每日学习 Agent 框架

解决 Agent 学习的浅尝辄止与结构碎片化

在多 Agent 协作环境中，每个 Agent 独立学习往往会导致笔记结构各异、知识沉淀标准不一。更致命的是，传统的 LLM 笔记极易退化为“某某研究发现”的空洞摘要，缺乏推理过程与证据链，无法真正支撑后续的决策与复用。daily-learning 旨在建立一套统一的 Agent 学习工作流，确保所有 Agent 遵循相同的输入、调研、笔记沉淀与进度更新流程。

核心工作流与四层笔记规范

该框架将每日学习拆解为标准化的增量步骤，确保专注与深度：

• 素材投递与需求对齐：在启动学习前，先筛选当天的探索产出（如 /candidates/daily/ 下的素材）投递至知识库，并读取 /learning/LEARNING-REQUESTS.md，确保紧急需求（🔴）优先于常规计划。
• 单主题深度调研：每次仅聚焦一个主题，利用 smart-search 或 arxiv 等工具进行深挖，坚持“学深不学广”。
• 四层结构化笔记：笔记必须写入 /learning/notes/，并强制包含四个维度：结论（快速索引）、依据（具体实验设计或硬数据，拒绝人名堆砌）、例子/案例（真实场景锚点）、边界（适用限制条件）。例如记录 Dunning-Kruger 效应时，必须写出具体的测试条件与自评偏差数据。
• 闭环沉淀与 Skill 优化：学习结束后更新进度文件，若发现可优化点，则按 skill-creator 规范迭代自身。

适用边界与执行原则

该框架专为需要长期知识积累的技术探索与研究型 Agent 设计。需要注意，增量流程不处理历史存量素材，若发现积压需通知知识管家批量处理。此外，Agent 默认应安静执行，仅在产出真正高价值发现时才触发群组推送，避免信息噪音。学习方向需定期与用户的实际业务需求对齐，防止“自嗨式”学习。