Evolver.php 架构与设计思想深度分析

## 一、项目规模概览 维度 │ 数据 ────────────────────────────────────────────────┼──────────────────────────────────────────────── 源码文件 │ 198 个 PHP 文件 源码行数 │ ~55,000 行 测试文件 │ 144 个 测试行数 │ ~32,700 行 测试覆盖比 │ ~0.6:1 核心命名空间 │ Evolver\ + 12 个子命名空间 规模已经超出了一个"概念验证"，是一个功能完整的自演化引擎。 -------- ## 二、架构总览：六层洋葱模型 ┌─────────────────────────────────────────────────────┐ │ Layer 6: MCP 协议层 (McpServer + 6 Traits) │ ← JSON-RPC 2.0 stdio ├─────────────────────────────────────────────────────┤ │ Layer 5: 领域服务层 │ │ ├─ Meeting (多智能体会议引擎) │ │ ├─ SubAgent (子代理编排) │ │ ├─ Memory (记忆系统) │ │ └─ Skill (技能蒸馏与匹配) │ ├─────────────────────────────────────────────────────┤ │ Layer 4: 演化核心 (EvolverEngine) │ │ SignalExtract → GeneSelect → PromptBuild │ │ → Solidify → EpigeneticMark → FeedbackMetrics │ ├─────────────────────────────────────────────────────┤ │ Layer 3: 安全与验证层 │ │ SafetyController / SourceProtector │ │ ValidationPipeline (8 个优先级验证器) │ │ BlastRadiusCalculator │ ├─────────────────────────────────────────────────────┤ │ Layer 2: 资产存储层 (GepAssetStore) │ │ Gene / Capsule / Event / FailedCapsule / RunTracker│ ├─────────────────────────────────────────────────────┤ │ Layer 1: 数据层 (Database + SQLite) │ │ Schema v2.2.0 / WAL / mmap / FTS5 / 迁移链 │ └─────────────────────────────────────────────────────┘ -------- ## 三、核心设计思想 ### 1. 生物隐喻驱动的架构 (Bio-Inspired Architecture) 这是整个项目最鲜明的特征。Evolver.php 不是简单的"配置管理工具"，而是用生物进化论的隐喻来组织代码： 生物概念 │ 代码对应 │ 说明 ───────────────────────────────┼────────────────────────────────┼──────────────────────────────── Gene（基因） │ GeneSelector + │ 可复用策略模板，携带 │ GepAssetStore │ signals_match 、 strategy 、 │ │ max_files 等遗传信息 Capsule（胶囊） │ 成功结果快照 │ 记录一次成功演化的完整上下文， │ │ 类似生物体的"表型快照" Epigenetic │ SolidifyEngine::applyEpigeneti│ 不改基因序列（策略模板），但通 Mark（表观遗传标记） │ cMarks() │ 过环境特异性标记调控行为表达， │ │ 90天自然衰减 Mutation（突变） │ Mutation.php + │ LLM │ PromptBuilder │ 生成的代码变更，受爆炸半径约束 Decay（衰变） │ DecayEngine │ 记忆的 Weibull │ │ 拉伸指数衰减模型，分 │ │ core/working/peripheral 三层 Selection │ GeneSelector 的多因子评分 │ 模式匹配 + 学习历史 + Pressure（选择压力） │ │ 拉普拉斯平滑成功率 + 遗传漂变 │ │ + 模拟退火 Genetic Drift（遗传漂变） │ GeneSelector::selectGene() │ 概率性选择非最优基因，保持种群 │ │ 多样性 Natural Selection（自然选择） │ Personality │ 人格参数根据历史统计自动趋向最 │ │ 优状态 Skill │ SkillDistiller │ 从成功胶囊中提取高频模式，合成 Distillation（技能蒸馏） │ │ 新基因——类似"后天获得性状的遗 │ │ 传化" 评价：这套生物隐喻不是表面装饰，而是深入到了每个算法的实现细节。