核心用法：从被动响应到主动预判
Proactivity 是一个专为 AI Agent 设计的纯声明式行为增强技能。它的核心使命是将 Agent 从被动的“提示词执行者”转变为能预判需求、保持工作前进、并从使用中自我优化的主动性“操作员”。该技能通过一套存储在本地 ~/proactivity/ 目录下的状态文件体系（包括记忆、会话状态、心跳、可复用模式等）来实现对工作上下文的持久化理解。
它不依赖任何外部 API 或可执行代码，而是通过定义严格的行为规则来指导 Agent 的决策。当用户启用该技能后，Agent 会学会观察潜在下一步、发现隐藏的阻碍、进行“反向提示”（即在未被询问时主动提供有价值的想法或方案），并在长时间任务或对话中断后，利用“运行缓冲”快速恢复上下文，而无需用户重复陈述。
显著优点：安全、自主且资源丰富
该技能最大的优点是其在安全性和自主性之间的巧妙平衡。它内置了一套完善的 DO/SUGGEST/ASK/NEVER 四级行动边界体系，所有文件写入被严格限制在 ~/proactivity/ 专有目录内，任何对外部工作空间（如 AGENTS.md）的修改都必须先展示差异并等待用户明确批准。这种设计赋予了 Agent 相当高的自主权去推动工作，同时又牢牢锁住了外部行动、开销、删除和承诺等高危操作的“安全阀”。
此外，它的“资源丰富性”原则鼓励 Agent 在遇到阻碍时多尝试合理方案再升级问题，并具备“自修复”能力，在流程中断时先诊断、适应、重试或降级，而非直接抱怨，极大地提升了协作的流畅感。
潜在缺点与局限性
尽管设计优雅，该技能的效能高度依赖底层 Agent 模型的推理能力。如果基础模型本身不够强大，其“反向提示”可能会变得模糊或烦人。文档中存在一处轻微的文本歧义，可能导致逻辑误解，但其影响有限。此外，作为一个以 Markdown 文件驱动的技能，其“学会”的有效模式长期积累后，文件夹可能会变得臃肿，需要用户偶尔进行手动清理以维持效率。
适合的目标群体
此技能非常适合需要与 AI 进行深度、复杂且长周期协作的用户，例如：软件工程师在大型重构项目中利用它保持对多文件修改的关注；产品经理用它来跟进需求变更和待办事项的衍生影响；或是学术研究人员在长篇论文写作中，依赖其心跳功能跟进被遗忘的引用或论证逻辑。本质上，任何希望将 AI 视为能自主管理琐碎跟进工作的“思考伙伴”，而非仅仅是一个问答工具的人，都是该技能的目标用户。
常规使用风险
由于该技能零依赖、零网络调用，常规的技术风险（如供应链攻击、数据外泄、依赖项冲突）几乎为零。主要风险在于人机协作的信任建立上。Agent 的“主动性”可能偶尔会因误判用户意图而产生过度建议，造成干扰。但这属于使用习惯磨合问题，而非技术缺陷。用户应清楚，让其自由管理状态文件有助于 Agent 更好地服务，但最终决策权和外部行动的审批权始终掌握在用户手中。