技能介绍

要解决的问题

Agent 助手的用户体验随时间漂移：昨天的命中规律、用户偏好和失败模式，如果只停留在聊天记录里，不会自动变成明天的改进。更棘手的是，模型自身的「改进提议」没有外部锚点——仅凭自我批判生成的调优建议既不可复现，也无法验证是否真的更好。tri-evolve 要解决的，是让 skill 家族拥有有据可学、有验可改、错了能回滚的横向学习能力。

如何工作

核心是一条 OODA 进化闭环：

观察：从六个渠道采集信号——显式反馈（赞/踩/纠偏文本）、隐式行为（采纳/修改/重试/中断/复制）、缓存命中率、tri-meta 纠偏记录、意图快照分布、会话轨迹。
归因：信号按 (skill, intent) 聚合为窗口，低于基线 σ 的异常被标记，并归因到具体的 skill/intent 缺陷，而非单条信号直接下结论。
提议：改进建议 MUST 锚定外部信号，携带置信度，进入 proposals（pending）。无外部锚定的提议一律不沉淀。
验证：A/B 小流量对照，要求 lift ≥ 5% 且统计显著（p<0.05）才标记 verified，否则记入 rejected 原因。
沉淀：验证通过的经验写入 lessons.db（带 embedding 可语义检索），并同步更新质量基线。

用户画像按四层 schema 组织：静态属性、风格偏好（半衰期 30 天的时间衰减加权）、主题偏好、交互习惯。每次偏好更新写入 prefs_history 带时间戳，偏好演变可追溯。

安全分级遵循副作用门控：画像更新（低风险）自动写入且带版本可回滚；经验沉淀与配置覆盖（中风险）必须过 A/B 验证门；skill 核心契约修改（高风险）MUST 人工审批。批次执行带 run.lock 与 run-log.jsonl 水位续跑，连续 3 次失败自动停用定时并通知用户。

适用边界

这是横切学习层，不是执行 skill：它不认领任何 L2 意图编码，不做业务作答，不改缓存存储——意图识别归 tri-intent，记忆层归 tri-cache，元操作纠偏归 tri-meta。默认是手动批处理技能而非自主 Agent，定时能力依赖外部调度器，未配置时必须如实标注降级。

安装后需检测上游依赖：缺少 tri-intent/tri-cache 时进入引导安装或降级模式，降级模式仅会话内学习，无跨会话画像沉淀、无经验库检索、无 A/B 验证，进化精度低于标准链路。版本检查是所有执行入口的第零步，由 scripts/check_update.py 统一执行并输出四态（A/B/C/D）供处置，prompt 层只解析其 JSON，不内联推断版本。