历史结果、反馈、重复次数、稳定性、时间新鲜度和当前条件匹配度进行计算。

最终形成：

$Memory→Experience→Cognition→BehaviorMemory\rightarrow Experience\rightarrow Cognition\rightarrow Behavior$

由此，WSaiOS不再只是“记住过去发生过什么”，而开始具备从历史事件中形成结构化经验，并在未来相似条件下调用这些经验的能力。

因此，经验是记忆向认知能力转化的关键结构，也是后续学习系统建立经验学习、规则更新和能力增长机制的重要基础。

第128章 经验理论

第128章 经验理论

128.1 提出背景

128.2 经验定义

128.3 经验来源

128.3.1 感知记忆

128.3.2 状态记忆

128.3.3 行为记忆

128.3.4 结果记忆

128.3.5 反馈记忆

128.3.6 历史记忆

128.4 经验结构

128.4.1 经验对象

128.4.2 经验条件

128.4.3 经验行为

128.4.4 经验结果

128.4.5 经验反馈

128.5 经验条件

128.5.1 对象条件

128.5.2 状态条件

128.5.3 环境条件

128.5.4 时间条件

128.5.5 条件匹配

128.6 经验结果

128.6.1 成功经验

128.6.2 失败经验

128.6.3 改进经验

128.6.4 风险经验

128.6.5 状态转换经验

128.7 经验价值

128.7.1 结果价值

128.7.2 重复验证价值

128.7.3 时间价值

128.7.4 当前条件匹配价值

128.8 经验与记忆的关系

128.9 经验与学习的关系

128.10 经验形成模型

128.11 经验匹配模型

128.12 经验工程模型

128.13 经验管理模块

ExperienceBuilder

ExperienceMatcher

ExperienceEvaluator

ExperienceRanker

ExperienceValidator

ExperienceUpdater

ExperienceStore

ExperienceRecall

ExperienceRelationManager

128.14 经验状态

128.15 经验更新

128.16 经验的核心计算模型

128.17 经验闭环

128.18 经验的工程边界

128.19 本章总结