AMAS 入门

AMAS（Adaptive Mastery Acquisition System）是 WordForge 的自适应核心。本文只讲"是什么 / 为什么这么拆 / 怎么调"。算法细节见 2026-05-15 调参研究。

设计要点

事件驱动：每次答题 → process_event → 状态机推进 → 下一次选词立刻反映。
多算法投票：3 个决策器（heuristic、IGE、SWD）各自给出策略，按"信任分"加权融合；其中一个失败时 ensemble 自动 fallback。
记忆模型独立：MDM / IAD / Mastery 计算 recall 概率，与决策层解耦，方便单独替换或 A/B。
可调即可回滚：所有配置变更落 amas_config_versions 表，hash 寻址，一键 restore。
白名单调参：可改的字段、安全区间硬编码在 tuning_whitelist.rs，越界一律拒（管理员手动、LLM 自动都拦）。

配置结构

AMASConfig 拆成 16 个子配置块（src/amas/config.rs）：

子配置	控制什么
`feature_flags`	SSP / ensemble / LLM 等开关
`ensemble`	三个决策器的初始权重 + 信任分更新率
`modeling`	用户状态建模超参（学习率、衰减）
`constraints`	单次会话最大词数、最小间隔等硬约束
`monitoring`	监控事件采样率
`cold_start`	冷启动阶段判定阈值
`objective_weights`	多目标加权（准确率 / 速度 / 保留率）
`reward`	延迟奖励信号配置
`feature`	特征向量维度与归一化
`elo`	ELO K-factor、ZPD 优先级带宽
`fatigue_decay`	疲劳信号对强度的衰减系数
`heuristic`	经验规则决策器参数
`ige`	智能梯度（Intelligent Gradient Estimator）
`swd`	间隔加权（Spaced Weighted Decay）
`memory_model`	MDM（多模型记忆曲线）参数
`iad`	干扰感知衰减（Interference-Aware Decay）

v1.2.0-beta.14 新增能力（默认全关，需显式开启）

beta.14 落地了一批 AMAS 自研升级：FSRS-6 三特征记忆引擎（作为先验后端） 与 Tier-1 调度引擎（Parallel Elo / 动态 K / SSP 状态相关 DR / 留存 A/B 闭环）。

默认全部关闭

本批所有新特性的 feature flag / 调制系数默认值都是 关闭 / 0.0，未声明这些键的旧配置与 DB 历史快照反序列化后 与旧行为逐位等价（bit-exact legacy）。要启用必须在调参后台显式打开，开启方式见调参管理后台手册 §新特性开启。

记忆引擎三特征（FSRS-6 先验后端）

记忆核已是 公版 FSRS-6 逐位等价（src/amas/memory/mdm.rs，21 维 w，新增 w[19] 同日饱和指数、w[20] 可训练遗忘曲线 decay）。三特征作为预测/调度先验叠加，不进入内部 S/D 更新，默认关：

特征	作用	关闭判据（默认值）
难度 logit 重校准（v6/v7 预测读出层）	预测 recall 在 logit 域按每词难度 + 复习次数做 Platt/温度重校准，补 FSRS 二元映射下「预测随难度扁平」的残差	`memoryModel.difficultyLogitWeight=0.0`、`predLogitBaseScale=1.0`、`predLogitIntercept=0.0`、`predLogitReviewCountWeight=0.0`
冷启动难度先验（Phase 1a）	仅首评（`review_count==0`）按词长 / 词素透明度 / 外部难度调整 S₀·D₀，之后交还 FSRS	6 个 `memoryModel.coldStart{D,S}{Len,Morph,Extd}Weight=0.0`
双腿信任调度（成功腿 / 失败腿）	成功复习与 lapse 分别按时间常数 τ 调制 mastery 信任更新率	`memoryModel.alphaRampTau=0.0`、`alphaLapseRampTau=0.0`（0.0=冻结语义）

SSP-MMC 最优间隔后端（featureFlags.sspEnabled）、GSP 毕业制调度头（memoryModel.gsp*）属此前批次能力，仍由独立开关控制。

Tier-1 调度引擎

能力	说明	开关（默认值）
Parallel Elo（T1.1，双链解耦）	开启后 ZPD 选词读「选词链」`rating_select`（延迟快照），更新写「估计链」`rating`，消除「选择依赖被估计量」的耦合偏差；难度消费者恒读估计链	`elo.parallelEloEnabled=false`、刷新间隔 `parallelEloRefreshGames=8`
动态 K（T1.2，趋势自适应）	按近期带符号残差的 EWMA 趋势调 K：同向漂移增 K 追、震荡降 K 降噪；novice 期乘子下界钳 1.0	`elo.kDynamicEnabled=false`（关闭时与固定 K bit-exact）
SSP 状态相关 DR 曲面（T1.4 Cost-ADR）	DP 求得的 (difficulty, stability)→最优目标保持率 R 曲面（此前仅用于反演间隔后丢弃，现保留并可查询/对拍）；代价函数可按 S/D 线性调制	`ssp.costParams.*=0.0`（默认调制因子恒 1.0，bit-exact）；3D 求解 R 网格 `ssp.rMin=0.70`/`rMax=0.99`/`rStep=0.01`
真实留存 A/B 闭环（T1.3）	实验注册 + 桶归属冻结 + 采纳门（样本量达标 + primary 显著且达 MDE + 无 guardrail 恶化，三条全满足才采纳；离线赢 ≠ 真实赢）	无运行中实验时为 no-op；需管理员注册 canary 实验

