← ClaudeAtlas

perfect-guess-agentlisted

해마-선조체-신피질 3각 협력·경쟁 메커니즘 기반 'Perfect Guess' 에너지 최적화 AI 에이전트를 실행·실험·확장하는 스킬. 사용자가 '퍼펙트 게스', 'Perfect Guess', '뇌 모방 에이전트', '예측 오류 게이팅', '습관 캐시', '에피소딕 버퍼', '클럭 게이팅 시뮬레이션', '뉴로모픽 에이전트', 'CLS 기반 에이전트'를 언급하거나, 신규 환경 원샷 적응 + 반복 과업 저전력 자동화 + 불완전 입력 추론을 동시에 요구하는 에이전트 시뮬레이션/데모/벤치마크/논문용 실험을 요청하면 반드시 이 스킬을 사용한다. 새 환경(태스크)에 에이전트를 적용하거나 에너지 곡선을 시���화할 때도 사용한다.
sunjongos/perfect-guess-agent · ★ 0 · AI & Automation · score 62
Install: claude install-skill sunjongos/perfect-guess-agent
# Perfect Guess Agent 뇌의 3대 학습 시스템을 모사한 에너지 최적화 에이전트 프레임워크. | 모듈 | 뇌 대응 | 역할 | |---|---|---| | `EpisodicBuffer` | 해마 | 원샷 학습, 패턴 분리, 프리플레이(행동 전 가상 경로 탐색) | | `HabitCache` | 선조체 | 검증된 행동 시퀀스의 청킹 캐시, 도파민 RPE 기반 신뢰도 갱신, 오토파일럿 | | `WorldModel` | 신피질 | 느린 인터리브 통합, 사전 확률, 패턴 완성(Perfect Guess) | | `GatingModule` | 예측오류 게이팅 | PE>θ→해마 지배 / PE≤θ→습관 지배 + 고부하 모듈 클럭 게이팅 | ## 빠른 실행 ```bash cd perfect-guess-agent python -m demo.gridworld_demo # 7x7 미로: 에너지 4350 -> 18 a.u. python -m demo.ward_patrol_demo # 병동 순회: 습관 형성 -> 환경 변화 -> 재형성 ``` 기대 출력: 초기 에피소드 고에너지(탐색) ��� 습관 캐시 형성 후 에너지 ~96%+ 감소, habit-mode 100%, 센서 드롭아웃 시 pattern-completion 이벤트 카운트. ## 새 환경에 적용하기 (핵심 패턴) ```python from perfect_guess import PerfectGuessAgent agent = PerfectGuessAgent(actions=ACTIONS, theta=0.4) for ep in range(N): s = env.reset(); agent.begin_episode(s) while not done: a = agent.act(s, goal) # 게이팅이 모드 자동 결정 s2, r, done = env.step(a) obs = s2 if sensor_ok else None # None이면 Perfect Guess 발동 agent.perceive(obs) agent.learn(s, a, s2, goal, reward=r) s = s2 print(agent.summary()) # total_energy, habit_mode_ratio, cached_chunks ... ``` 규칙: 1. **상태·행동은 hashable**이면 무엇이든 가능 (튜플, 문자열 등). 2. **θ(임계값)**: 0.3~0.5 권장. 환경 변동성이 크면 높게. 과민(불필요한 해마 활성)↔둔감(신규 상황 오인) 트레이드오프. 3. **환경 변화 대응(필수 패턴)**: 행동이 반복 실패하면(예: 같은 상태에 3회 정체) `agent.habit.invalidate(key)` + `agent.gate.pe = 1.0` + `agent._chunk_queue = []`를 함께 호출한다. 세 가지를 모두 해야 해마 모드로 확실히 복귀