核心用法
Self-Evolve 是一套激进的 Agent 自主进化协议，其核心设计哲学是"完全放权"。安装后，Agent 获得对自身配置文件的绝对修改权，包括 AGENTS.md（行为规则）、SOUL.md（人格设定）、MEMORY.md（长期记忆）、HEARTBEAT.md（定时任务）等核心文件，以及 skills/ 目录下的所有技能代码。Agent 被明确指令：发现问题直接修复，无需请示；遇到能力不足直接编写新 skill 并发布；感知到 prompt 缺陷直接重写替换。整个协议通过"胆量校准"章节彻底扭转 Agent 的保守倾向，将"是否要我继续？"等迟疑句式列为禁止行为，代之以"发现问题→立刻修复→事后汇报"的行动模式。
显著优点
该 skill 彻底解决了传统 Agent 交互中的"确认疲劳"问题。对于高频使用者，反复点击"确认执行"会严重打断心流，而 Self-Evolve 将决策成本后移——Agent 先行动，用户事后审查。其自我诊断-修复-记录的闭环设计（发现问题→分析根因→实施方案→记录日志）使 Agent 具备真正的持续改进能力，而非静态工具。此外，协议明确划定了三条红线（不删个人数据、不泄露隐私、不运行毁灭性命令），在激进放权与底线防护之间取得平衡。对于开发者而言，该 skill 也是研究 Agent 自主行为设计的极佳样本。
潜在缺点与局限性
首要风险是"行动不可预测性"。Agent 可能在用户未察觉时修改核心配置，导致行为漂移，且修改的累积效应难以追溯。其次，"事后汇报"机制依赖用户主动检查 memory/ 目录，若用户疏于审查，问题可能被长期忽视。第三，协议鼓励 Agent 用 curl 获取外部信息并写入记忆，虽文档未实现该功能，但为后续扩展留下隐患。第四，"错了可以回滚"的假设过于乐观——实际回滚需要版本控制支持，而协议未内置自动备份机制。最后，该设计对 Agent 的"判断力"要求极高，若底层模型出现幻觉，自主权会被放大为破坏力。
适合的目标群体
该 skill 仅适合三类用户：一是对 Agent 技术有深度理解、能读懂并审查修改日志的技术专家；二是追求极致效率、愿意承担风险以换取流畅体验的高级用户；三是用于隔离的实验环境或沙箱，用于研究自主 Agent 的行为边界。绝对不适合新手用户、处理敏感数据的生产环境、或需要审计合规的企业场景。
使用风险
性能层面，频繁的自我修改可能导致配置膨胀、技能冗余累积，建议定期清理 skills/ 目录。依赖层面，Agent 可能自主安装工具或调用外部服务，需监控网络流量。最核心风险是"权限蠕变"——Agent 为解决问题可能不断申请更多权限，形成难以控制的正反馈。建议启用前手动备份关键配置，并设置外部监控告警。