第231章 ICAI学习数据表

231.1 学习数据层的定位

第228章建立了 ICAI 核心事实数据：

individuals
objects
attributes
states
relations
scenes

第229章建立了认知数据：

knowledge
needs
goals
capabilities
methods
decisions

第230章建立了行为运行数据：

behaviors
actions
executions
results
feedbacks

第231章进一步建立学习数据层：

memory
experience
learning
history

为了与前面数据库表名统一，正式数据库推荐采用复数形式：

memories
experiences
learning_records
history_records

其中：

History
    ↓
Memory
    ↓
Experience
    ↓
Learning
    ↓
Update

构成 ICAI 的经验学习闭环。

但是必须首先明确：

$History≠Memory≠Experience≠LearningHistory\neq Memory\neq Experience\neq Learning$

四者分别承担不同的数据职责。

231.2 四类学习数据的基本定义

231.2.1 History——历史

History表示：

过去实际发生过的事实记录。

例如：

Execution E-001
Result = failed
Time = T1

这是历史事实。

History回答：

过去发生了什么？

231.2.2 Memory——记忆

Memory表示：

从历史事实中保留下来的、未来可能再次使用的信息。

不是所有History都必须形成Memory。

因此：

$History→MemoryHistory\rightarrow Memory$

需要经过：

重要性
相关性
重复性
验证性
时间

等条件判断。

Memory回答：

过去哪些信息值得保留并再次调用？

231.2.3 Experience——经验

Experience表示：

从多个历史事实、记忆、条件和结果中形成的可重复使用结构化模式。

例如：

Condition:
Resource < Required

Result:
Action failed

经过多次实际事实验证后，可以形成：

Experience:
Resource insufficient
    →
Action failure

Experience回答：

在什么条件下，过去通常发生了什么？

231.2.4 Learning——学习

Learning表示：

根据已经验证的反馈、记忆、经验和事实，对未来认知结构产生可应用变化的过程及其记录。

Learning不是简单保存数据。

例如：

Experience:
Method M-001
requires Resource >= 2

LearningEngine可以形成：

Learning Candidate:
Method M-001 condition
1 → 2

随后：

LearningEngine
      ↓
Update Candidate
      ↓
UpdateEngine
      ↓
Method Update

因此：

$Learning≠UpdateLearning\neq Update$

Learning计算：

应该改变什么。

Update应用：

如何把已经确认的变化写入正式认知结构。

231.3 学习数据总体模型

定义学习数据集合：

$LD=(H,M,E,L)LD=(H,M,E,L)$

其中：

$HH$ ：History
$MM$ ：Memory
$EE$ ：Experience
$LL$ ：Learning

完整关系：

$H→M→E→LH\rightarrow M\rightarrow E\rightarrow L$

进一步：

$L→Update→K/C/ML\rightarrow Update\rightarrow K/C/M$

其中：

$KK$ ：Knowledge
$CC$ ：Capability
$MM$ ：Method

这里的 $MM$ 在不同公式中可能表示 Memory 或 Method，因此工程代码中必须使用完整名称或明确变量名，避免符号冲突。

231.4 History是学习数据的事实基础

ICAI不能直接根据不存在的事实进行学习。

基本数据链：

Behavior
    ↓
Action
    ↓
Execution
    ↓
Result
    ↓
Feedback
    ↓
History

因此：

$History=f(Result,Feedback,State,Execution)History=f(Result,Feedback,State,Execution)$

History保存实际发生过的事情。

例如：

H-001
Execution = E-001
Action = A-002
Result = failed
State = blocked
Time = 2026-09-11

这个事实不能因为后面执行成功而删除。

231.5 history_records表

为了建立统一历史入口，可以设计：

CREATE TABLE history_records (
    id BIGINT NOT NULL AUTO_INCREMENT,
    history_code VARCHAR(100) NOT NULL,
    individual_id BIGINT NULL,
    object_type VARCHAR(100) NULL,
    object_id VARCHAR(100) NULL,
    source_type VARCHAR(100) NOT NULL,
    source_code VARCHAR(100) NULL,
    event_type VARCHAR(100) NOT NULL,
    data_before TEXT NULL,
    data_after TEXT NULL,
    event_data TEXT NULL,
    state_data TEXT NULL,
    result_data TEXT NULL,
    evidence TEXT NULL,
    occurred_at DATETIME NOT NULL,
    created_at DATETIME NOT NULL,
    PRIMARY KEY (id),
    UNIQUE KEY uk_history_code (history_code),
    KEY idx_history_individual (individual_id),
    KEY idx_history_object (object_type, object_id),
    KEY idx_history_source (source_type, source_code),
    KEY idx_history_event (event_type),
    KEY idx_history_time (occurred_at)
);

