本文是方向宣言，不是当前设计承诺。当前架构见 architecture.md； 已定案的部分见 ADR-0004。
本地模型终将追平今天的云端旗舰。 这不是愿望，是趋势线：Qwen3-35B-A3B 已被社区 公认接近 8-12 个月前的边缘云模型，且差距每一代都在缩小。
推论：当能力追平时，唯一的差异化是——谁的权重认识你。 云端模型全球共享一套权重，它对你的了解永远只能是"笔记"（记忆文件、RAG）。 本地，权重就在你的硬盘上。
市面上每个 agent 都诞生于云端计费模式，DNA 里刻着"token 很贵，省着用"。 本地的真实成本结构是反的：
- token 免费——闲置 GPU 多生成一百万 token，电费以毛计
- 延迟才贵——prefill 30 秒是本地体验的头号杀手
Kestrel 是第一个为"token 白菜价、延迟是黄金"设计的 agent。两个直接产物：
投机解码在 token 层赌下一个词；我们在 agent 层赌用户的下一步。 用户还在读回复、还在打字时，空闲 slot 已在预计算最可能的几个未来 （"继续"、批准后的下一轮、"跑测试然后修"）。命中即秒回；赌错即丢弃—— token 免费，浪费是美德。把本地最大的耻辱（慢）打成卖点（比云端跟手）。
闲时 GPU 算力是 agent 的工资。用户不在时：蒸馏当日会话进长期记忆、 重建项目索引、给新模型跑能力探针、起草 TODO 修复草稿（只写草稿分支）。 早晨交一份夜班报告。
安全边界（OpenClaw 反面教材的三个否定）：默认只读、权限门全程管辖、 不监听任何网络端口。
用户随时可以对副手吐槽主脑（"它刚才又把我的注释删了"）。没有人愿意填评分表， 但人人都愿意抱怨——在恼火的瞬间捕获反馈，就是最高质量的标注。
角色纪律（防三个坑）：
- 副手是书记员，不是裁判。8B 给 35B 的开放式行为打分等于让实习生考核架构师， 评分是噪声。副手的职责：最多追问一句澄清、把吐槽挂靠到事件日志的具体轮次 （证据）、立一张结构化工单 {维度, 证据轮次, 期望行为, 严重度}。 评判权只属于两个可靠来源：用户显式反馈 + 客观信号（编辑成功率、测试通过、 批准/拒绝率——事件日志里本来就有）。
- 指标是病历，不是奖励函数（Goodhart 防线）。吐槽衍生的评分卡只用于诊断与 考试，永远不作为训练目标——否则主脑学会的不是变好，而是讨好评分器。 训练目标只用不可刷分的硬信号：偏好对、成功/失败编辑对、批准/拒绝。
- 来源防护（防投毒）：只有用户亲手输入的文字能立单；文件/网页内容中的文字 无权触发训练管道（否则恶意 README 一句话就能污染权重）。
| 分类 | 例子 | 去向 |
|---|---|---|
| 可训练行为 | 风格、习惯、过度解释、工具选择 | 训练语料 |
| 配置/harness 问题 | 上下文太小、缺工具、"太慢" | 生成配置修改建议，不训练 |
| 能力边界 | 不懂某新框架（基座知识） | 记忆/愿望清单，不训练 |
全指望练权重又重又慢（LoRA 要攒数周数据，用户等不到正反馈就流失了）。 夜里的自我革命逐级爬梯，取最便宜的有效干预：
- 记忆便签（当晚生效，零成本）
- 模型 profile / 提示词补丁（当晚生效；补丁保持静态，不破坏前缀稳定性）
- LoRA 训练（同类吐槽反复出现、且便宜手段被回归证明无效时才动用）： QLoRA 微调 8B 在 24G 显存内可行；llama.cpp 运行时挂载，练完即插即用； 先训副手（风险最小），主脑后训
每张工单自动生成一条回放回归用例。当晚的任何干预（便签/补丁/LoRA）， 早晨都必须在"当时惹恼用户的那个场景"上重考，同时全局能力探针不许退步； 不及格即回滚（LoRA 是文件，秒级回滚，基座权重永不修改）。
晨报形态：
昨晚处理 3 张工单：2 张用记忆便签修复，今日生效；1 张进入训练队列 （同类吐槽第 4 次，样本还差 11 条）。你上周吐槽的"总是过度解释"—— 专项回归 12/12 通过，新权重已上岗。
"记住你的习惯"有两种实现，天花板完全不同：
| 持久记忆（笔记系统） | 自我革命（本闭环） | |
|---|---|---|
| 机制 | 习惯写进文件，每次注入 prompt | 事实用便签；行为练进权重 |
| 上下文成本 | 越懂你 prompt 越肥——本地场景下直接拖慢 prefill、冲击固定 token 预算 | 权重零上下文成本，prompt 恒瘦 |
| 行为改变深度 | 注入不等于内化：便签提醒"该怎么做"，改变不了"习惯怎么做" | 分布级改变：生成本身变了 |
| 失效可见性 | 开环：写入后祈祷有效 | 闭环：回归考题证明便签何时失效，失效才升级到权重 |
| 可验证/可回滚 | 无 | 每次干预次日重考，不及格秒回滚 |
关系是包含并超越：干预阶梯的第一级就是记忆便签（事实类信息本来就该用便签）， 但我们拥有"便签失效"的证据链与升级通道。 一句话：Hermes 记住你的习惯，Kestrel 养成你的习惯——而且每天早上给你看体检报告。
- 用一个月，你的 agent 变成世界上独一无二的模型——不是配置不同，是权重不同。 LoRA 文件即"agent 的灵魂"，几百 MB，可携带、可备份、可分叉。
- 云端在结构上永远跟不进：共享权重不可能为单个用户训练 （成本 + 隐私 + 安全审查三重死锁）。这不是功能差距，是商业模式的墙。
- 骑在前提判断上：本地模型越强，"权重认识你"的复利越高。
- 让既有架构合龙：事件日志=数据管道与证据链，权限门=偏好标注器， 吐槽工单=个性化考卷，能力探针=考官，回放测试=考场，夜班=训练时段， 机组=展示舞台。没有一个部件是白设计的。
- 偏好数据不平衡：approve 远多于 deny；靠会话挖掘（失败-修复对、用户改写） 与吐槽工单补充负样本。
- 灾难性遗忘：考试闸门 + 秒级回滚；基座权重永不修改；LoRA 按项目可分叉。
- 吐槽噪声：分诊 + 证据挂靠（无证据轮次的情绪化吐槽只记不训）； 用户有时错怪模型——回归考题用客观判据（测试通过、编辑成功）而非复述吐槽原文。
- 数据规模：数周使用产出数百到数千对——足够风格/约定/工具偏好级别的 个性化，不追求能力级提升（那是基座模型的事）。
云端 agent 记笔记，Kestrel 做梦。你的每一次批准都是梯度， 你的每一句吐槽，都是它明天的考题。