第二十二篇　Experience

第69章　Experience

在前面的章节中，已经建立了：

Information
→ Perception
→ Cognition
→ Understanding
→ Memory
→ Reasoning
→ Decision
→ Behavior
→ Action
→ Feedback

其中，Feedback 描述行为执行之后发生的结果。

第69章进一步解决一个问题：

这些已经发生过的行为和结果，如何成为以后可以使用的 Experience？

Experience 不是简单保存一条历史记录，而是把一次实际经历中的条件、行为、过程、结果和反馈组织成可查询、可比较、可复用的经验对象。

核心模型：

Condition
+
Action
+
Process
+
Result
+
Feedback
→
Experience

1. Experience 定义

Experience（经验）是 SAI 在实际行为、环境交互或任务执行过程中形成的、经过整理后可以被再次查询和使用的历史认知资源。

简单表示：

Experience
=
Condition
+
Action
+
Process
+
Result
+
Feedback

例如：

条件：
Room.temperature = 32

行为：
Fan_A.powerOn

结果：
Fan_A = ON

反馈：
temperature = 29

这些信息组合起来：

Experience
{
    task: "reduce_temperature",

    condition:
    {
        temperature: 32
    },

    action:
    {
        device: "Fan_A",
        method: "powerOn"
    },

    result:
    {
        state: "ON"
    },

    feedback:
    {
        temperature: 29
    }
}

这才构成一个完整经验。

因此：

Experience 不是单独的 Result，而是一次“条件 → 行为 → 结果 → 反馈”的完整历史过程。

2. Experience 与 Fact

Fact 和 Experience 都属于 SAI 的认知资源，但两者表示的内容不同。

Fact

Fact 主要表示：

已经确认的事实是什么。

例如：

Fan_A.state = ON

或者：

Motor_A.speed = 1500

结构：

Fact
{
    subject
    predicate
    value
    source
    state
}

Experience

Experience 表示：

曾经发生过什么，以及发生之后产生了什么结果。

例如：

Experience
{
    condition:
    {
        temperature: 32
    },

    action:
    {
        device: "Fan_A",
        method: "powerOn"
    },

    result:
    {
        state: "ON"
    },

    feedback:
    {
        temperature: 29
    }
}

因此：

Fact
→ 事实

Experience
→ 经历

两者的区别可以表示为：

Fact:
Fan_A = ON

Experience:
温度32℃
→ 启动Fan_A
→ Fan_A = ON
→ 温度下降到29℃

所以：

Fact 回答“是什么”，Experience 回答“发生过什么”。

3. Experience 与 Memory

Experience 与 Memory 之间是包含与承载关系。

Memory 是记忆机制。

Experience 是 Memory 中的一种具体内容。

可以表示：

Memory
├── InformationMemory
├── ElementMemory
├── ObjectMemory
├── RelationMemory
├── FactMemory
└── ExperienceMemory

因此：

Experience
    ↓
ExperienceMemory

Experience 本身描述一次经历。

ExperienceMemory 负责保存、查询、更新这些经历。

例如：

Experience
{
    id: "EXP_1001",
    task: "reduce_temperature",
    action: "Fan_A.powerOn",
    result: "temperature_down"
}

保存：

ExperienceMemory
{
    id: "EXP_1001",
    ...
}

所以：

Experience ≠ Memory

更准确地说：

Experience = 被记住的经历对象

ExperienceMemory = 保存和管理 Experience 的记忆机制

4. Experience 与 Learning

Experience 是 Learning 的重要输入。

但是：

Experience ≠ Learning

Experience 是历史经历。

Learning 是从这些信息中获取、整理和更新知识的过程。

基本关系：

Action
 ↓
Result
 ↓
Feedback
 ↓
Experience
 ↓
Learning
 ↓
Knowledge / Ability Resource

例如：

Experience 1:
温度32℃
→ 开风扇
→ 温度29℃
→ 成功

如果以后又出现：

Experience 2:
温度31℃
→ 开风扇
→ 温度28℃
→ 成功

Learning 可以从多个 Experience 中形成更加稳定的知识：

Knowledge
{
    condition: "temperature >= 30",
    action: "Fan_A.powerOn",
    result: "temperature_reduction"
}

所以：

Experience 是 Learning 的历史材料，Learning 是对经验进行获取、整理、验证和更新的过程。

同时不能简单认为：

一次 Experience = Knowledge

一次经历可能：

有效
无效
偶然
冲突
不完整
需要进一步验证

因此 Experience 必须经过判断之后才能成为可靠的知识资源。

5. 成功经验

成功经验是行为达到预期结果，或者满足预定目标的 Experience。

例如：

Condition:
temperature = 32

Action:
Fan_A.powerOn

Result:
Fan_A = ON

Feedback:
temperature = 29

Outcome:
SUCCESS

形成：

Experience
{
    task: "reduce_temperature",

    condition:
    {
        temperature: 32
    },

    action:
    {
        device: "Fan_A",
        method: "powerOn"
    },

    result:
    {
        state: "ON"
    },

    feedback:
    {
        temperature: 29
    },

    outcome: "SUCCESS"
}

成功经验可以在后续 Reasoning 和 Decision 中作为历史依据。

例如：

Current Condition
        ↓
Experience Query
        ↓
找到类似成功经验
        ↓
Condition Matching
        ↓
Experience Evaluation
        ↓
Decision Reference