这里：

source_type

可以是：

behavior
action
execution
result
feedback
state
decision
diagnosis
repair

231.6 History不能被覆盖

错误设计：

H-001 = failed

后来成功：

UPDATE H-001
SET result = success

这是错误的。

正确方式：

H-001 = failed
H-002 = success

因为：

$Historyt1≠Historyt2History_{t1}\neq History_{t2}$

历史记录必须保留时间顺序。

因此：

$History={H1,H2,…,Hn}History=\{H_1,H_2,\ldots,H_n\}$

而不是一个不断被覆盖的当前状态。

231.7 Memory模型

第164章已经定义：

$M=(I,C,W,T,R)M=(I,C,W,T,R)$

其中：

$II$ ：Information
$CC$ ：Context
$WW$ ：Weight
$TT$ ：Time
$RR$ ：Relation

工程上可以扩展为：

$Md=(ID,I,C,W,S,R,V,T)M_d=(ID,I,C,W,S,R,V,T)$

其中：

ID：Memory Domain ID
$II$ ：记忆内容
$CC$ ：形成时上下文
$WW$ ：记忆权重
$SS$ ：记忆状态
$RR$ ：关系
$VV$ ：验证信息
$TT$ ：时间

231.8 Memory不是History

这是学习数据层最重要的区别之一。

例如：

History
H-001
2026-09-01
Action A-001 failed

只是事实。

如果系统发现：

A-001
在相同条件下
连续出现类似结果

可以形成：

Memory
M-001
Action A-001在该条件下容易失败

因此：

$History→MemoryHistory\rightarrow Memory$

不是简单复制。

需要经过：

History
 ↓
Importance
 ↓
Relevance
 ↓
Recurrence
 ↓
Verification
 ↓
Memory

231.9 memories表

CREATE TABLE memories (
    id BIGINT NOT NULL AUTO_INCREMENT,
    memory_code VARCHAR(100) NOT NULL,
    individual_id BIGINT NOT NULL,
    information_data TEXT NOT NULL,
    context_data TEXT NULL,
    weight DECIMAL(12,6) NULL,
    memory_state VARCHAR(50) NOT NULL,
    source_history_code VARCHAR(100) NULL,
    verification_data TEXT NULL,
    memory_time DATETIME NOT NULL,
    created_at DATETIME NOT NULL,
    updated_at DATETIME NOT NULL,
    PRIMARY KEY (id),
    UNIQUE KEY uk_memory_code (memory_code),
    KEY idx_memory_individual (individual_id),
    KEY idx_memory_state (memory_state),
    KEY idx_memory_weight (weight),
    KEY idx_memory_time (memory_time)
);

