AI 自我持续改进

解决什么问题

多数 AI Agent 在完成一次任务后，过程日志、工具调用结果和用户反馈往往只用于当下回答，很少被真正沉淀下来。这导致一个典型困境：同一个智能体在面对相似任务时，每次都从零开始推理，即使上一次已经踩过同样的坑、试过同样的工具组合，也无法复用这些经验。结果是重复劳动、一致的失败模式，以及缺乏可见的改进轨迹。

技能如何工作

@user_e9c9302c/ai-growth-loop 的思路是构建一个闭环：执行 → 记录 → 分析 → 调整 → 验证。它并不改变底层模型，而是在 Agent 的工作流层面插入结构化的自省环节。

核心能力包括：

• 结构化日志采集：将每次任务的输入、模型输出、工具调用序列和外部反馈整理为可检索的结构化记录。
• 模式分析：从日志中提取有效策略和失败模式，而非简单堆砌原始数据。
• 工作流调整：基于分析结果更新 Agent 的指令模板、工具选择策略或分步执行逻辑，形成可复用的改进产物。

关键步骤：

1. Agent 执行任务并自动记录执行轨迹。
2. 触发回顾阶段，对照预设的质量指标检查输出。
3. 识别偏差和可优化点，生成结构化改进建议。
4. 将建议应用到下一轮工作流配置中，形成迭代。

适用边界

• 该技能适用于任务模式可重复、有明确质量信号的场景。如果每次任务都是完全无先例的开放探索，自省阶段可提取的模式信号较弱。
• 改进效果依赖日志质量和反馈准确性。如果上游工具调用本身不稳定，采集到的模式可能带有噪声。
• 它不替代模型升级或底层框架优化，是在现有 Agent 能力之上的工作流层面增强。