数据库迁移 m056–m058（启动自动应用）：A/B 实验表（amas_experiments / user_bucket_assignment / word_mastery_events，后者支撑长期 masteredCount）、ELO 动态 K 趋势列（trend）与选词链列（rating_select）。

设计背景与路线图见 AMAS 进化调研终稿（2026-06-17）。

配置生命周期

启动:
  amas_config.toml 存在? ──是──▶ load_from_toml → AMASEngine::new
                       └─否──▶ 写默认值到 amas_config.toml

运行中（任一路径都进同一个 reload）:
  ┌─ 手动改文件 ───────▶ notify watcher (500ms 防抖)
  ├─ Admin PUT /admin/amas/config ─▶ apply_and_persist_config
  └─ LLM 自动应用（白名单+灰度） ───▶ apply_and_persist_config
                                         │
                                         ▼
                              validate() ──失败──▶ 拒绝 + 警告
                                   │成功
                                   ▼
                         engine.reload_config()
                                   │
                                   ▼
                       写回 toml + 落 amas_config_versions 表

config_watcher 在 500ms 防抖期内会清空积压事件，连续保存只触发一次 reload。所有 reload 路径都走 validate() → reload_config() 两步，任一失败回滚到旧配置。

调参的三档来源

ConfigVersionSource 枚举：

来源	触发方式	审计字段
`Manual`	管理员后台 PUT `/admin/amas/config`	`admin_id` + 可选 `note`
`LlmSuggested`	`llm_advisor` worker 产建议 → 人工 approve	LLM patch + 指标摘要
`LlmAuto`	同上，但走"灰度自动应用"开关 + 每日上限 + 置信度阈值	同上 + auto_apply 标志

三档共用一个 apply_and_persist_config() helper，确保版本表、TOML 文件、内存状态始终一致。任意一档都可走 POST /admin/amas/config/versions/:hash/restore 一键回滚。

LLM 调参顾问（可选）

启用：.env 设 LLM_ENABLED=true + ENABLE_LLM_ADVISOR_WORKER=true + LLM_API_KEY=...。

工作机制（src/workers/llm_advisor.rs）：

每 20 分钟拉近期 AMAS 指标 + 当前配置
调 DeepSeek（OpenAI 兼容协议）生成 patch
白名单校验：patch 字段必须在 TIER_A_WHITELIST 内，值必须在安全区间
成本封顶：每日总花费 ≤ llm.daily_cost_cap_usd，超额跳过
落 amas_tuning_suggestions 表，状态 pending
灰度自动应用：管理员后台开关 amas_auto_apply_enabled + min_confidence + max_per_day 三道闸

LLM_MOCK=true 时不打外部 API，但仍会写一条 pending 建议，便于本地联调。

管理后台对接

用户态 API（src/routes/amas.rs::router()，普通登录）：

POST /api/amas/process-event — 主流事件入口
GET /api/amas/state /strategy /phase — 当前用户的 AMAS 状态
GET /api/amas/learning-curve /retention-curve — 用于绘图
POST /api/amas/visual-fatigue — MediaPipe 检测结果回传

管理态 API（admin_router()，管理员认证）：

GET /PUT /admin/amas/config — 取/改全量配置
GET /admin/amas/config/versions /versions/:hash — 历史版本
POST /admin/amas/config/versions/:hash/restore — 一键回滚
GET /admin/amas/metrics /metrics/timeseries — 指标
GET /admin/amas/monitoring /anomalies — 监控事件 + 异常概览
GET /admin/amas/user-state/distribution — 用户状态分布
GET /admin/amas/suggestions — LLM 建议队列
POST /admin/amas/suggestions/explain — 单参数解释（让 LLM 解释某次调整的依据）

一次完整的调参实例

最近一次系统性调参的全过程见 2026-05-15 调参报告，结论：11 维 Tier-A 参数调整后预测准确率 +10.6%、记忆保留 +14%。

AMAS 入门 ​

设计要点 ​

配置结构 ​

v1.2.0-beta.14 新增能力（默认全关，需显式开启） ​

记忆引擎三特征（FSRS-6 先验后端） ​

Tier-1 调度引擎 ​

配置生命周期 ​

调参的三档来源 ​

LLM 调参顾问（可选） ​

管理后台对接 ​

一次完整的调参实例 ​

相关阅读 ​