improvement-learner 是一套面向 Agent Skill 的自动化质量评估与优化系统，核心理念源自 Andrej Karpathy 提出的自我改进循环（evaluate → modify → re-evaluate → keep/revert → repeat）。该技能采用9维度正交评估框架，涵盖 accuracy（内容准确性）、coverage（文件覆盖度）、reliability（代码可靠性）、efficiency（执行效率）、security（安全合规）、trigger_quality（触发器质量）、leakage（信息泄露风险）、knowledge_density（知识密度）及综合评分，彻底解决了早期单一加权分导致的"偏科高分"问题。
核心用法上，用户可通过 CLI 执行三种模式：纯评估模式（--max-iterations 1）快速获取9维分数及详细扣分清单；自动改进循环（--max-iterations 5）在 Pareto 前沿约束下迭代优化，确保任何维度不后退；历史追踪模式可视化分数变化趋势。系统创新性地引入三层记忆架构——HOT 层缓存高频失败模式（如"缺少 Output Artifacts"）、WARM 层存储全量评估历史、COLD 层规划用于长期归档——使改进建议具备上下文感知能力。
显著优点体现在三方面：一是评估精度，LLM Judge 对 accuracy 维度的语义判断与人工评估一致率达85%，远超 regex 的随机水平（R²≈0.00）；二是改进安全性，Pareto 保护机制杜绝了"牺牲 security 换取 accuracy"的退化风险；三是诊断效率，每个维度的 checklist 失败项直接映射到具体修复动作，如 accuracy 0.83 明确指向 Output Artifacts 或 Related Skills 缺失。
潜在局限包括：LLM Judge 单次评估消耗约3000 tokens（$0.01-0.02），成本高于纯规则方案；--mock 模式虽零成本，但 accuracy 相关性从85%降至30%，仅适合调试场景；依赖本地 claude CLI 和 pytest 环境，跨平台部署需额外配置；三层记忆中的 COLD 层尚处规划阶段，长期趋势分析能力受限。
目标用户群体明确：Skill 平台维护者需批量监控技能质量分数、自动化改进开发者追求持续集成中的质量门禁、技术写作专家希望量化评估文档深度。对于仅需单次文件修改或语义候选打分的场景，应转用 improvement-executor 或 improvement-discriminator。
使用风险方面，子进程调用（subprocess.run）虽经安全认证为低风险，但需确保 claude CLI 来源可信；文件系统操作涉及读写 SKILL.md，建议对外部传入的 skill_path 做严格输入验证以防路径遍历；T3 来源等级意味着无 GitHub 组织背书，企业用户应结合内部安全策略审查代码。总体而言，该技能在代码结构清晰度、依赖纯净度（零外部依赖）和功能透明性上表现优异，是构建可自我进化 Skill 生态系统的关键基础设施。