npm - @winspan/claude-forge - Versions diffs - 3.1.0 → 3.5.2 - Mend

@@ -1,116 +0,0 @@
-/**
- * ThompsonSampler — 多臂老虎机策略选择器
- *
- * 使用 Thompson Sampling（Beta 分布采样）在多个候选 Pattern 中选择最优策略。
- * 每个 arm 维护 Beta(alpha, beta) 分布参数：
- *   alpha = 成功次数 + 1（先验：1）
- *   beta  = 失败次数 + 1（先验：1）
- *
- * 从 effectiveness_score 和 adoption_count 推导初始参数：
- *   alpha = effectiveness_score * adoption_count + 1
- *   beta  = (1 - effectiveness_score) * adoption_count + 1
- */
-import { BANDIT } from '../constants.js';
-export class ThompsonSampler {
-    /**
-     * 从候选 arms 中采样选出最优 arm ID。
-     * 若 arms 为空返回 null；若只有一个直接返回。
-     *
-     * v5 改进：
-     * - 冷启动：新 Pattern (adoptionCount=0) 给予乐观初始值
-     * - 时间衰减：历史数据根据最后使用时间衰减
-     */
-    sample(arms) {
-        if (arms.length === 0)
-            return null;
-        if (arms.length === 1)
-            return arms[0].id;
-        let bestId = arms[0].id;
-        let bestSample = -1;
-        for (const arm of arms) {
-            const { alpha, beta } = this.deriveParams(arm);
-            const s = this.sampleBeta(alpha, beta);
-            if (s > bestSample) {
-                bestSample = s;
-                bestId = arm.id;
-            }
-        }
-        return bestId;
-    }
-    /**
-     * v5 新增：从 arm 推导 Beta 分布参数
-     * - 冷启动：adoptionCount=0 时给予乐观初始值 (alpha=2, beta=1)
-     * - 时间衰减：根据 lastUsed 计算衰减系数，半衰期 30 天
-     */
-    deriveParams(arm) {
-        const n = arm.adoptionCount;
-        const score = arm.effectivenessScore;
-        // 冷启动：新 Pattern 给予乐观初始值
-        if (n === 0) {
-            return { alpha: 2, beta: 1 }; // 期望成功率 = 2/(2+1) ≈ 0.67
-        }
-        // 时间衰减：计算距离最后使用的天数
-        let decay = 1.0;
-        if (arm.lastUsed) {
-            try {
-                const lastUsedDate = new Date(arm.lastUsed);
-                const now = new Date();
-                const daysSince = (now.getTime() - lastUsedDate.getTime()) / (1000 * 60 * 60 * 24);
-                // 半衰期 30 天：decay = exp(-days / BANDIT.DECAY_HALF_LIFE_DAYS)
-                decay = Math.exp(-daysSince / BANDIT.DECAY_HALF_LIFE_DAYS);
-            }
-            catch {
-                // 解析失败，不衰减
-            }
-        }
-        // 应用衰减后的有效采用次数
-        const effectiveN = n * decay;
-        return {
-            alpha: score * effectiveN + 1,
-            beta: (1 - score) * effectiveN + 1,
-        };
-    }
-    /**
-     * Beta 分布采样（Johnk 方法近似）
-     * 对于 alpha, beta > 0 的 Beta 分布，返回 [0, 1] 内的随机样本。
-     */
-    sampleBeta(alpha, beta) {
-        // 使用 Gamma 分布近似：Beta(a,b) = Gamma(a) / (Gamma(a) + Gamma(b))
-        const x = this.sampleGamma(alpha);
-        const y = this.sampleGamma(beta);
-        return x / (x + y);
-    }
-    /**
-     * Gamma 分布采样（Marsaglia-Tsang 方法）
-     * shape > 0，scale = 1
-     */
-    sampleGamma(shape) {
-        if (shape < 1) {
-            // 利用 Gamma(shape) = Gamma(shape+1) * U^(1/shape)
-            return this.sampleGamma(shape + 1) * Math.pow(Math.random(), 1 / shape);
-        }
-        const d = shape - 1 / 3;
-        const c = 1 / Math.sqrt(9 * d);
-        for (;;) {
-            let x;
-            let v;
-            do {
-                x = this.randomNormal();
-                v = 1 + c * x;
-            } while (v <= 0);
-            v = v * v * v;
-            const u = Math.random();
-            if (u < 1 - 0.0331 * (x * x) * (x * x))
-                return d * v;
-            if (Math.log(u) < 0.5 * x * x + d * (1 - v + Math.log(v)))
-                return d * v;
-        }
-    }
-    /** Box-Muller 正态分布采样 */
-    randomNormal() {
-        const u1 = Math.random();
-        const u2 = Math.random();
-        return Math.sqrt(-2 * Math.log(u1 + 1e-10)) * Math.cos(2 * Math.PI * u2);
-    }
-}
-//# sourceMappingURL=bandit.js.map

@winspan/claude-forge 3.1.0 → 3.5.2