核心用法
consensus-persona-respawn 是专为长期运行的自动化治理系统设计的 persona 生命周期管理工具。其核心工作流程包括：
1. 识别失效 persona：通过触发条件或声誉阈值检测低性能或僵死的评估角色
2. 挖掘失败模式：从历史决策工盘中提取错误类型与失效规律
3. 生成继任者档案：基于失败模式构建新一代 persona 配置
4. 写入状态产物：输出 persona_respawn 与更新后的 persona_set 工件
该 skill 通过 invoke(input, opts?) 标准入口调用，依赖 consensus-persona-engine 提供的声誉增量数据，并与 board-ledger 证据链直接关联。
显著优点
- 自适应演化：解决静态评估面板随时间漂移的质量衰减问题，使治理质量持续改进而非退化
- 证据驱动：决策历史成为优化输入，形成"失败→学习→进化"的闭环
- 生态兼容：深度集成 consensus-guard-core 标准接口（
readBoardPolicy、writeArtifact等），保证跨 skill 编排一致性 - 最小网络暴露：核心决策路径零网络调用，降低攻击面
潜在局限
- 依赖上游质量：若
consensus-persona-engine的声誉计算存在偏差，将导致错误的淘汰决策 - 生成后端不透明：persona 生成若依赖外部 LLM，其行为难以完全审计
- 历史偏见固化：若早期决策数据含有系统性偏差，可能通过"学习"放大而非纠正
- 冷启动敏感：新系统缺乏足够历史时，替代逻辑可能失效
适合人群
- 构建长期自治代理团队的架构师
- 需要周期性评估者维护的递归决策系统运维方
- 追求 governance-as-code 且重视可审计性的工程组织
常规风险
- 密钥泄露：若启用外部 LLM 生成后端，
OPENAI_API_KEY等凭证需妥善隔离 - 状态污染：文件系统写入权限需严格限制于配置的共识状态路径
- 级联失效：与
consensus-persona-engine的链式依赖要求版本语义化锁定（semver-pinned）