技能介绍

问题

多数 Agent 在一次会话里表现不错，但下次对话时仍然从零开始：它不记得你的沟通风格、常用操作路径，也不会因为昨天的错误而改变今天的推理策略。想让 Agent「越用越懂我」，不能依赖对话原文落盘后事后分析——WorkBuddy 的 sessions 表只存元数据，traces/ 是 OTel span，原始消息并不在脚本可读位置。信号必须在对话上下文尚在时，由模型主动捕获。

核心能力

梦境进化（Dream Evolution） 围绕五个系统解决这个问题：

自动进化机制：交互收尾时模型执行 python3 scripts/evolve.py record、python3 scripts/build_user_model.py observe_preferences、python3 scripts/capture.py append 三步沉淀信号；python3 scripts/evolve.py run 消化日志，候选策略达到阈值后晋升到 references/strategies.md。
记忆增强：结构化真相存于 memory/user_model.json，可读渲染为 memory/user_model.md，演进过程记录在 memory/evolution_log.md，容量由 memory_capacity 约束，滚动淘汰防止无限膨胀。
用户理解深化：通过 observe_preferences / observe_interests / observe_expression / observe_decisions 累积证据，长期无佐证的特质缓慢衰减，仅当 confidence >= min_confidence_to_act 才用于主动建议。
习惯自动读取：python3 scripts/analyze_habits.py ingest-memory 反推会话目录时间戳，构建活跃时段分布；也可手动 record --feature "代码生成" 记录单次行为。
智能任务制定：python3 scripts/suggest_tasks.py run 按「频率 × 模型置信 × 规律强度」评分生成建议池，低分项不进推送池。

关键编排是 python3 scripts/run_cycle.py --quiet-steps --json：习惯读取 → 用户模型 → 任务建议 → 自动进化 → 可视化 → 上下文打包，在单进程内完成闭环，末尾回吐 DIGEST。重活交给脚本，context_pack.py 把记忆压进 memory/context_digest.md，按需选择 quick / standard / deep 努力档位，避免每次会话都烧掉全量 token。若想「每天进化一次」而非只靠交互触发，可用 python3 scripts/daily_upgrade.py run 在定时任务里晋升候选策略。

适用边界

核心前提是模型在收尾时主动调用捕获命令——脚本无法事后读取对话原文，忘了这一步，本轮经验就丢了，只能等每日 daily_upgrade 从缓冲兜底。
evolution_rate 越高进化越快，但超过 safety.require_human_approval_above 后晋升需人工确认；单次改动受 max_strategy_drift_per_cycle 约束，防止剧烈漂移。
safety.never_delete_raw_memory 为硬边界：WorkBuddy 既有记忆只读，晋升前自动备份至 backups/。
进化质量取决于观察信号的准确度，特性置信不足时不会产生主动建议，需要真实、重复的工作流才能积累出有价值的用户模型。

截图预览

使用场景

后端工程师连续数周排查同类 API 报错，希望 Agent 记住其日志排查路径与错误分类偏好，下次遇到相似问题时按习惯直接生成诊断步骤。
运营每周从十几张表生成同一份周报，希望 Agent 分析其操作路径识别高频步骤，并主动生成一条可复用的自动化流程建议。
产品经理每日需回复大量用户反馈，希望 AI 助手持续观察其沟通表达与决策倾向，使起草的回复保持个人风格一致。
为自建 Agent 设置每日定时任务的用户，希望在无新交互时也能看到 Agent 主动晋升策略，并通过进化时间线追溯每一轮成长。

适合人员

日常高度依赖 AI 助手的后端工程师，希望 Agent 记住调试偏好，避免每次会话重新解释上下文。
每周处理十几张报表的数据分析师或运营，希望 Agent 分析其操作路径并主动生成可复用方案。
每日用 AI 助手回复用户反馈的产品或客服运营，希望助手长期保持沟通风格与决策习惯一致。
维护长期 Agent 产品的技术负责人，需要可视化进化时间线并审计每次策略晋升与变更。

梦境进化