v2/— 现阶段权威架构图（2026-07-03 与当前实现全套同步：大五→PAD 上图 / 记忆遗忘语义纠偏 / 记忆·态度反哺边 / 习惯化·分寸；并新增 3 张架构图 + 1 张动力学曲线）。README 内嵌的就是这套。架构图有.mmd（Mermaid 源，当前 PNG 由它经飞书画板渲染）+.png（渲染图）；旧四图另有.json（whiteboard-cli DSL，富样式备选，内容停在 2026-06-30、待同步）。v1/— 上一版存档（2026-06-25）：仅framework-current/runtime-flow两张的.json+.png（whiteboard-cli DSL 渲染）。保留供对照，不再内嵌、不再维护。
| 图 | 源 | 说明 |
|---|---|---|
framework-current |
.mmd / .json / .png |
情绪引擎框架图（总览）：评价桥 → 引擎 → 三时间尺度(含稳态回弹) → 双路语言 + 表达双通路 → 表现；记忆桥与人格注入旁挂；+ 三条实验特性虚线旁挂（默认关闭）：🫂 ToM 共情 / 🧪 HPA 皮质醇慢回路 / 🏛️ 层级预测编码 |
runtime-flow |
.mmd / .json / .png |
项目运作流程图（LLM ⊗ 情感引擎）：一轮对话怎么走，标注 LLM 接点 / 确定性引擎 / 跨轮持久(emotion 会话内·attitude 落盘) / 人格接点 / 记忆·态度反哺评价先验两条回边 |
memory-architecture |
.mmd / .json / .png |
记忆架构图（注意力↔记忆桥）：显著性门控写(含写入 dedup) → 情景库(容量遗忘·语义侧信道) → 三维召回重排 → 注入注意力预算；disposition 确定性图谱·时序失效·偏置评价 |
persona-injection |
.mmd / .json / .png |
人格注入图：Persona 三层（L1 人设卡→语言 / L2 气质底色·大五→PAD·va_coupling→引擎 / L3 预置关系→记忆），默认中性、行为不变 |
chat-persistence-map |
.mmd / .png |
--chat 数据落点地图：一轮对话的数据各落哪个存储（对话运行态 / Checkpointer / 确定性图谱 / 语义侧信道 / 日志）、归哪个 env 变量管、chat 默认值 |
layered-architecture |
.mmd / .png |
三层架构图：编排 → 记忆 → 存储只能向下依赖，observability 横切 |
workspace-ignition |
.mmd / .png |
工作空间点燃图：五条并行流 (μ,π) → 显著网络打分 → 过阈点燃广播 → 精度加权融合 → 后验读出 e* |
timescales-dynamics |
tools/plot_timescales.py / .png |
三时间尺度冲击-响应曲线：单次冲击 vs 反复刺激双面板，affect_math 真方程轨迹（matplotlib 生成，改动力学参数后重跑脚本即同步） |
👤 用户输入 → 🔍 评价桥(文本→v,a) → 🧠 情感引擎(贝叶斯主动推断：OCC评价·TD价值/精度·显著度门控工作空间·后验采样 e*)
→ ⏱️ 三时间尺度(瞬时 e* / 快变 emotion / 慢变 attitude) + 稳态回弹(向 setpoint 弱回归)·习惯化
→ 🗣️ 双路语言(LLM 命题 pull + 情绪 push 泄漏) ┐
→ 🎭 表达双通路(自发/随意 × 4 通道) ┴→ 💬 最终表现
🎭 人格 Persona(可选) → 人设卡进语言 · 气质 setpoint 进时间尺度 · 预置关系进记忆
情感引擎 ⇄ 🗄️ 记忆/持久(注意力↔记忆桥：显著性写·三维召回·注入预算·时序遗忘)；三时间尺度 → 态度落盘
⚗️ 实验特性(虚线·默认关闭·不开启则行为不变)：🫂 ToM 对方情绪→共情偏置进引擎 · 🧪 HPA 皮质醇→抬 arousal 基线/放大态度率 · 🏛️ 层级预测编码→引擎融合层级化
当前 PNG 经飞书画板渲染（无需本地 npx，走 lark-cli；见 lark-whiteboard skill）：
- 在某飞书文档建空白画板拿 token：
lark-cli docs +create --api-version v2 --title <标题> --content '<whiteboard type="blank"></whiteboard>' --doc-format markdown --as user，从data.document.new_blocks[].block_token取 token。 - 灌入 Mermaid：
lark-cli whiteboard +update --whiteboard-token <token> --input_format mermaid --source @docs/v2/<图>.mmd --overwrite --as user - 导出图片：
lark-cli whiteboard +query --whiteboard-token <token> --output_as image --output docs/v2/<图>.png --overwrite --as user - 裁白边（飞书导出画布偏大）：用任意图像库按内容包围盒 trim（如 Pillow
ImageChops.difference+getbbox）。
⚠ 画板
+update是异步的：+query立刻导出会拿到旧画布。批量渲染时导出后比对文件哈希、变化了才收图（轮询 5s×N），否则多张图会撞成同一张。
timescales-dynamics.png不走画板：python -m tools.plot_timescales（需任意环境装 matplotlib）直接由affect_math真方程生成。
备选（富样式 whiteboard-cli DSL，需本地 Node）：
npx -y @larksuite/whiteboard-cli@^0.2.0 -i docs/v2/<图>.json -o docs/v2/<图>.png