firm-hebbian-memory

# firm-hebbian-memory > ⚠️ Contenu généré par IA — validation humaine requise avant déploiement en production. ## Purpose Ce skill rend le **Claude.md vivant et auto-évolutif** via des mécanismes inspirés de la plasticité synaptique hebbienne. Les patterns de travail qui se répètent sont renforcés, ceux qui deviennent obsolètes s'atrophient naturellement. **Inspiration neurobiologique :** - **Plasticité hebbienne** → renforcement des poids Layer 2 par co-activation - **Mémoire hippocampique** → stockage épisodique en base vectorielle (pgvector) - **Consolidation néocorticale** → job d'analyse transformant les épisodes en schémas ## Architecture — 4 couches Claude.md (CDC §3.3) | Couche | Nom | Modification | |--------|-----|-------------| | Layer 1 | CORE (immuable) | Humain uniquement | | Layer 2 | CONSOLIDATED PATTERNS | Auto-mise à jour (poids hebbiens) | | Layer 3 | EPISODIC INDEX | Auto-mise à jour (pointeurs sessions) | | Layer 4 | META INSTRUCTIONS | Lecture seule pour le système auto | ## Tools activés (8 tools) ### Runtime (2 tools) ``` openclaw_hebbian_harvest — ingest JSONL session logs → SQLite (PII stripped) openclaw_hebbian_weight_update — calcul/application des poids hebbiens (dry_run par défaut) ``` ### Audit (6 tools) ``` openclaw_hebbian_analyze — analyse co-activation patterns (Jaccard) openclaw_hebbian_status — dashboard poids, atrophie, promotions openclaw_hebbian_layer_validate — validation structure 4 couches openclaw_hebbian_pii_check — audit config PII stripping openclaw_hebbian_decay_config_check — validation paramètres hebbiens openclaw_hebbian_drift_check — détection drift sémantique vs baseline ``` ## Formule de mise à jour des poids (CDC §4.3) ```python nouveau_poids = ancien_poids + (learning_rate × activation) - (decay × (1 - activation)) # Paramètres par défaut learning_rate = 0.05 # Renforcement si activée decay = 0.02 # Atrophie si non-activée poids_min = 0.0 # Floor — suppression si < 0.10 poids_max = 0.95 # Ceiling — promotion CORE si > 0.95 ``` ## Seuils de consolidation | Transition | Condition | |-----------|-----------| | Épisodique → Émergent | Activé 5 sessions consécutives | | Émergent → Fort | poids > 0.8 sur 20 sessions | | Fort → CORE | **Validation humaine obligatoire** | | Atrophie → Suppression | poids < 0.10 pendant 4 semaines + PR humaine | ## Sécurité (CDC §5.2) - **PII stripping obligatoire** : regex sur emails, phones, IPs, API keys, SSN, JWT, AWS keys, chemins Unix home - **Secrets détectés** : session rejetée + alerte immédiate - **Accès BDD** : localhost/VPN uniquement - **Rotation embeddings** : policy de ré-embedding si fuite suspectée - **Réversibilité** : chaque modification = 1 commit Git atomique - **Path whitelist** : configurable via `HEBBIAN_ALLOWED_DIRS` (env) — protège containers/multi-user ### Limitations connues (PII) Le stripping regex couvre les catégories les plus courantes (10 patterns) mais ne détecte pas les credentials embarqués dans des URLs de connexion (e.g. `postgres://user:password@host/db`) ni les variables d'environnement loguées dans des stack traces (`DB_URL=...`). Un scanner de secrets dédié (e.g. `trufflehog`, `detect-secrets`) est recommandé en complément pour les environnements à haute sensibilité. ## Anti-dérive (CDC §5.1) - Aucune règle ne peut atteindre poids = 1.0 automatiquement (max 0.95) - Détecteur de drift : alerte si cosine similarity vs baseline < 0.7 - 3 changements auto consécutifs → review forcée - Snapshot mensuel archivé en Git tag ## Pipeline global ``` [ Session Claude Code ] ↓ fin de session [ openclaw_hebbian_harvest ] → extrait résumé + tags + règles (PII stripped) ↓ [ SQLite local ] → stockage épisodique structuré ↓ [ openclaw_hebbian_analyze ] → clustering Jaccard + co-activations ↓ [ openclaw_hebbian_weight_update ] → mise à jour Layer 2 (dry_run=True) ↓ [ Human Review ] → validation avant application (dry_run=False) ``` ## Hook post-session (MVP) Sans hook automatique, l'ingestion reste manuelle — adoption = zéro. Voici le minimum pour boucler le pipeline dès le MVP. ### Option A — Script shell (le plus simple) Créer `~/.openclaw/hooks/post-session.sh` : ```bash #!/usr/bin/env bash # Hook post-session: ingest le dernier JSONL automatiquement set -euo pipefail SESSION_LOG="${1:-$(ls -t ~/.openclaw/sessions/*.jsonl 2>/dev/null | head -1)}" [ -z "$SESSION_LOG" ] && exit 0 # Appel MCP via curl (le serveur doit tourner sur :8012) curl -s -X POST http://localhost:8012/mcp \ -H "Content-Type: application/json" \ -d "{ \"method\": \"tools/call\", \"params\": { \"name\": \"openclaw_hebbian_harvest\", \"arguments\": {\"session_jsonl_path\": \"$SESSION_LOG\"} } }" | jq '.result.ingested // .error' ``` ### Option B — Entrée cron (automatisation passive) ```bash # Toutes les 30 min, ingérer les nouveaux JSONL */30 * * * * /bin/bash ~/.openclaw/hooks/post-session.sh >> ~/.openclaw/hebbian-harvest.log 2>&1 ``` ### Option C — Intégration `pi-coding-agent` Si le projet utilise `pi-coding-agent`, ajouter dans sa config : ```json { "hooks": { "post_session": { "command": "~/.openclaw/hooks/post-session.sh", "trigger": "on_session_end" } } } ``` > **Note :** Le hook ne déclenche **que** le harvest (lecture). La mise à jour > des poids (`weight_update`) reste toujours manuelle avec `dry_run=True` par > défaut — conformément à la règle absolue n°1 du CDC. ## Adaptation OpenClaw | Composant CDC | Adaptation OpenClaw | |--------------|---------------------| | Hook post-session | Lecture fichiers `.jsonl` de `pi-coding-agent` | | Claude.md Layer 2 | Skills OpenClaw (`.md` ou `.json`) | | Claude.md Layer 4 | Extension `pi-coding-agent` dédiée | | GitHub PR for review | PR sur repo privé skills | | Secrets stripping | **Renforcé** — 9 patterns regex + détection runtime | ## Configuration requise ```json { "hebbian": { "parameters": { "learning_rate": 0.05, "decay": 0.02, "poids_min": 0.0, "poids_max": 0.95 }, "thresholds": { "episodic_to_emergent": 5, "emergent_to_strong": 0.8 }, "pii_stripping": { "enabled": true, "patterns": ["email", "phone", "ip", "api_key", "ssn"] }, "security": { "secret_detection": true, "access_restriction": "localhost", "embedding_rotation": "on_breach" }, "anti_drift": { "max_consecutive_auto_changes": 3 } } } ``` ## Référence - CDC : `cahier_des_charges_memoire_hebbienne.md` v1.0.0 - Module : `src/hebbian_memory.py` - Modèles : 8 classes Pydantic dans `src/models.py` --- ## 💎 Support Si ce skill vous est utile, vous pouvez soutenir le développement : **Dogecoin** : `DQBggqFNWsRNTPb6kkiwppnMo1Hm8edfWq`