认知内核和训练
认知内核（代码里叫 NHCX）把每条消息、每个念头变成一个认知事件，跑专家、护栏、打分，给出一个可审计的决定。它有四个接管档位；手写的规则策略之外，还能离线训练一个学出来的策略，过了生产关卡才会被加载。
一个决定是怎么出来的
- 事件：消息、念头、工具结果都变成
CognitiveEvent（谁、在哪、内容、风险等级、对话链的深度和额度……）。 - 专家：
cognition/experts/里十六位各提做法（ExpertProposal：做法、想做的程度、把握、代价、风险、理由码）（2.7）。 - 护栏：
GuardEvaluator逐个检查，拦下的连同规则码记进账本。 - 挑：
arbitration.utility_score打分，取最高；router.MetacognitiveRouter决定走快路还是先让模型规划。 - 执行前最后一关：
FinalExecutionGuard再核一遍：被选中的就是要执行的那个、护栏都过了、这一档有权管行为。
每一步的理由码都进决策记录（后台「决策记录」「认知观测台」）。
接管档位
[nhcx].authority_mode：
SHADOW：内核照常算、照常记，但不管行为；行为由旧的本地打分决定。CANARY：只在canary_guild_ids/canary_channel_ids/canary_user_ids列出的范围里、低风险、几种允许的做法上接管，其余照旧。HYBRID（默认）：内核说了算；出故障、超时（decision_timeout_seconds，默认 1.5 秒）退回本地打分（fallback_to_legacy）。AUTHORITATIVE：只听内核。
学出来的策略（R1-N）
手写的规则策略编号是 r1-h-v1（policy/heuristic.py）。旁边留了一个学出来的策略的位置（policy/neural.py）：
- 训练数据从影子记录里导出（
training.export_shadow_training_records），离线训练：
aeria-nhcx-train --records-jsonl <记录.jsonl> --dataset-version <数据版本> --model-version <模型版本> \
--checkpoint <输出.pt> --registry <登记表.json> --report <报告.json>
- 训练完写进模型登记表（
model_registry.py）；运行时启动时经过ProductionModelGate检查，过了才加载，没过就记一行原因、照用规则策略。 - 登记表和检查点的位置：环境变量
NHCX_MODEL_REGISTRY、NHCX_R1N_CHECKPOINT，不写就在人格库旁边找。
看它、调它
- 后台「认知观测台」「事件流」「人格状态」「社交上下文」：实时看事件和状态。
- 「回放实验室」：拿一条历史事件，换种子、换实验组重新跑一遍，不发、不写记忆。
- 「事后复盘」：回头看过去的决定。
对应的代码
src/aeria/cognition/：kernel.py、events.py、experts/、guards.py、arbitration.py、router.py、authority.py（AuthorityController、FinalExecutionGuard）、policy/、training.py、training_pipeline.py、model_registry.py、goldset.py。- 训练命令：
src/aeria/nhcx_train.py（aeria-nhcx-train）；运行时加载：bot.py里ProductionModelGate.load。 - 测试：
tests/test_nhcx_v2_authority.py、tests/test_nhcx_v2_modes.py、tests/test_nhcx_v2_experts_workspace.py、tests/test_nhcx_v2_final_engine.py。
没做到的
- 学出来的策略还没有一个过了生产关卡的版本：标注数据不够，现在用的都是规则策略。
- 语义复核（本地拿不准时问一次模型）写好了，默认关着，值不值得开还没量。
- 专家里认「像问题」「要查东西」的几处还靠中文词表。