231.10 Memory Weight

Memory中的 Weight 不是神经网络参数。

它只是：

确定性记忆重要程度计算值。

可以定义：

$Wm=f(I,R,T,V)W_m=f(I,R,T,V)$

其中：

$II$ ：Importance，重要性
$RR$ ：Relevance，相关性
$TT$ ：Time，时间因素
$VV$ ：Verification，验证程度

例如：

$Wm=WiI+WrR+WtT+WvVW_m= W_iI+ W_rR+ W_tT+ W_vV$

其中：

$Wi+Wr+Wt+Wv=1W_i+W_r+W_t+W_v=1$

这是离散规则与数值计算，不属于神经网络权重。

231.11 Memory Relation

Memory之间可以存在关系：

$MR=(M1,T,M2,C)MR=(M_1,T,M_2,C)$

例如：

M-001
   ↓
similar_to
   ↓
M-002

或者：

M-003
   ↓
derived_from
   ↓
M-001

建议表：

memory_relations

保存：

memory1
relation_type
memory2
condition
state

231.12 Experience模型

第164章定义：

$E=(H,M,C,R,P)E=(H,M,C,R,P)$

其中：

$HH$ ：History
$MM$ ：Memory
$CC$ ：Condition
$RR$ ：Result
$PP$ ：Pattern

Experience的核心不是单一结果，而是：

$Condition→Pattern→ResultCondition\rightarrow Pattern\rightarrow Result$

例如：

Condition:
Resource < Required

Pattern:
Action cannot complete

Result:
Execution failed

这才形成经验结构。

231.13 Experience不是Memory

Memory：

记住了什么。

Experience：

在什么条件下，过去形成了什么可重复模式。

例如：

Memory:
M-001 = Resource不足导致A-002失败

Experience：

Experience:
当Resource < Action.RequiredResource时
A-002执行失败概率明显增加

因此：

$Memory→ExperienceMemory\rightarrow Experience$

但：

$Memory≠ExperienceMemory\neq Experience$

231.14 experiences表

CREATE TABLE experiences (
    id BIGINT NOT NULL AUTO_INCREMENT,
    experience_code VARCHAR(100) NOT NULL,
    individual_id BIGINT NOT NULL,
    condition_data TEXT NULL,
    pattern_data TEXT NOT NULL,
    result_data TEXT NULL,
    experience_state VARCHAR(50) NOT NULL,
    confidence DECIMAL(12,6) NULL,
    source_history_data TEXT NULL,
    source_memory_data TEXT NULL,
    verification_data TEXT NULL,
    experience_time DATETIME NOT NULL,
    created_at DATETIME NOT NULL,
    updated_at DATETIME NOT NULL,
    PRIMARY KEY (id),
    UNIQUE KEY uk_experience_code (experience_code),
    KEY idx_experience_individual (individual_id),
    KEY idx_experience_state (experience_state),
    KEY idx_experience_time (experience_time)
);

231.15 Experience形成

经验形成过程：

$History→Memory→Comparison→Relation→Pattern→ExperienceHistory \rightarrow Memory \rightarrow Comparison \rightarrow Relation \rightarrow Pattern \rightarrow Experience$

例如：

H1 → failed
H2 → failed
H3 → failed

经过比较：

Condition相同
Object相同
Action相同
Result相同

形成：

Pattern

最终：

Experience E-001

231.16 Experience验证

经验不能因为一次事件就自动成为有效经验。

可以定义：

$ValidExperience=History∧Memory∧Condition∧Pattern∧Evidence∧VerificationValidExperience = History \land Memory \land Condition \land Pattern \land Evidence \land Verification$

如果只有：

一次失败

可以形成：

Experience Candidate

而不是立即形成：

Verified Experience

因此 Experience 可以具有：

candidate
formed
verified
used
confirmed
revised
archived

等状态。

231.17 Learning模型

Learning是四类数据中最特殊的一类。

定义：

$L=(I,T,O,B,N,R,V)L=(I,T,O,B,N,R,V)$

其中：

$II$ ：Learning ID
$TT$ ：Learning Type
$OO$ ：Target Object
$BB$ ：Before
$NN$ ：New
$RR$ ：Reason
$VV$ ：Verification

例如：

Learning L-001

Target:
Method M-001

Before:
Resource >= 1

New:
Resource >= 2

Reason:
Repeated execution evidence

Verification:
verified

231.18 Learning不是一张普通日志表

错误理解：

learning_records
=
学习日志

过于简单。

Learning记录的是：

经过事实、反馈、经验和验证之后形成的认知结构变化候选或已确认变化。

因此至少需要：

Target
Before
New
Reason
Evidence
Verification
Time

231.19 learning_records表

CREATE TABLE learning_records (
    id BIGINT NOT NULL AUTO_INCREMENT,
    learning_code VARCHAR(100) NOT NULL,
    individual_id BIGINT NOT NULL,
    learning_type VARCHAR(100) NOT NULL,
    target_type VARCHAR(100) NOT NULL,
    target_code VARCHAR(100) NOT NULL,
    before_data TEXT NULL,
    new_data TEXT NULL,
    reason_data TEXT NULL,
    evidence_data TEXT NULL,
    verification_data TEXT NULL,
    applicability_data TEXT NULL,
    learning_state VARCHAR(50) NOT NULL,
    created_at DATETIME NOT NULL,
    updated_at DATETIME NOT NULL,
    PRIMARY KEY (id),
    UNIQUE KEY uk_learning_code (learning_code),
    KEY idx_learning_individual (individual_id),
    KEY idx_learning_target (target_type, target_code),
    KEY idx_learning_type (learning_type),
    KEY idx_learning_state (learning_state),
    KEY idx_learning_time (created_at)
);

