自进化智能体

问题：Agent 的反馈很难沉淀

很多 Agent 每次会话都从零开始，用户纠正过的错误、项目偏好、可复用流程容易散落在聊天记录里。长期使用时会出现两类风险：一是重要规则没有被稳定记住，二是把一次性上下文误成长期偏好，导致行为不可预测。self-improving 要解决的是如何把纠正、偏好和自我反思变成可审计的本地记忆。

如何工作：分层记忆与主动维护

这个技能围绕本地目录 ~/self-improving/ 组织状态，核心不是联网学习，而是用 Markdown 文件维护可读取、可导出的规则。典型流程包括：

• 捕获学习信号：当用户明确纠正、表达稳定偏好，或 Agent 完成重要任务后识别到可改进点时，记录到 corrections.md 或 memory.md。
• 分层存储：常用规则放在 memory.md 的 HOT 层；项目、领域模式放在 projects/ 和 domains/ 的 WARM 层；低频内容进入 archive/ 的 COLD 层。
• 克制晋升：同一经验多次出现才晋升，避免把一次性指令、假设性问题和沉默观察误判为长期规则。
• 透明引用：使用记忆时注明来源文件，支持查询、导出、降级归档，并在上下文不足时优先加载 HOT 层。

适用边界

它适合需要稳定记住用户偏好、项目约定和纠错经验的 Agent 工作流。注意它不读取日历、邮件、联系人，不发起网络请求，也不应在心跳清理时盲目删除记忆。对敏感信息、健康数据和第三方信息应遵循边界文件，不将其写入本地记忆。