Stonkfly 是一个基于完整果蝇连接组（fly-connectome）仿真的实验项目：它用 166,700 个神经元、2,558 万条有向连接构成的 MaleCNS v1.0 全保留大脑图谱，接收 Coinbase 公开价格的 RGB K 线图，并通过一套反Hebbian记忆规则（anti-Hebbian rule）改写其中7,835 条 KC→MBON 突触的效能——用工程化的多巴胺脉冲模拟"赚钱"与"亏钱"的反馈信号。

⚠️ 先说清楚：这是一个机制实验，不是已验证的盈利策略。仓库文档明确声明"未证明能盈利学习"（profitable learning has not been demonstrated）。

这套记忆规则作用在哪些突触上？

Stonkfly 的记忆规则并不是对整张 2,558 万边的图做可塑性，而是精准锁定果蝇"蘑菇体"记忆回路中的既有连接：

选择在源码 stonkfly/neural/circuit.py 中完成：筛出所有前突触为 KC、后突触落在 MBON07/MBON11 上的既有连接，报告为plastic_edges: 7835，且"不做图裁剪、不新增边"。测试 tests/test_neural.py 也用断言锁死了这个数字。

一个巧妙的细节：每个多巴胺细胞对每条突触的调制增益（gain），来自解剖学上的 DAN→MBON 突触接触数占比（见 circuit.py 的 gain 构建）。也就是说，"哪个多巴胺细胞影响哪条突触、影响多少"直接来自真实连接组数据，而非人工指定。

反Hebbian规则：谁先谁后，决定强化还是抑制

规则改编自 Huang, Luo et al. 2024 的基线中心化反Hebbian速率规则（见 stonkfly/neural/rule.py 顶部注释），核心直觉非常简单：

• KC 先活动 → 随后出现多巴胺：突触被抑制（depress，w 变负）
• 多巴胺先出现 → 随后 KC 活动：突触被增强（potentiate，w 变正）
• 两侧都没有活动的突触：完全不变

与经典 Hebbian 规则（"一起活动就一起增强"）相反，反Hebbian 把"最近活动 + 奖励"解释为"该突触贡献过大，需要下调"。Stonkfly 中 KC/DAN 的发放率直接来自真实网络的 spike 计数，以不超过 10 ms 的 bin 统计（maximum_rate_bin_ms: 10.0），没有用简化速率模型替换整个连接组。

驱动项的实现见 rule.py 的 advance 函数：

drive = eta × (kc_rate × 多巴胺调制 − 多巴胺 × kc_trace)

8 个核心参数一览

所有规则参数集中在 rule.py 的 PARAMETERS 字典：

理解这些参数只需抓住三个变量（rule.py 第 27-65 行）：

1. u（记忆）：累积 drive，按 1800 s 指数衰减——代表"最近这段经历的长期印象"；
2. w（权重偏差）：u 经 50 ms 滤波后的"慢快两层"输出，真正写回突触的是weight = baseline × (1 + w)（见 brain.py 第 344-347 行）；
3. 边界裁剪：u、w 被夹在 [−0.9, +1.0]，保证效能始终落在基线 0.1×–2× 之间，且不改变重建数据的兴奋性符号。源码注释特别强调：饱和（saturation）会被如实报告，而不是隐藏或重置。

这些取值在文档 docs/model.md 中被明确标注为"声明的模型选择"（declared model choices），等长痕迹常数、效能边界、增益和 50 ms 滤波器都还需要校准——这正是作者留给研究者的开放空间。

从盈亏到"多巴胺"：反馈信号如何进入网络

记忆规则的输入不是价格或盈亏数字本身，而是一串工程化脉冲（stonkfly/reinforcement.py）：

• 每次观察时，权益（现金 + 按买价标记的持仓，含已入账手续费）相对上次变化≥ +0.01 USDC→ 向 15 个 PAM11 细胞注入200 ms、20 mV 等效的人工电流；
• 变化≤ −0.01 USDC→ 同样脉冲发给 2 个 PPL101 细胞；
• 死区内的小波动不累积，直接忽略。

源码注释诚实地提醒：这是"组合价值的反馈"，不是"最新动作导致了该变化"的证据，也不建模痛觉或愉悦。

验证：规则真的改写了 7,835 条突触吗？

仓库自带三层证据（详见 docs/validation.md）：

① 时序特异性单元测试（test_memory_rule_temporal_specificity）：cue → reinforce使 w < 0（抑制），reinforce → cue使 w > 0（增强），未激活的突触严格不变，冻结记忆时严格零变化——四条断言全部通过。

② 全连接组集成测试：设置STONKFLY_FULL_TEST=1后运行 test_full_graph_sensory_reinforcement_checkpoint，验证 166,700 神经元、25,582,938 条边、7,835 条可塑性边，白色刺激激活 KC，奖赏/厌恶脉冲引起 DAN 放电且changed_edges > 0，并支持 checkpoint 恢复、无奖励对照和冻结对照。

③ 真实公开数据 6 步回测：1 次神经 BUY 成交（纸面模式），随后 5 次 BUY 被冷却期否决；一次 200 ms 厌恶脉冲使 2 个 PPL101 细胞共产生 55 个 spike，5 条候选边缘偏离基线。文档同时提醒：这 5 条边的变化在外部亏损脉冲之前就已开始——内源多巴胺活动也能驱动规则，不能把所有权重变化都归因于盈亏。

快速上手：三步运行与复现

环境要求：Python 3.11、C++17 编译器、macOS/Linux，建议 16 GB 内存：

python3.11 -m venv .venv source .venv/bin/activate pip install -e '.[test]'

python -m stonkfly prepare # 下载并校验 MaleCNS v1.0 数据 python -m stonkfly run # 默认纸面交易：$100 模拟余额，无需 API key python -m pytest -q # 42 个测试全部通过

想跑完整连接组测试：

OPENBLAS_NUM_THREADS=1 STONKFLY_FULL_TEST=1 python -m pytest -q

默认配置（neural_ms: 500、neural_bin_ms: 10等）定义在 stonkfly/config.py 的 Settings，learning: True开启记忆规则，Ctrl-C 可安全停止并从runs/paper/断点恢复。

延伸阅读

• 建模范围与证据边界：docs/model.md
• 完整验证记录与复现步骤：docs/validation.md
• 规则本体：stonkfly/neural/rule.py
• 7,835 条边选择逻辑：stonkfly/neural/circuit.py
• 权重写回与 checkpoint：stonkfly/neural/brain.py
• C++ 事件驱动内核（0.1 ms 积分）：stonkfly/neural/kernel.cpp

一句话总结：Stonkfly 的价值不在于"让果蝇脑炒股"，而在于提供一条完全可复现、可审计的机制链路——RGB 像素 → 16.7 万神经元 spike → 7,835 条突触的可测量改写，每一步都有 SHA-256 校验与对照实验。至于这套反Hebbian规则能否学到有效的交易关联，文档给出的答案是诚实的：还没证明。