231.20 Learning类型

Learning可以针对不同认知结构产生：

knowledge_update
capability_update
method_update
state_rule_update
relation_update
object_update
individual_structure_update

例如：

learning_type = method_update
target_type = method
target_code = M-001

表示学习结果针对 Method。

231.21 Learning Candidate

学习过程不能直接修改正式Domain Object。

正确流程：

Feedback
    ↓
History
    ↓
Memory
    ↓
Experience
    ↓
LearningEngine
    ↓
Learning Candidate
    ↓
Verification
    ↓
UpdateEngine
    ↓
Formal Update

因此：

$LearningEngine≠UpdateEngineLearningEngine\neq UpdateEngine$

LearningEngine计算：

哪些认知结构可能需要变化。

UpdateEngine负责：

将经过确认的变化正式应用。

231.22 Learning有效条件

可以定义：

$CanLearn=Evidence∧Valid∧Verified∧ApplicableCanLearn = Evidence \land Valid \land Verified \land Applicable$

其中：

Evidence：存在证据
Valid：数据有效
Verified：已经验证
Applicable：确实适用于目标结构

如果缺少证据：

CanLearn = false

不能因为某个结果看起来合理，就直接修改知识、能力或者方法。

231.23 Learning History

Learning本身也需要历史。

例如：

L-001
Before:
Resource >= 1

After:
Resource >= 2

以后可能又发生：

L-002
Before:
Resource >= 2

After:
Resource >= 3

两个学习记录都必须保留。

因此：

learning_history

可以设计：

CREATE TABLE learning_history (
    id BIGINT NOT NULL AUTO_INCREMENT,
    history_code VARCHAR(100) NOT NULL,
    learning_code VARCHAR(100) NOT NULL,
    target_type VARCHAR(100) NOT NULL,
    target_code VARCHAR(100) NOT NULL,
    before_data TEXT NULL,
    after_data TEXT NULL,
    reason_data TEXT NULL,
    evidence_data TEXT NULL,
    verification_data TEXT NULL,
    created_at DATETIME NOT NULL,
    PRIMARY KEY (id),
    UNIQUE KEY uk_learning_history_code (history_code),
    KEY idx_learning_history_learning (learning_code),
    KEY idx_learning_history_target (target_type, target_code),
    KEY idx_learning_history_time (created_at)
);

231.24 四类数据的关系

四类数据不能设计成简单的一对一关系。

实际结构是：

History
 ├── H1
 ├── H2
 ├── H3
 ├── H4
 └── H5
       ↓
Memory
 ├── M1
 └── M2
       ↓
Experience
 └── E1
       ↓
Learning
 └── L1

即：

$H1..n→M1..m→E1..k→L1..qH_{1..n} \rightarrow M_{1..m} \rightarrow E_{1..k} \rightarrow L_{1..q}$

