自我进化的元技能系统

要解决的具体问题

在多技能 Agent 系统中，路由策略、评估标准、系统角色和异常规则往往分散在 Prompt、配置和人工经验里。一旦用户请求类型变化，或某类任务连续失败，团队只能从日志中手动归纳问题、改写 Prompt，并很难判断新版本是否真的更稳定。meta-skills 关注的正是这个缺口：它不直接回答用户请求，而是把“技能如何被调度、如何被评估、如何被优化”的策略对象化，并通过可观测日志进行持续调整。

核心工作方式

该技能把优化流程拆成四个关键环节：

• 触发：按调用次数、时间窗口、错误率变化或用户显式反馈启动优化。
• 反思：调用 LLM 分析近期执行日志，识别路由缺陷、评估偏差、未被覆盖的任务类型，并输出结构化优化建议。
• 变异：根据反思结果生成候选策略，支持 CLARIFY、EXEMPLIFY、ROLE_SET、THRESHOLD_ADJUST、RULE_ADD、DECOMPOSE 等算子组合。
• 验证与上线：在离线测试集上真实调用 LLM 对比输出、延迟和 token 成本，再进入影子模式、A/B 与全量上线。

系统还提供策略包、不可变日志、回滚管理、权限控制等安全边界，避免优化过程绕过执行约束或污染原有日志。

适用边界

它更适合已经积累日志、具备可评测输出、且策略需要反复迭代的多技能系统。对于刚创建的新技能、只需一次配置修改的场景，或高度主观的审美类输出，不应依赖自动变异。使用方需要维护标准测试集，并关注 LLM 反思与验证带来的额外调用成本。