注意：

成功经验是参考依据，不是直接命令。

过去成功，并不代表当前一定成功。

6. 失败经验

失败经验表示一次行为没有达到目标，或者执行过程中产生异常结果。

例如：

Condition:
Motor_A.temperature = 80

Action:
Motor_A.start

Result:
FAILED

Feedback:
temperature = 95

Outcome:
OVERHEAT

形成：

Experience
{
    task: "start_motor",

    condition:
    {
        temperature: 80
    },

    action:
    {
        device: "Motor_A",
        method: "start"
    },

    result:
    {
        state: "FAILED"
    },

    feedback:
    {
        temperature: 95,
        error: "OVERHEAT"
    },

    outcome: "FAILURE"
}

失败经验同样具有价值。

例如以后再次出现：

Motor_A.temperature = 80

系统查询历史经验：

过去：
80℃
→ START
→ OVERHEAT
→ FAILURE

那么 Reasoning 可以把这个历史经验作为风险判断依据。

例如：

RiskScore ↑

然后：

Decision
→ 不执行 START

或者：

Decision
→ 先降低温度

因此：

失败经验不是无用数据，而是避免重复错误的重要历史资源。

7. 行为经验

行为经验关注：

以前采取过什么行为，以及行为产生了什么结果。

例如：

Behavior:
Fan_A.powerOn

Result:
SUCCESS

Feedback:
temperature decreased

形成：

BehaviorExperience
{
    behavior: "powerOn",
    target: "Fan_A",
    condition:
    {
        temperature: 32
    },
    result: "SUCCESS",
    feedback:
    {
        temperature: 29
    }
}

行为经验可以用于：

行为比较
行为选择
行为风险判断
行为优先级
行为结果预测

例如存在两个历史行为：

Experience A:
Fan_A.powerOn
→ 温度下降3℃

Experience B:
Fan_B.powerOn
→ 温度下降1℃

当前条件相近时，可以将两种历史经验提供给 Decision：

Candidate A
Candidate B
      ↓
Experience Matching
      ↓
Result Comparison
      ↓
Decision

8. 环境经验

环境经验关注：

过去某种环境条件下发生了什么。

例如：

Environment:
temperature = 32
humidity = 70
people = 5

执行：

Fan_A.powerOn

结果：

temperature = 29
humidity = 65

可以保存：

EnvironmentExperience
{
    environment:
    {
        temperature: 32,
        humidity: 70,
        people: 5
    },

    action:
    {
        device: "Fan_A",
        method: "powerOn"
    },

    result:
    {
        temperature: 29,
        humidity: 65
    },

    state: "SUCCESS"
}

环境经验的价值在于：

Current Environment
        ↓
Environment Matching
        ↓
Historical Experience
        ↓
Result Comparison

例如过去：

温度 > 30
人员 > 3

启动风扇效果较好。

当前环境：

温度 = 31
人员 = 4

那么历史环境经验可以成为当前 Decision 的参考。

但仍然必须重新检查当前条件。

9. Experience 保存

Experience 形成之后，需要经过整理、验证和保存。

完整过程：

Action
 ↓
Result
 ↓
Feedback
 ↓
Experience Formation
 ↓
Validation
 ↓
Classification
 ↓
Duplicate Check
 ↓
Conflict Check
 ↓
ExperienceMemory

Experience 基本结构：

Experience
{
    id
    task
    condition
    environment
    action
    process
    result
    feedback
    outcome
    state
    source
    created_at
    updated_at
}

例如：

Experience
{
    id: "EXP_1001",

    task: "reduce_temperature",

    condition:
    {
        temperature: 32
    },

    environment:
    {
        room: "Office_A"
    },

    action:
    {
        device: "Fan_A",
        method: "powerOn"
    },

    process:
    [
        "POWER_ON",
        "RUNNING"
    ],

    result:
    {
        device_state: "ON"
    },

    feedback:
    {
        temperature_before: 32,
        temperature_after: 29
    },

    outcome: "SUCCESS",

    state: "ACTIVE",

    source: "DEVICE_FEEDBACK"
}

Experience 状态

Experience 可以具有自己的生命周期状态：

NEW
ACTIVE
VERIFIED
UNCERTAIN
CONFLICT
INVALID
ARCHIVED
DELETED

其中尤其需要区分：

SUCCESS ≠ VERIFIED

例如一次操作虽然成功：

Fan_A ON

但并不能证明：

Fan_A ON

在所有相同条件下都一定有效。

因此：

Outcome = SUCCESS

表示这一次成功。

而：

State = VERIFIED

表示该经验经过进一步验证后具有较高可靠性。

10. Experience 查询

Experience 的价值最终体现在：

以后还能不能找到并使用以前的经历。

查询过程：

Current Condition
        ↓
Experience Query
        ↓
Experience Matching
        ↓
Experience Filtering
        ↓
Experience Evaluation
        ↓
Relevant Experience