例如衰变引擎用的是真实的 Weibull 分布参数（而非简单的 TTL），表观遗传标记有完整的衰减和上限机制，基因选择器实现了模拟退火和拉普拉斯平滑。这种深度比大多 数"仿生"项目要真诚得多。 ### 2. GEP 协议：五对象严格输出约束 GEP (Gene Evolution Protocol) 是整个系统的核心协议。每次 evolver_run 生成一个提示词，要求 LLM 严格输出 5 个 JSON 对象： Mutation → PersonalityState → EvolutionEvent → Gene → Capsule 这是一种协议驱动的 LLM 交互模式——不是自由对话，而是严格的合同式输出。 SolidifyEngine 后续逐个验证、解析、存储这 5 个对象。 评价：这种设计在 LLM 系统中很少见。大多数系统用自然语言接口，而 Evolver.php 强制结构化协议输出，减少了歧义但增加了 LLM 端的合规风险（缺少任一对象即协议失败）。 ### 3. 信号驱动的演化触发 SignalExtractor 实现了一套极其丰富的信号检测体系（844 行），覆盖： • 防御信号： log_error 、 errsig:* 、 memory_missing 、 protocol_drift 、 recurring_error • 机会信号： user_feature_request 、 perf_bottleneck 、 capability_gap 、 stable_success_plateau • 环路信号： repair_loop_detected 、 evolution_stagnation_detected 、 evolution_saturation • 失败信号： consecutive_failure_streak_N 、 failure_loop_detected 、 ban_gene:* • 振荡抑制：同一信号在最近 8 次事件中出现 3+ 次会被抑制 评价：信号系统的完备性令人印象深刻。特别是振荡抑制和信号衰减机制，说明作者真实经历过"AI 自修复陷入死循环"的痛点，而不是纸上谈兵。 ### 4. 深度防御的安全模型 安全不是一个检查点，而是一套纵深防御体系： SourceProtector (不可修改的文件列表) → SafetyController (三模式: never/review/always) → ValidationPipeline (8 个优先级验证器) → BlastRadiusCalculator (硬限制 60 文件 / 20,000 行) → DestructiveChangeValidator (检测文件删除/清空) → EthicsValidator (检测恶意策略) → GeneIntegrityValidator (基因结构完整性) 其中 SolidifyEngine 在失败时执行两阶段回滚： 1. git restore --staged --worktree . 回退已追踪文件 2. 手动删除演化期间新创建的未追踪文件（跳过受保护路径） 评价：这是我在 PHP 项目中见过的最完善的安全模型之一。特别是两阶段回滚和金丝雀检查（ canary.php 语法验证），说明作者对自动化代码修改的风险有深刻理解。 ### 5. 后馈闭环 (Feedback Loop) FeedbackMetrics 实现了后馈指标体系（E1），包括： • 闭环覆盖率：run_id → solidify 的完成率 • 反事实分析（F2）：对比 learning/rule/random 选择器模式的成功率差异 • 回归率：按信号键分桶统计 • 爆炸半径分布：P50/P90 统计 同时 EvolverEngine 的 10 步演化循环形成完整的正反馈： 信号提取 → 基因选择 → 上下文注入 → 提示词构建 → LLM 执行 → 爆炸半径计算 → 验证管道 → 固化 → 表观遗传标记 → 反馈指标 -------- ## 四、架构亮点 ### A. Trait 组合替代继承 McpServer 通过 6 个 Trait 组合功能： final class McpServer { use McpMeetingTools; use McpMemoryTools; use McpSkillTools; use McpAdvancedMeetingTools; use McpWebSearchTools; } 这避免了 God Object，每个 Trait 自带工具定义 + 处理器 + 延迟加载依赖。