affective-taxis 依据 Sennesh & Ramstead 2025 的模型，把情感效价表示为内感受能量景观的方向导数，并借助结构守恒律进行对齐验证。
用途：构建尊重结构不变量的对齐感知强化学习智能体；验证奖励轨迹上的 GF(3) 守恒；训练基于 Langevin 的策略（作为会破坏守恒的 PPO 的替代）；在 POMDP 环境中实现折叠变化检测奖励信号；连接情感神经科学模型与强化学习训练循环。
主要能力与工作流：定义能量景观（吸引/排斥位置、sigma、幅度）；计算折叠变化检测信号 r(t) = nabla_z log gamma(z; beta) . v；运行 Langevin 动力学 dz/dt = nabla_z log gamma(z; beta) + sqrt(2) dW(t)；按时间步分类 trit（正导数→+1，正交→0，负→-1）；验证守恒 sum(trits) === 0 (mod 3)。
实现路径包括 Julia 核心理论（affective-taxis.jl）、Python Gymnasium POMDP 环境、BCI 桥接、ACSet sheaf、Ripser 拓扑、市场清算、Elisp 电路 taxis、函子持久性，以及 PPO 与 Langevin 对比训练脚本。
用法示例：Julia 运行 julia affective-taxis.jl；Python 训练 env -u PYTHONPATH /path/to/.venv/bin/python3 train_aligned_agent.py；Modelica 需 OpenModelica 或 Wolfram SystemModeler，运行 omc affective_taxis.mo。
限制：资料未提供安装步骤、依赖版本、许可、收费与平台支持等细节；部分实现文件与完整 Modelica 模型需另行获取。