核心用法
Self-Evolving Skill 是一个元认知自学习系统，通过预测编码框架实现AI技能的自动演化。系统核心围绕"残差金字塔"（ResidualPyramid）构建——利用SVD分解量化当前认知与目标之间的缺口能量，并据此触发三层跃迁：覆盖率>80%时调整策略权重（POLICY）、40-80%时生成子Skill（SUB_SKILL）、<40%时归纳新谓词（PREDICATE）。
用户可通过CLI、MCP服务器或直接编程三种方式调用。关键操作包括创建Skill、执行并学习（需传入success/value信号）、分析嵌入向量、持久化存储等。系统内置经验回放缓存避免重复触发，并通过ValueGate确保只有提升长期价值的变异才被接受。
显著优点
- 自动化演进：无需人工设计学习规则，系统基于残差能量自适应判断学习时机
- 量化认知缺口：残差金字塔提供可解释的抽象层级建议
- 价值驱动进化：过滤低价值变异，避免无效迭代
- 持久化与回放：经验自动保存，支持跨会话累积
潜在缺点与局限性
- 阈值敏感：
min_energy_ratio=0.10、value_gain_threshold=0.20等超参数需调优，不同任务域差异大 - SVD计算开销：高维嵌入的频繁分解可能影响实时性
- 价值函数依赖：长期价值的定义依赖外部输入（
value参数），若标注质量差则进化方向偏移 - 缺乏理论收敛保证：预测编码在开放任务中的稳定性未经广泛验证
适合人群
AI研究者、需要动态适应用户行为的Agent开发者、对元学习与神经符号AI交叉领域感兴趣的工程师。
常规风险
- 反馈循环风险：自演化系统可能放大早期偏差，需定期人工审计 evolved skills
- 存储膨胀：经验缓存若无上限将占满磁盘，需配置自动清理策略
- MCP服务器暴露：若部署为服务，需验证
skill_execute的输入过滤，防止注入攻击