开一个调度会话。namespace 决定复用哪套已积累的'技能/原型库'（同 namespace = 跨任务/跨进程累积经验）。返回 sessionId 供后续所有调用使用。

开始一个新任务：重置 loop 级自我状态（上下文污染清零），但保留跨任务的原型库与谨慎度 μ。

★核心：判断当前这一步该用 System1(直觉/便宜模型/单候选) 还是 System2(点燃/强模型/多候选/深推理)。调用方只需提供通用可观测量（都是 0~1）：criticality_hint=这步表面多关键(错了毁全局?), difficulty_hint=表面多难, progress=任务进度位置, context_pollution=当前上下文窗口占用比(已用token/窗口)。返回 mode 及理由。这是元认知决策，与'做什么步骤'(skill)正交。

这一步做完后回报真实结果，核据此自学（生长/细化原型=自己写skill）。observed_criticality=事后看这步真实有多关键(0~1，如:便宜就成功=低, 必须强模型才成功=高)；used_system2=这步是否实际走了深思；was_deep=是否做了深处理(默认同 used_system2)。建议把 decide_step 时用的 criticality_hint/difficulty_hint/progress 原样带回以对齐情形签名。

整个任务结束后回报成/败 → 调协调变量 μ（稳定性条件），并自动把原型库持久化到磁盘。

查会话当前状态：原型数(已长出的技能)、μ、点燃次数、步数、上下文污染。

查校准指标(量化'越学越聪明')：返回滚动窗口内的 MAE(关键度预测误差,越小越准) 与 accuracy(深思/便宜决策是否命中真关键)，并拆成 firstHalf/recentHalf 两半对比 + improving 布尔(近半是否优于前半)。用于证明随任务增多在变准。

导出原型库（= 自己长出的 skill），含每个原型的情形质心与读出权重。可用于审计/迁移。

关闭会话并持久化技能。