自我改进记忆

要解决的问题

Agent 在跨会话协作中经常反复踩同一个坑：用户纠正过的格式、命名、代码风格，下次又要重新说明。问题不只是“忘了”，而是经验没有被结构化成可复用、可审计的状态。如果把所有历史经验一次性塞进上下文，又会污染当前任务，甚至让模型学到错误规则。

核心机制

• 学习信号：只在出现明确纠正、显式偏好或重复有效模式时记录，例如 “I prefer X, not Y”、“Always do X for me”。
• 自我反思：完成多步任务、收到反馈、修复错误后，比较预期与结果，判断是否形成可复用经验。
• 分层存储：memory.md 作为 HOT 层，始终加载；projects/ 与 domains/ 作为 WARM 层，按上下文匹配加载；archive/ 作为 COLD 层，仅在显式查询时读取。
• 晋升与降权：经验在 7 天内成功使用 3 次可提升到 HOT；30 天未使用降到 WARM；90 天未使用归档到 COLD。
• 透明与边界：引用记忆时注明来源，支持导出与记忆统计；不存储凭据、健康数据或第三方隐私，不从沉默或观察中推断偏好。

适用边界

适合需要长期保留用户偏好、项目约定和领域规则的 AI Agent workspace。它只读写本地 ~/self-improving/ 目录，不访问日历、邮件、通讯录，也不发起网络请求；如果需要云端同步、团队共享或跨设备实时一致，需要额外方案。