其中：

$n≥m≥kn\ge m\ge k$

不一定严格成立，但通常历史数量最多，经验数量不会简单等于历史数量。

231.25 一个Memory可以来自多个History

例如：

H1 → failed
H2 → failed
H3 → failed

共同形成：

M1

因此：

$H1+H2+H3→M1H_1+H_2+H_3\rightarrow M_1$

数据库中可以建立：

memory_history_relations

保存：

memory_code
history_code
relation_type

例如：

M-001
    ├── H-001
    ├── H-002
    └── H-003

231.26 一个Experience可以来自多个Memory

例如：

M1
M2
M3

共同形成：

E1

因此：

$M1+M2+M3→E1M_1+M_2+M_3\rightarrow E_1$

可以建立：

experience_memory_relations

这样能够保留：

这个经验到底来自哪些记忆。

231.27 一个Learning可以来自多个Experience

例如：

E1
E2
E3

共同支持：

L1

例如：

E1 → Resource不足 → Failure
E2 → Resource不足 → Failure
E3 → Resource不足 → Failure

最终：

L1
Method M-001
Resource >= 2

因此：

$E1+E2+E3→L1E_1+E_2+E_3\rightarrow L_1$

学习记录应该保存来源证据。

231.28 Learning与Knowledge

Learning可以改变 Knowledge：

$Kt+ΔK→Kt+1K_t+\Delta K\rightarrow K_{t+1}$

例如：

Knowledge K-001
Method M-001
requires Resource >= 1

学习之后：

Learning L-001

提出：

Resource >= 2

经过验证：

UpdateEngine

正式更新：

Knowledge K-002

或者更新现有知识版本。

因此：

Learning
   ↓
Knowledge Update Candidate
   ↓
UpdateEngine
   ↓
KnowledgeRepository

231.29 Learning与Capability

同样可以形成：

$Ct+ΔC→Ct+1C_t+\Delta C\rightarrow C_{t+1}$

但是必须非常谨慎。

例如某次失败：

Action failed

不能直接：

Capability = unavailable

必须经过：

Feedback
 ↓
Diagnosis
 ↓
Cause
 ↓
Verification

确认真正原因属于 Capability 后，LearningEngine才能形成：

Capability Update Candidate

231.30 Learning与Method

Method是最常见的学习更新对象之一。

例如：

Method M-001
Condition:
Resource >= 1

连续实际运行：

E1 → failed
E2 → failed
E3 → failed

Diagnosis：

Resource insufficient

Repair后：

Resource = 2
Execution = success

最终：

Learning:
M-001 requires Resource >= 2

再：

UpdateEngine

正式修改 Method。

这就是：

$History→Memory→Experience→Learning→MethodUpdateHistory \rightarrow Memory \rightarrow Experience \rightarrow Learning \rightarrow MethodUpdate$

231.31 MemoryEngine

MemoryEngine负责：

记忆计算
记忆读取
记忆更新评估

基本结构：

History
   ↓
MemoryEngine
   ↓
Memory Candidate
   ↓
Relevance
   ↓
Importance
   ↓
Verification
   ↓
Memory

Repository只负责：

Save
Query
Update

因此：

$MemoryEngine≠MemoryRepositoryMemoryEngine\neq MemoryRepository$

231.32 ExperienceEngine

ExperienceEngine负责：

经验计算
经验调用
经验更新评估

基本流程：

History
   ↓
Memory
   ↓
Comparison
   ↓
Relation
   ↓
Pattern
   ↓
ExperienceEngine
   ↓
Experience

调用时：

Current Context
       ↓
ExperienceRepository
       ↓
Candidate Experience
       ↓
ExperienceEngine
       ↓
Applicability
       ↓
Experience Result

231.33 LearningEngine

LearningEngine负责：

反馈分析
记忆关联
经验关联
学习计算
更新候选

输入：

$LI=(F,H,M,E,K,Ca,Md,S,C,Ru,Ev,T)LI=(F,H,M,E,K,Ca,Md,S,C,Ru,Ev,T)$

其中：

$FF$ ：Feedback
$HH$ ：History
$MM$ ：Memory
$EE$ ：Experience
$KK$ ：Knowledge
$CaCa$ ：Capability
$MdMd$ ：Method
$SS$ ：State
$CC$ ：Condition
$RuRu$ ：Rule
$EvEv$ ：Evidence
$TT$ ：Time

输出：

$LO=(L,ΔK,ΔCa,ΔMd,Ev,V,T)LO=(L,\Delta K,\Delta Ca,\Delta Md,Ev,V,T)$

其中：

$LL$ ：Learning Result
$ΔK\Delta K$ ：Knowledge Change Candidate
$ΔCa\Delta Ca$ ：Capability Change Candidate
$ΔMd\Delta Md$ ：Method Change Candidate
$EvEv$ ：Evidence
$VV$ ：Verification
$TT$ ：Time

231.34 LearningEngine不直接写MySQL

错误：

LearningEngine
    ↓
UPDATE methods

正确：

LearningEngine
    ↓
Learning Candidate
    ↓
Verification
    ↓
UpdateEngine
    ↓
Domain Object Update
    ↓
Repository
    ↓
MySQL

