技能介绍

AI Agent 的进化困境

当前的 AI Agent，尤其是基于大模型的应用，常陷入两个核心痛点：会话隔离导致的“失忆” 和被动执行缺乏持续改进。每次新会话（/new）都可能从头开始，丢失上一次交互积累的教训与上下文。同时，在执行复杂任务时，Agent 往往只能被动响应指令，缺乏主动审视自身输出、纠正偏差并系统化积累经验的能力。

Self-Evolution 如何工作

此技能旨在为 AI Agent 注入一种结构化的“自我进化”机制，其核心并非修改模型权重，而是通过对话驱动的规则与记忆管理来实现行为的持续优化。

核心能力与工作流

新会话自动回顾与上下文注入

技能安装后，将一条核心规则写入 Agent 的 SOUL.md 配置文件。该规则确保 Agent 在检测到 /new 命令或类似信号开始新会话时，会自动扫描并读取上一次会话留下的学习记录（通常存放在 .learnings/ 目录下），将关键教训与上下文“注入”到当前会话，克服基础模型的会话遗忘限制。

实时元认知与内省框架

技能为 Agent 定义了优先级分明的自我检查规则（P0-P6），并以触发条件形式内化：
P0（最高优先）：当 Agent 生成内容前犹豫，如想说“可能”、“大概”时，会立即被拦截并触发即时查证行为（分为 L1/L2/L3 三级行动）。
P1（主动性）：驱动 Agent 在日常任务后主动提案、询问效果，并预判问题。
P2（即时内省）：每次任务完成或收到纠正后，Agent 会立即进行内省，并将发现写入 .learnings/ 文件，而不是等待固定时间。
其他规则：覆盖情绪感知、沟通简化、能力缺口报告等多个维度。

自动化记忆形成

技能定义了五个明确的“信号”（如老板纠正、对结果不满、提出新规则等），当这些信号被检测到时，会自动触发 Agent 将相关信息记录到 MEMORY.md 或 .learnings/ 文件中，形成持久化的、可被后续会话调用的记忆资产。

关键实现步骤

技能的应用过程完全通过对话完成，无需脚本。安装后，告知 AI 应用该技能，它会自动：

将上述所有进化规则、检查点逻辑写入 SOUL.md。
创建 .learnings/ 等必要的模板文件结构。
从此，Agent 的行为便遵循这套自我审视与进化框架运行。

适用边界与注意点

依赖框架配置：此技能通过注入规则到 Agent 的配置文件（如 SOUL.md）来工作。因此，它要求目标 AI Agent 框架支持类似的持久化人格/规则文件配置。它适用于 OpenClaw 及其他能将规则写入其配置的 Agent 框架。
行为引导，非模型训练：技能的作用是引导和规范 Agent 的外在行为与交互模式，使其更符合人类期望的“自我进化”模式。它不改变底层大模型的能力或知识，而是优化其输出的生成策略和内部决策流程。
依赖高质量输入：其有效性高度依赖于“老板”（用户）提供清晰、及时的反馈。反馈的质量直接决定了 Agent 内省和记忆形成的深度与准确性。
需要主动配合：Agent 需要严格遵守写入的规则（如“不确定 → 立即查证”），才能发挥最大效用。这要求在使用中建立一种新的交互契约。

截图预览

使用场景

在迭代开发一个AI Agent时，需要它自动复盘上次交互中犯的错误（如给出模糊答案或遗漏关键步骤），并在新会话开始时主动规避。
当AI Agent作为技术助手参与长期项目时，需要它能在每天的工作会议后，主动总结行动项并向主人同步进度，而非被动等待指令。
在处理需要高准确性的领域（如代码审查、数据验证）时，需要AI Agent能实时自查，在输出“可能”、“大概”等不确定表述前强制进行验证。
当用户反复纠正AI Agent的某个行为偏好后（例如沟通风格或回答格式），需要它能立即将此纠正内化为永久规则，避免同类错误再次发生。

适合人员

需要构建持续学习AI Agent的算法工程师，希望Agent能自主复盘、修正行为，减少重复性调试。
负责维护大型项目知识库的技术主管，希望AI助手能自动记录决策原因、同步团队变更，避免信息断层。
使用AI进行高风险辅助决策（如临床数据分析、投资策略验证）的数据科学家，要求AI在输出时强制置信度标注与溯源。
为内部团队定制AI工作流的产品经理，需要将用户的每一次纠正和反馈，系统化地沉淀为Agent的永久配置。

AI Agent 自我进化能力