Self-Improving Proactive Agent

Self-Improving Proactive Agent 综合评估

核心用法

本 Skill 是一套纯 Markdown 行为规范文档，旨在统一两个核心能力：

1. Self-Improving（自我改进）：从用户更正、显式偏好和成功经验中学习，将持久性规则存储在 ~/self-improving/ 目录下的结构化文件中
2. Proactivity（主动执行）：保持任务推进动力，维护活跃状态，快速恢复上下文，通过 ~/proactivity/ 管理会话状态和心跳机制

关键文件包括：

• memory.md：存储已确认的长期规则和偏好
• corrections.md：记录最近的更正和待提升的经验
• session-state.md：维护当前目标、决策、阻塞点和下一步行动
• working-buffer.md：用于长任务和脆弱上下文的易失性痕迹

显著优点

• 架构清晰：明确区分持久学习与活跃执行状态，避免信息混乱
• 边界明确：硬性规定必须先询问用户的操作（发送消息、消费、删除数据、公开行为等）
• 学习机制严谨：仅从显式证据学习，不从沉默或单次指令推断规则
• 上下文恢复流程：规定在询问用户之前必须按顺序读取四类记忆文件
• 零代码风险：纯文档型 Skill，无可执行代码，无依赖，无网络调用

潜在缺点与局限性

• 来源可信度一般：T3 级别（个人开发者），GitHub CLI 不可用无法验证仓库信誉
• 无 LICENSE：缺少开源协议声明
• 执行依赖运行时：Skill 本身仅提供行为规范，实际记忆存储由 Agent 运行时实现
• 自我改进效果不确定：学习信号的提取和升级规则依赖实现质量
• 心跳机制可能扰民：虽然文档规定"信号弱时保持安静"，但实际噪音控制取决于具体实现

适合人群

• 需要 Agent 具备持续学习和行为优化能力的开发者
• 处理多步骤易漂移任务的复杂工作流场景
• 对上下文恢复和任务连续性有高要求的用户
• 希望明确规范 Agent 边界而非依赖隐含行为的使用者

常规风险

• T3 来源风险：个人开发者维护，长期可持续性存疑
• 实现 gap：规范与实际 Agent 行为可能存在偏差
• 存储路径占用：~/self-improving/ 和 ~/proactivity/ 将用于本地状态，用户需知情
• 过度主动风险：若心跳实现不当，可能产生非预期的主动建议

核心用法

Self-Improving Proactive Agent 是一个纯 Markdown 文档型 Skill，将「自我改进」与「主动性」两个行为层统一为单一操作模型。它通过结构化目录指导 Agent：

学习层 (`~/self-improving/`)：

• memory.md：存储经确认的长期规则和偏好
• corrections.md：记录近期纠正和待提升的经验教训
• projects/ 和 domains/：项目/领域范围的学习归档
• 学习信号包括直接纠正、明确偏好、重复成功工作流和事后反思

主动层 (`~/proactivity/`)：

• session-state.md：维护当前目标、最后决策、阻塞点和下一步行动
• working-buffer.md：长任务和脆弱上下文的临时缓冲区
• heartbeat.md：轻量级定期跟进，检查承诺事项和过期阻塞点

核心工作流：
1. 从显性证据学习（纠正、偏好、成功模式），不从沉默或猜测推断
2. 推动下一步有用行动（草稿、检查、补丁、备选方案），价值弱时保持静默
3. 信息路由：持久教训→学习层，活跃任务状态→主动层，易失痕迹→缓冲区
4. 恢复优先于询问：先读取热内存、稳定内存、会话状态、工作缓冲区，最后才询问缺失部分

显著优点

• 统一架构：解决了原本两个独立 Skill 的功能重叠问题，提供一致的操作模型
• 上下文自愈：明确的四级恢复机制大幅减少用户重复说明的成本
• 渐进式学习：通过「3次重复/7天→热存储、30天未用→温存储、90天→归档」的晋升/衰减机制，避免记忆膨胀
• 主动性边界清晰：内置硬边界（发消息、花钱、删数据、公开行动、代他人承诺必须先问），在主动推进和安全之间取得平衡
• 零代码依赖：纯 Markdown 文档，任何 Agent 均可按指南实施，无需特定运行时

潜在缺点与局限性

• 依赖 Agent 遵循：所有安全边界和行为规则均为指导性文档，实际执行取决于 Agent 的遵循程度，无强制机制
• 无自动化工具：不提供自动化脚本或工具来实际创建/管理这些目录和文件，需要 Agent 或用户手动维护
• 晋升阈值主观：「3次重复」「7天」等晋升标准为建议值，未提供自适应机制
• 心跳频率未量化：「轻量级」「适时」等描述缺乏具体频率指导，可能导致过度活跃或响应不足
• 跨会话一致性挑战：若多个 Agent 实例或不同平台使用同一工作空间，状态同步问题未解决

适合人群

• 需要与 AI Agent 进行长期、多步骤复杂协作的用户
• 希望减少重复纠正、建立持久工作偏好的开发者或知识工作者
• 使用支持文件系统持久化的 Agent 平台（如 Claude Code、OpenClaw 等）的用户
• 对 AI 行为有可解释性要求，希望审查和直接编辑 Agent 记忆内容的用户

常规风险

• 敏感信息意外持久化：虽然 Skill 明确声明不存储凭证，但用户可能在纠正或偏好表达中意外包含 API Key、密码等，需定期检查记忆文件
• Agent 偏离边界：实际 Agent 可能不完全遵循 boundaries.md 的安全约束，涉及外部操作时应保持警惕
• 记忆污染：错误的纠正或临时偏好若未经验证即进入热存储，可能导致长期行为偏差
• 来源可信度：T3 级别个人开发者项目，建议关注上游更新并自行审查内容