这样才能保证：

$Calculation≠PersistenceCalculation\neq Persistence$

231.35 Repository体系

本章对应：

HistoryRepository
MemoryRepository
ExperienceRepository
LearningRepository

职责：

HistoryRepository
    ↓
历史保存与查询

MemoryRepository
    ↓
记忆保存、查询、更新

ExperienceRepository
    ↓
经验保存、查询、更新

LearningRepository
    ↓
学习记录、学习变化、学习历史

Repository不执行学习算法。

231.36 Mapper体系

对应：

HistoryMapper
MemoryMapper
ExperienceMapper
LearningMapper

转换关系：

$Domain↔PersistenceDomain \leftrightarrow Persistence$

例如：

class MemoryMapper
{
    public function toPersistence($memory)
    {
        return array(
            'memory_code'       => $memory->getId(),
            'individual_id'     => $memory->getIndividualId(),
            'information_data'  => $memory->getInformation(),
            'context_data'      => $memory->getContext(),
            'weight'            => $memory->getWeight(),
            'memory_state'      => $memory->getState(),
            'verification_data' => $memory->getVerification(),
            'memory_time'       => $memory->getTime()
        );
    }
}

Mapper不计算记忆权重。

231.37 Domain与数据库ID

本章继续采用：

$DomainID≠PersistenceIDDomainID\neq PersistenceID$

例如：

Memory Domain:
M-001

数据库：

id = 17
memory_code = M-001

因此：

id

是MySQL持久化ID。

memory_code

是Domain业务标识。

Experience、Learning、History同理。

231.38 四类数据的查询

查询本身不等于认知计算。

例如：

MemoryRepository
findByIndividualId()

只负责：

找出该个体保存过的Memory。

然后：

MemoryEngine

才负责：

哪一个Memory与当前Context更加相关。

因此：

$Query≠RelevanceQuery\neq Relevance$

同理：

$Query≠ExperienceApplicabilityQuery\neq ExperienceApplicability$

231.39 当前事实优先于历史记忆

这是ICAI学习体系的重要原则：

$CurrentFact>HistoricalMemoryCurrentFact>HistoricalMemory$

这里的 > 不是数学大小关系，而是认知优先级。

例如：

历史Memory：

Resource = 1

当前实际状态：

Resource = 3

系统必须采用：

Current State = 3

而不能因为Memory中记录了1，就覆盖当前事实。

因此：

Current Object
Current State
Current Environment

优先于：

Memory
Experience
Historical Data

231.40 学习数据与当前认知数据

完整结构：

Current Facts
      +
History
      +
Memory
      +
Experience
      ↓
LearningEngine
      ↓
Learning Candidate
      ↓
Verification
      ↓
UpdateEngine
      ↓
Knowledge
Capability
Method
State

这样历史数据不会直接覆盖当前事实，而是通过学习过程产生有依据的结构变化。

231.41 完整学习闭环

ICAI学习闭环可以表示为：

$Execution→Result→Feedback→History→Memory→Experience→Learning→Update\boxed{ Execution \rightarrow Result \rightarrow Feedback \rightarrow History \rightarrow Memory \rightarrow Experience \rightarrow Learning \rightarrow Update }$

之后：

$Update→Knowledge/Capability/MethodUpdate \rightarrow Knowledge/Capability/Method$

再重新进入：

Matching
 ↓
Decision
 ↓
Behavior
 ↓
Action
 ↓
Execution

形成：

$Learning→Update→NewCognition→NewBehavior→NewResultLearning \rightarrow Update \rightarrow NewCognition \rightarrow NewBehavior \rightarrow NewResult$

231.42 一个完整案例

假设：

Method M-001
Condition:
Resource >= 1

第一次：

Action A-002
Execution E-001
Result = failed

产生：

Feedback F-001

形成历史：

H-001
Resource = 1
Result = failed

第二次：

H-002
Resource = 1
Result = failed

第三次：

H-003
Resource = 1
Result = failed

MemoryEngine发现重复：

M-001
Resource不足相关信息

ExperienceEngine发现模式：

Resource < 2
    ↓
A-002 failure

形成：

Experience E-001

LearningEngine计算：

Learning L-001

Target:
Method M-001

Before:
Resource >= 1

New:
Resource >= 2

经过验证：

Verification = passed

UpdateEngine正式应用：

Method M-001
Condition:
Resource >= 2

下一次运行：

Resource = 1

MatchingEngine在执行前就可以发现：

M-001 = unmatched

从而避免重复执行已经明确不满足条件的方法。

这说明学习数据最终必须能够改变未来行为。

231.43 学习数据层与第230章的关系

第230章：

Behavior
Action
Execution
Result
Feedback

第231章：

History
Memory
Experience
Learning

两章连接：

Behavior
   ↓
Action
   ↓
Execution
   ↓
Result
   ↓
Feedback
   ↓
History
   ↓
Memory
   ↓
Experience
   ↓
Learning

