Zeelin 自动演化

要解决什么问题

在多轮 Agent 对话里，用户经常用「不是这样」「你又忘了」或 that's not right 纠正模型，但这些信号往往只留在当次上下文里，既不会变成可检索的规则，也不会推动 Skill 迭代。更糟的是，若让 AI 自动改 CLAUDE.md 或 Skill，容易在误判时把错误固化。

Zeelin Auto Evolution 针对的是：如何把真实修正沉淀下来，并在合适时机给出可确认、可拒绝的进化建议，而不是无感篡改工作流。

技能如何工作

整体是「先记录、再归纳、后建议、最终扩展」的闭环，并面向中英双语反馈信号。

• 经验沉淀：把修正、否定、补充整理为结构化 feedback，静默写入 .claude/feedback/，无需用户额外说「帮我记下来」。
• 信号去重：同主题反馈优先累计 occurrences，避免碎片化重复记录。
• 规则毕业：同类反馈达到阈值（如 occurrences ≥ 3）时，生成「毕业为正式规则」的建议，而非直接改写 Skill。
• Skill 优化：结合执行后评分（accuracy、coverage、efficiency、satisfaction）与相关 feedback 量，标出持续偏弱的 Skill。
• 新 Skill 提议：高频操作模式（如 occurrences ≥ 5）且现有 Skill 无覆盖时，提议新建原子能力。

典型流程：用 detect_feedback_signal.py 检测反馈 → feedback-observer 写条目 → session 启动或用户要求时用 evolution_runner.py 扫描三类信号 → 每条建议仅「确认执行 / 跳过」 → 确认后再写入规则、改 Skill 或建新包，并将 feedback 标记 graduated 或 skipped。

适用边界与注意点

• 演化核心是建议 + 人类把关；检测脚本需同时覆盖中英文表达。
• feedback 目录用于经验学习，不等同于 memory；无明确信号时应宁缺毋滥。
• 评分须基于真实执行，勿虚构；新 Skill 提议前须确认现有能力未覆盖。
• 若项目已有 feedback-observer、evolution-runner 与模板，应优先复用，避免平行再造一套。