例如当前：

temperature = 31

查询：

ExperienceMemory

找到：

EXP_1001
temperature = 32
Fan_A.powerOn
temperature 32 → 29
SUCCESS

系统进行条件匹配：

Current:
31

Historical:
32

如果属于允许范围：

MatchState = STRONG

则经验可以进入 Reasoning。

Experience 查询条件

可以根据：

task
condition
environment
object
action
result
feedback
outcome
state
time
source

进行查询。

例如：

ExperienceQuery
{
    task: "reduce_temperature",

    condition:
    {
        temperature:
        {
            operator: ">=",
            value: 30
        }
    },

    outcome: "SUCCESS",

    state: "ACTIVE"
}

查询结果：

ExperienceResult
[
    EXP_1001,
    EXP_1005,
    EXP_1012
]

然后进一步进行匹配：

Experience
      ↓
Condition Matching
      ↓
Environment Matching
      ↓
Action Matching
      ↓
Result Matching
      ↓
Experience Score

这里的 Score 是离散规则和权重计算结果，不是训练参数。

Experience 查询与直接执行的区别

非常重要：

查询经验
    ≠
执行经验

例如历史记录：

temperature = 32
→ Fan_A ON
→ SUCCESS

当前：

temperature = 31

系统不能直接：

Experience
→ Action

而应该：

Experience
 ↓
Matching
 ↓
Evaluation
 ↓
Reasoning
 ↓
Decision
 ↓
Behavior
 ↓
Action

因此 Experience 始终属于历史依据。

Experience 的完整生命周期

环境 / 当前条件
      ↓
行为
      ↓
行动
      ↓
结果
      ↓
反馈
      ↓
Experience Formation
      ↓
Validation
      ↓
ExperienceMemory
      ↓
Experience Query
      ↓
Condition Matching
      ↓
Reasoning
      ↓
Decision
      ↓
新的行为

形成循环：

Experience
    ↓
Reasoning
    ↓
Decision
    ↓
Action
    ↓
Feedback
    ↓
Experience

而 Learning 位于经验积累和知识更新之间：

Experience
    ↓
Learning
    ↓
Knowledge / Ability Resource
    ↓
Reasoning / Decision

Fact、Memory、Experience、Learning 四者关系

可以统一为：

Fact
│
├── 描述已经确认的事实
│
Memory
│
├── 保存和管理历史认知资源
│
Experience
│
├── 描述过去发生过的经历
│
Learning
│
└── 从信息和经历中获取、整理、验证并更新知识

进一步形成：

Information
    ↓
Perception
    ↓
Cognition
    ↓
Fact
    ↓
Memory

以及：

Action
    ↓
Result
    ↓
Feedback
    ↓
Experience
    ↓
Learning
    ↓
Knowledge

最终汇合到：

Reasoning
    ↓
Decision

本章核心模型

Condition
    ↓
Behavior
    ↓
Action
    ↓
Result
    ↓
Feedback
    ↓
Experience
    ├──→ ExperienceMemory
    └──→ Learning
             ↓
          Knowledge
             ↓
          Reasoning
             ↓
          Decision

同时：

Experience
    ↓
Query
    ↓
Matching
    ↓
Evaluation
    ↓
Reasoning

本章核心定义

Experience 是 SAI 在实际行为和环境交互过程中，由条件、行为、过程、结果和反馈形成的历史经历对象。Experience 可以保存于 ExperienceMemory，并通过查询、匹配和评价为 Reasoning、Decision 和 Learning 提供历史依据。

最重要的边界是：

Fact      → 记住事实
Memory    → 保存记忆
Experience→ 记住经历
Learning  → 从信息和经历中获取、整理和更新知识

因此，第69章的核心链条是：

行为
 ↓
结果
 ↓
反馈
 ↓
经验
 ↓
记忆
 ↓
学习
 ↓
知识更新
 ↓
推理
 ↓
决策
 ↓
新的行为

这使 Experience 成为 SAI 从“一次行为”走向“历史积累”，再从“历史积累”进入 Learning 的关键中间层。

第69章 Experience

第二十二篇 Experience

第69章 Experience

1. Experience 定义

2. Experience 与 Fact

Fact

Experience

3. Experience 与 Memory

4. Experience 与 Learning

5. 成功经验

6. 失败经验

7. 行为经验

8. 环境经验

9. Experience 保存

Experience 状态

10. Experience 查询

Experience 查询条件

Experience 查询与直接执行的区别

Experience 的完整生命周期

Fact、Memory、Experience、Learning 四者关系

本章核心模型

本章核心定义