这是：

$Runtime→LearningRuntime\rightarrow Learning$

的完整数据通道。

231.44 学习数据层与第229章的关系

第229章：

Knowledge
Need
Goal
Capability
Method
Decision

第231章最终通过：

Learning
   ↓
Update

改变：

Knowledge
Capability
Method

因此：

Cognitive Data
       ↑
       │
     Update
       │
Learning Data

学习数据不是认知结构本身，而是认知结构变化的重要依据。

231.45 学习数据层与第228章的关系

第228章：

individuals
objects
attributes
states
relations
scenes

这些是当前事实和核心对象结构。

学习数据：

History
Memory
Experience
Learning

记录的是：

过去发生过什么
过去保留了什么
过去形成了什么经验
未来认知结构应该如何变化

因此：

$CurrentStructure≠LearningDataCurrentStructure\neq LearningData$

二者通过 UpdateEngine 连接。

231.46 数据库总体关系

到第231章，数据库主链已经形成：

individuals
    ↓
objects
    ↓
states
    ↓
knowledge
    ↓
needs
    ↓
goals
    ↓
capabilities
    ↓
methods
    ↓
decisions
    ↓
behaviors
    ↓
actions
    ↓
executions
    ↓
results
    ↓
feedbacks
    ↓
history_records
    ↓
memories
    ↓
experiences
    ↓
learning_records
    ↓
update_records

这条链并不是单纯的数据库外键链，而是：

ICAI从当前事实 → 认知 → 决策 → 行为 → 实际结果 → 学习 → 更新的工程数据链。

231.47 数据库表分类

目前可以形成以下分类。

核心数据

individuals
objects
attributes
states
relations
scenes

认知数据

knowledge
needs
goals
capabilities
methods
decisions

行为数据

behaviors
actions
executions
results
feedbacks

学习数据

history_records
memories
memory_relations
experiences
experience_relations
learning_records
learning_history

更新数据

update_records
update_history

231.48 四类数据的职责边界

最终可以严格定义：

数据	核心问题	是否当前事实	是否产生认知变化
History	过去发生了什么	否	否
Memory	过去什么值得保留	否	否
Experience	什么条件下形成什么模式	否	否
Learning	未来认知应该改变什么	候选/确认变化	是

因此：

$History=FactHistory=Fact$ $Memory=RetainedInformationMemory=RetainedInformation$ $Experience=StructuredPatternExperience=StructuredPattern$ $Learning=CognitiveChangeProcessLearning=CognitiveChangeProcess$

231.49 ICAI学习数据的最终架构

可以定义：

$LearningData=History+Memory+Experience+Learning\boxed{ LearningData = History+ Memory+ Experience+ Learning }$

完整流程：

$Feedback→History→Memory→Experience→Learning→Update\boxed{ Feedback \rightarrow History \rightarrow Memory \rightarrow Experience \rightarrow Learning \rightarrow Update }$

其中：

History
= 保存事实

Memory
= 保留信息

Experience
= 形成模式

Learning
= 计算变化

Update
= 应用变化

231.50 与传统机器学习的区别

本体系中的 Learning：

事实
 ↓
历史
 ↓
记忆
 ↓
经验
 ↓
规则/条件/统计计算
 ↓
学习变化
 ↓
验证
 ↓
正式更新

不采用：

神经网络
Transformer
Embedding
Vector Search
Prompt Engineering
LLM API

也不通过模型参数训练产生所谓“智能”。

ICAI的学习来源于：

对象
状态
关系
规则
条件
结果
反馈
历史
记忆
经验
验证

然后通过确定性的符号计算、条件判断、离散统计、关系计算和结构更新形成新的认知数据。

231.51 本章总结

第231章建立了 ICAI 学习数据层：

$History+Memory+Experience+Learning\boxed{ History+ Memory+ Experience+ Learning }$