是一种务实的 PHP 组合方案。 ### B. 延迟初始化 + 依赖注入 Trait 中的组件采用延迟初始化： private function getMemoryStore(): MemoryStore { return $this->memoryStore ??= new MemoryStore($this->db); } 不用的功能不创建实例，对 MCP stdio 服务器场景合理。 ### C. Schema 迁移链 Database 实现了从 v0.0.0 → v2.2.0 的 8 级顺序迁移，每级幂等（ addColumnIfNotExists ），且带自愈能力（ checkAndRepairDatabase 做 dump/restore）。 ### D. 多语言信号检测 SignalExtractor 对每个信号类别提供 EN/ZH-CN/ZH-TW/JA 四种语言的正则模式，这在开源项目中很少见。 ### E. 记忆三层衰减 DecayEngine 的 Weibull 模型将记忆分为： • Core (floor 0.9)：几乎不衰减 • Working (floor 0.7)：中等衰减 • Peripheral (floor 0.5)：快速衰减 比简单 TTL 更精细，能反映知识的真实价值曲线。 -------- ## 五、架构问题与改进空间 ### 1. McpServer 仍然是事实上的 God Class 虽然有 Trait 拆分， McpServer 仍然是所有调度的入口（ dispatch() 用了一个巨大的 match 语句路由 30+ 工具）。建议进一步拆为独立的 ToolHandler 注册表模式。 ### 2. VectorStore.php 是死代码 84 行的 VectorStore 已完全废弃（所有方法返回 false/null），但仍被 McpMemoryTools 注入。应清理或标记 <span class="mention-invalid">@deprecated</span> 。 ### 3. 双重 SkillDistiller 存在两个 SkillDistiller ： • src/SkillDistiller.php （顶层） • src/Skill/SkillDistiller.php （子命名空间） 功能上有重叠，容易造成混淆。 ### 4. SolidifyEngine 过重（1477 行） 作为单个类承载了太多职责：验证、爆炸半径、伦理检查、表观遗传、回滚、反事实分析。建议至少拆出 RollbackManager 和 EpigeneticEngine 。 ### 5. 测试与源码的耦合度 144 个测试文件中有大量集成测试（依赖真实 SQLite），单元测试边界不够清晰。 src/Contract/ 下定义了接口，但实际依赖注入的使用不够彻底（很多地方直接 new 具体类）。 ### 6. Fiber 并行的实用性存疑 ParallelGeneScorer 用 PHP Fiber 实现并行评分，但 PHP Fiber 是协作式并发（不是真正的并行），在 IO-bound 场景下的收益有限。除非评分涉及网络调用，否则串行可能更简单高效。 -------- ## 六、总体评价 ### 设计哲学定位 Evolver.php 不是一个传统意义上的"工具"或"框架"，而是一个自演化智能体的运行时。它的核心命题是： │ 让 AI 系统能够在受控条件下自主修改和改进代码，同时保持安全边界。 这个命题在当前的 AI 工程领域属于前沿探索，绝大多数团队还在做"AI 辅助编码"（Copilot 模式），而 Evolver.php 已经在做"AI 自主演化"（Auto-Evolution 模式）。 ### 架构成熟度：7.5/10 • 优点：生物隐喻深度、安全纵深、信号体系、后馈闭环、GEP 协议设计 • 不足：部分类过重、死代码残留、依赖注入不彻底、God Object 倾向 ### 与同类项目对比 相比 OpenAI 的 Codex、Devin 等"AI 软件工程师"，Evolver.php 的独特之处在于： 1. 本地优先：SQLite + stdio，不依赖云服务 2. 协议约束：GEP 五对象强制输出，而非自由对话 3. 表观遗传：环境特异性学习，不是简单的成功/失败计数 4. 振荡抑制：对 AI 自修复死循环有专门的防护机制 5. 可审计性：完整的 Meeting 审计日志和 EvolutionEvent 链 这是一个有独立思考的项目，在 AI Agent 安全性和可控自演化方面做了大量原创性工作。