自我迭代：智能体进化框架

传统优化方式的局限

在长期交互的 AI Agent 开发中，一个核心痛点是：智能体的行为规则与底层代码逻辑的优化，严重依赖开发者的手动干预。每当 Agent 在对话中暴露出逻辑缺陷、冗余或不适应新场景的行为时，都需要人工复盘、手动编写或修改规则，并重新部署代码。这个过程周期长、成本高，且难以将每一次交互都转化为 Agent 能力的持续沉淀。自我迭代技能正是为了解决这一“优化断层”问题，旨在构建一个自动化、闭环的进化管道。

技能如何实现自我迭代

该技能通过一个由四大模块协同工作的闭环系统，将“观察-分析-优化-反馈”的过程自动化。

核心能力与工作流

1. 规则迭代（规则生成）：这是迭代的基础。系统会自动读取最近 15 轮 的对话历史，分析其中的优点与问题，然后生成 3-6 条 新的行为规则。这些新规则被自动存入 Agent 的长期记忆，并通过 beforeChat 钩子注入系统提示，确保在后续对话中立即生效。你可以通过 查看迭代规则 指令审查当前生效的规则及其版本。
2. 代码自动修改（代码优化）：在每次迭代中，技能会读取自身的 Skill 代码，分析可优化的点（如语法、冗余逻辑），并生成可直接替换的优化代码片段。安全机制是关键：首次运行会自动备份原始代码，优化失败时能自动恢复备份，避免因代码错误导致技能崩溃。优化旨在提升稳定性，不改变核心功能。
3. 闭环自动迭代（自动化）：通过 持续迭代 指令开启后，系统进入后台守护状态。它每 3 秒 检测对话轮次，每当达到 20 轮 对话，就自动触发一次完整的迭代流程（复盘 → 评分 → 优化 → 生效）。这使得 Agent 能在无需人工关注的情况下持续进化。
4. 迭代评分系统（质量保障）：每次迭代后，AI 会根据“规则合理性”和“代码优化实用性”进行 1-10 分 的自评分。如果评分 低于 6 分，系统会自动触发二次优化，形成一个质量保障闭环。你可以通过 查看迭代评分 随时追溯进化历史与效果。

使用边界与注意事项

• 迭代触发依赖对话历史：规则生成需要至少15轮对话作为分析素材，因此该技能更适合长期、多轮交互的场景，而非短暂的一次性任务。
• 代码修改的保守性：自动代码优化旨在修复错误和简化逻辑，不会对核心功能进行大刀阔斧的重构。这意味着它可能无法解决架构层面的设计问题。
• 评分的主观性：迭代评分由 AI 自身判断，虽然设定了低分自动优化机制，但其评估标准仍可能受模型主观偏好影响。
• 资源与稳定性：持续迭代模式在后台运行，会消耗一定的计算资源。请确保在需要严格控制资源的环境下合理使用 停止迭代 指令。强大的容错和备份机制保障了稳定性，但极端的代码修改失败仍可能发生。