核心数据关系：

$History→Memory→Experience→Learning→Update\boxed{ History \rightarrow Memory \rightarrow Experience \rightarrow Learning \rightarrow Update }$

其中：

History
    = 实际过去事实

Memory
    = 保留的重要信息

Experience
    = 从事实和记忆中形成的结构化模式

Learning
    = 根据验证后的事实和经验计算未来认知结构变化

数据库正式表：

history_records
memories
memory_relations
experiences
experience_relations
learning_records
learning_history

与运行数据连接：

Behavior
 ↓
Action
 ↓
Execution
 ↓
Result
 ↓
Feedback
 ↓
History

与认知更新连接：

History
 ↓
Memory
 ↓
Experience
 ↓
LearningEngine
 ↓
UpdateEngine
 ↓
Knowledge
Capability
Method

最终形成：

$CurrentFacts→Cognition→Behavior→Result→Feedback→History→Memory→Experience→Learning→Update→NewCognition\boxed{ CurrentFacts \rightarrow Cognition \rightarrow Behavior \rightarrow Result \rightarrow Feedback \rightarrow History \rightarrow Memory \rightarrow Experience \rightarrow Learning \rightarrow Update \rightarrow NewCognition }$

这意味着 ICAI 的“学习”不是简单增加一张学习日志表，而是建立了一套从实际运行事实出发，经由历史、记忆、经验、学习计算，再反馈到知识、能力和方法结构的可追踪数据闭环。

同时必须保持：

$DomainObject≠DatabaseRowDomainObject\neq DatabaseRow$ $History≠Memory≠Experience≠LearningHistory\neq Memory\neq Experience\neq Learning$ $LearningEngine≠UpdateEngineLearningEngine\neq UpdateEngine$ $Repository≠EngineRepository\neq Engine$

最终形成：

Domain
   ↓
Engine
   ↓
Service
   ↓
Mapper
   ↓
Repository
   ↓
MySQL

数据库负责保存事实与结构化数据；Engine负责计算；Service负责流程编排；Mapper负责Domain与持久化数据转换；Repository负责持久化与查询。整个学习体系仍然建立在符号对象、规则、条件、关系、离散计算、历史事实、记忆、经验和验证机制之上。

第231章 ICAI学习数据表

第231章 ICAI学习数据表

231.1 学习数据层的定位

231.2 四类学习数据的基本定义

231.2.1 History——历史

231.2.2 Memory——记忆

231.2.3 Experience——经验

231.2.4 Learning——学习

231.3 学习数据总体模型

231.4 History是学习数据的事实基础

231.5 history_records表

231.6 History不能被覆盖

231.7 Memory模型

231.8 Memory不是History

231.9 memories表

231.10 Memory Weight

231.11 Memory Relation

231.12 Experience模型

231.13 Experience不是Memory

231.14 experiences表

231.15 Experience形成

231.16 Experience验证

231.17 Learning模型

231.18 Learning不是一张普通日志表

231.19 learning_records表

231.20 Learning类型

231.21 Learning Candidate

231.22 Learning有效条件

231.23 Learning History

231.24 四类数据的关系

231.25 一个Memory可以来自多个History

231.26 一个Experience可以来自多个Memory

231.27 一个Learning可以来自多个Experience

231.28 Learning与Knowledge

231.29 Learning与Capability

231.30 Learning与Method

231.31 MemoryEngine

231.32 ExperienceEngine

231.33 LearningEngine

231.34 LearningEngine不直接写MySQL

231.35 Repository体系

231.36 Mapper体系

231.37 Domain与数据库ID

231.38 四类数据的查询

231.39 当前事实优先于历史记忆

231.40 学习数据与当前认知数据

231.41 完整学习闭环

231.42 一个完整案例

231.43 学习数据层与第230章的关系

231.44 学习数据层与第229章的关系

231.45 学习数据层与第228章的关系

231.46 数据库总体关系

231.47 数据库表分类

核心数据

认知数据

行为数据

学习数据

更新数据

231.48 四类数据的职责边界

231.49 ICAI学习数据的最终架构

231.50 与传统机器学习的区别

231.51 本章总结

Leave a Reply Cancel reply