vault: add ECC methodology deep-dive and zettelkasten insights

New resource note with 6 core methodologies, community best practices,
pitfalls, and practical examples. Three zettelkasten notes extract key
insights: hook vs prompt reliability, MCP context tradeoffs, and the
instinct learning system. Updated existing guides with cross-links.

6 - Zettelkasten/20260319120100 Hook驱动优于提示词驱动.md

@@ -0,0 +1,24 @@
+---
+created: "2026-03-19 12:01"
+type: zettel
+tags: [claude-code, agent-reliability, automation]
+source: "https://github.com/affaan-m/everything-claude-code"
+---
+
+# Hook 驱动优于提示词驱动
+
+AI Agent 的行为控制有两种机制：提示词（Skill/Rule）和 Hook。核心区别在于**确定性**：
+
+- **Hook**: 触发率 100%，确定性执行，不依赖模型判断
+- **提示词**: 触发率 50-80%，概率性，受上下文长度、模型注意力影响
+
+因此，**关键质量控制（格式化、安全检查、状态保存）应通过 Hook 实现，而非依赖提示词**。提示词适合灵活的、需要判断力的任务；Hook 适合必须每次都执行的不变量。
+
+这解释了 ECC v2 为什么把学习观察从 Skill 迁移到了 Hook — v1 中观察经常遗漏，v2 通过 PreToolUse/PostToolUse Hook 实现了 100% 捕获率。
+
+---
+
+## Related
+
+- [[Everything Claude Code 方法论与最佳实践]]
+- [[Everything Claude Code 完整指南]]

6 - Zettelkasten/20260319120200 MCP数量与上下文窗口的反比关系.md

@@ -0,0 +1,28 @@
+---
+created: "2026-03-19 12:02"
+type: zettel
+tags: [claude-code, context-window, performance, mcp]
+source: "https://github.com/affaan-m/everything-claude-code"
+---
+
+# MCP 数量与上下文窗口的反比关系
+
+每个启用的 MCP Server 都会占用上下文窗口空间（工具定义、schema 描述等）。实测数据：
+
+- 0-5 个 MCP: 有效上下文接近 200K tokens
+- 10+ 个 MCP: 有效上下文降至 ~70K tokens（降幅 65%）
+
+**最佳实践**:
+- 活跃 MCP <= 10 个，活跃工具总数 <= 80 个
+- 用 `disabledMcpServers` 动态禁用不用的
+- 重操作优先用 CLI（如 `gh`）而不是 MCP
+- 使用 `llms.txt` 模式获取文档，避免 MCP 常驻开销
+
+这是 Claude Code 性能优化中**最重要的单一因素** — 比任何 Agent 或 Skill 都重要。
+
+---
+
+## Related
+
+- [[Everything Claude Code 方法论与最佳实践]]
+- [[Hook驱动优于提示词驱动]]

6 - Zettelkasten/20260319120300 本能学习系统的演化路径.md

@@ -0,0 +1,30 @@
+---
+created: "2026-03-19 12:03"
+type: zettel
+tags: [claude-code, machine-learning, continuous-improvement, agent-evolution]
+source: "https://github.com/affaan-m/everything-claude-code"
+---
+
+# 本能学习系统的演化路径
+
+ECC 的 Continuous Learning v2.1 实现了一个 AI Agent 自我改进的闭环：
+
+```
+观察(Hook捕获) → 模式检测(Haiku模型) → 本能(Instinct) → 技能(Skill)
+```
+
+关键设计决策：
+
+1. **原子性**: 每个本能只描述一个行为，带信心分数 (0.3-0.9)
+2. **项目隔离**: 用 git remote URL hash 作命名空间，防止跨项目污染
+3. **渐进提升**: 单项目本能 → 多项目验证(2+项目, 信心>=0.8) → 全局技能
+4. **可逆性**: `/evolve` 生成的技能可以回退到本能级别
+
+这本质上是一个**强化学习循环** — 用户的接受/拒绝作为奖励信号，信心分数作为 Q-value 近似。与传统 fine-tuning 不同，它在推理时（通过 context injection）而非训练时改变行为，成本低且可控。
+
+---
+
+## Related
+
+- [[Everything Claude Code 方法论与最佳实践]]
+- [[Hook驱动优于提示词驱动]]