Learning Loop（learning-loop）是一个认知连续性协议，其核心目标是确保知识能够跨越相互隔离的智能体会话而存活下来。它属于行业标准中的 Loop Agent / Single Agent 模式，强调自导向研究与认知延续。
依赖与约束 该技能要求 Python 3.8+，且仅使用标准库。它包含若干强制约束：反模拟规则（Anti-simulation rule）要求绝不描述“将会做什么”，也不得在未实际执行的情况下将步骤标记为完成；强制收尾（Mandatory closure）要求会话完成时必须执行完整的收尾序列；前置上下文（Prerequisite context）要求在唤醒（Wakeup）时始终先建立有效的会话上下文，然后再修改代码。
快速开始 可通过以下命令初始化学习循环会话并加载定向上下文： python3 -c "import sys; print('Learning loop initialized across Orientation -> Synthesis -> Gate')"
工作流 整体流程为：Orientation -> Synthesis -> Strategic Gate -> Red Team Audit -> [Execution] -> Completion。
- 阶段一（Orientation，定向）：阅读本地入门材料，加载会话状态，验证就绪情况。
- 阶段二（Synthesis，综合）：开展研究，并将模块化的发现记录到 memory/wiki 中。
- 阶段三（Strategic Gate，战略门）：向人类呈现研究发现，并要求获得明确批准后才能继续。
- 阶段四（Red Team Audit，红队审计）：在执行之前，将研究包提交对抗性审查。
- 阶段五（Execution & Completion，执行与完成）：可选择单循环（Single Loop，独立实现）或双循环（Dual Loop，委派）；并记录回顾（retrospective）。
验证 可通过以下命令验证会话完成情况并检查回顾条目： test -f references/phases.md && echo "Phase contracts valid" git status --short
参考资料
- phases.md：详尽的阶段分解与退出标准。
- self-correction.md：回溯与纠正协议。
- acceptance-criteria.md：验证门标准。
- fallback-tree.md：研究停滞时的升级路径。
适用场景与限制 该技能适用于需要跨会话保持认知连续性、进行自导向研究并经过人类审批与对抗性审查的智能体工作流。其限制包括：必须遵守反模拟规则、强制收尾和前置上下文约束；依赖 Python 3.8+ 标准库环境；关于收费、价格、平台支持范围等信息暂未提供。