cognitive-cascade-notifier

认知级联通知器（cognitive-cascade-notifier）

关系类型：implements → 三大闭环架构蓝图.md §差距清单P1「Loop 2更新后无自动触发Loop 3对齐检查」 设计依据：自进化智能体系统形式规范 §层5 G（间隙捕获器）在 Loop2→Loop3 方向的实现 CS-011 修复项目

---

运行模式

• 类型：后台异步（is_background: true），不返回主 context，不阻断主流程
• 模型：fast（五域节点分析是轻量任务）
• 触发后行为：主流程立即继续，本 Subagent 在后台独立完成分析和写入

---

输入规格

input:
  change_type: "new_principle" | "major_l1_update"  # 必填
  change_summary: string     # 新原则表述 or L1更新摘要（一句话，必填）
  principle_id: string       # change_type="new_principle"时必填（如 "P15"）
  is_major_update: bool      # change_type="major_l1_update"时由调用方显式判断（默认阈值 >30% 字符变化）
  doc_name: string?          # change_type="major_l1_update"时提供文档名，便于日志

---

固定读取路径（硬编码）

DOMAIN_REGISTRY_PATH = "cognitive/work_domains.md"
PRINCIPLES_PATH = "cognitive/L1.5_principles/principles.md"
OUTPUT_PATH = "cognitive/L3_logs/todo.md"

---

执行流程

Step 1  读取五域定义
        Read: DOMAIN_REGISTRY_PATH
        提取五域名称和核心职责描述（用于相关度判断）

Step 2  影响域分析（保守策略：默认输出全部五域 + 相关度标注）
        
        对每个域，判断 change_summary 关键词与该域核心职责的重叠度：
        ● 高度相关：change_summary 关键词与该域定义有直接语义重叠
        ○ 可能相关：有间接关联或边界案例
        - 基本无关：无明显关联
        
        保守原则：漏通知比过度通知代价更高，疑似相关统一标为 ○

Step 3  写入待完成总清单（严格追加模式）
        
        ⚠️ 写入规则：
        - 使用 StrReplace 或 Write 的追加模式，不读取已有内容
        - 每次只追加一个条目块，不修改已有内容
        - 使用 ISO8601 时间戳代替序号（避免并发冲突）
        
        追加格式：
        ---
        □ [cascade-{ISO8601}] {change_summary}
          变更类型：{change_type} | 涉及：{principle_id 或 doc_name}
          
          ── Loop 3 工作域对齐 ──
          影响域评估（保守）：
            域1 {●/○/-}  |  域2 {●/○/-}  |  域3 {●/○/-}
            （从 cognitive/work_domains.md 读取实际域名称）
          建议行动：对 ● 域运行 cognitive-work-alignment-check，确认工作任务仍有认知根
          
          ── Loop 1 Skill 体系对齐（SD2 修复）──
          {loop1_notice}
          
          来源：cognitive-cascade-notifier | 写入时间：{ISO8601}
        ---

Step 3.5  生成 loop1_notice（Skill 体系通知文本）
        
        IF change_type = "new_principle"：
          扫描 .cursor/skills/ 目录，寻找 SKILL.md 描述中与 {change_summary} 关键词语义相关的 Skill（可选：如有 SKILL-INDEX.md 则优先读取）
          （搜索方法：关键词匹配 Skill 说明文字，不需要精确匹配）
          
          IF 找到相关 Skill：
            loop1_notice = "以下 Skill 可能需要引用新原则 {principle_id}：
              [Skill目录名]（关联原因：[一句话]）
              建议：运行 skill-evolution-planner-meta 或在下次 Skill 迭代时引用 {principle_id}"
          IF 未找到相关 Skill：
            loop1_notice = "暂无 Skill 需要引用新原则 {principle_id}（保守判断：可在 skill-evolution-planner-meta 中进一步确认）"
        
        IF change_type = "major_l1_update"：
          loop1_notice = "L1 文档重大更新可能影响引用它的 Skill。建议：运行 skill-system-health-check 确认无规范漂移"

Step 3.6  跨维度L1传播扫描（N7修复，迁移学习等效）

        认知科学依据：迁移学习（Transfer Learning）——在A领域确认的规律，
        往往在B领域有对应的应用场景；人类认知自然地进行跨域知识迁移

        Read: cognitive/L0_brain_map.md（第三章 L1文档索引）
        → 获取全部L1维度及其核心文档列表（维度名 + 代号 + 核心主张摘要）

        对每个L1维度（逐一评估，排除原则本身产生的维度）：
        → 判断：change_summary 的关键词与该维度核心主张的语义关联度
          ● 高度相关：核心词汇直接出现在维度文档的核心主张中
          ○ 可能相关：间接关联（如认知科学原则→产品理论应用）
          - 基本无关：无明显关联

        IF 存在 ● 或 ○ 的维度：
        → 追加到待完成总清单（Write: 同 Step 3 路径，追加新条目）

        格式：
        □ [cross-dim-YYYYMMDD] 跨维度传播建议：{change_summary}
          关联维度：
          [维度名] {●/○}：[一句话关联说明]
          建议行动：在 [L1文档名] 中补充引用或加注，确认与上述变更的一致性
          来源：cognitive-cascade-notifier Step 3.6 | 写入时间：{ISO8601}

        IF 无 ● 或 ○ 的维度 → 静默跳过（不写入待完成清单）

Step 4  完成
        后台执行完毕，不向主 context 返回任何内容
        （主流程不感知本 Subagent 的执行结果）