人工智能本科生 · 2027 届
关注 AI Agent、具身智能与强化学习，也在探索如何让复杂系统的结论更可靠。
我喜欢把不确定的问题变成可以运行、检验和复盘的实验。比起堆积功能，我更关心：解决了什么问题？证据能支持怎样的结论？还有什么尚未证明？
生命会自己寻求出路。
人负责定义值得解决的问题、资源与边界；AI 可以探索不同道路；真实证据决定哪些改变值得保留。
了解这一理念与它背后的失败经历 → Life Finds a Way
具身智能与自主执行
当机器人遇到计划外的状态时，怎样让任务执行、失败处理和验证形成闭环？
AI Agent 与长期任务
智能体如何在跨会话、跨工具的工作中保留必要的上下文、判断依据与连续性？
证据驱动的工程实践
怎样区分“系统跑通了”和“能力真的进步了”？什么情况下应继续尝试，什么情况下应该停下来？
这里是我正在积累的研究与工程实践。每个项目的具体实现、实验记录和限制，以对应仓库为准。
G1 · 自适应任务执行研究
围绕任务组织、执行反馈与失败处理开展 MuJoCo 仿真实验。仿真结果不等于现实环境中的机器人可靠性。
Go2W · MoRA 分层导航
探索机器人分层导航、强化学习和模仿学习，并通过实验与消融分析方案的适用范围。
RL-Sentinel · 训练风险回放
按时间顺序回放训练状态与风险判断，使失败、指标和当时的决策能够被重新检查。
CarryTrace · 长任务上下文延续
研究如何在多阶段工作中保存关键上下文，并把恢复后的判断与原始来源关联起来。
FlowCredit Research · 可审查的研究记忆
围绕研究主张、证据出处与版本化判断构建可追溯的研究基础设施。
FlowCredit · 风险信号实验
尝试把可核验的公开证据与确定性计算组织为可检查的风险信号。它不代表已经校准的信用评级或信贷决策能力。
Deep Native · 编程智能体工作方式实验
检验技能、工作流程和额外验证是否真正改善任务表现。早期小规模对照尚未证明质量提升，失败结果同样保留。
Life Finds a Way · 研发理念与 Skill
记录我从反复指定实现步骤，到尝试让 AI 自主探索、由证据选择方案的思想转变。这仍是一套需要继续验证的工作假设。
过去我会提前规定技术栈、架构和每一步执行方式。后来逐渐发现，AI 可以沿着既定路线写出很多代码，却不一定更接近真正的问题。
我现在更愿意遵循三个原则：
- 目标先于路线。 先说明为什么要做、做到什么程度，而不是先指定答案。
- 探索必须守界。 自主选择方法，不等于自行获得新的权限、预算或发布授权。
- 失败也是证据。 保留无法复现、没有通过和证据不足的结果，不把工程活动当作能力增长。
“生命会自己寻求出路”不是放任 AI 一直运行，而是允许它改变道路，也允许它及时停止。
我也会做创意编程、AI 视觉和一些小工具。它们不一定会成为正式项目，但可以让我保持动手和试错的习惯。
Eason · Anhao1314 · 学习、构建、验证、修正。