Self-Improving Agent (With Self-Reflection)

核心用法

Self-Improving Agent 是一套完整的自我改进框架，让 AI 代理具备自我反思、自我批评、自我学习和自我组织记忆的能力。其核心机制包括：

1. 触发式学习：当用户纠正("No, that's not right...")、表达偏好("I like when you...")或检测到重复模式时自动记录
2. 分层记忆架构：三级存储系统——HOT层(memory.md, ≤100行, 始终加载)、WARM层(projects/, domains/, 按需加载)、COLD层(archive/, 归档存储)
3. 自动升降级：使用3次/7天升HOT，30天未用降WARM，90天未用归档
4. 自我反思流程：完成重要任务后暂停评估——是否达标？如何改进？是否形成模式？

显著优点

• 知识复利：经验自动累积，无需用户重复教学
• 精准响应：项目级隔离确保不同上下文获得定制化服务
• 透明可审计：每次引用记忆均标注来源文件及位置
• 优雅降级：上下文受限时优先保障核心记忆加载

潜在局限性

• 依赖显式信号：不会从沉默或观察中推断偏好，错过隐性反馈
• 手动确认门槛：3次重复后才建议确认为规则，初期可能重复犯错
• 本地文件依赖：记忆局限于~/self-improving/目录，跨设备不互通
• 无网络能力：无法主动检索外部知识补充记忆

适合人群

• 需要长期协作的复杂项目用户
• 对AI输出质量有持续优化需求的开发者/写作者
• 希望减少重复沟通成本的高效工作者

常规风险

• 边界文件(boundaries.md)规定禁止存储凭证、健康数据等敏感信息
• 需警惕"模式过度泛化"——用户临时指令可能被误记为长期偏好
• 存储路径可配置，但默认~/self-improving/可能被其他程序访问

核心用法

该Skill构建了一套完整的Agent自我改进机制，通过三层记忆架构（HOT/WARM/COLD）实现知识的持久化与动态优化。HOT层memory.md始终保持加载，存储最核心的用户偏好；WARM层的projects/和domains/目录按项目/领域隔离知识，按需加载；COLD层archive/归档低频模式。系统通过明确的触发器识别学习机会：用户纠正用语（"Actually..."）、显式偏好声明（"I like when you..."）、重复模式检测（3次以上相同指令）。每次完成重要任务后，Agent需执行结构化自反思维：比对预期与实际结果、识别改进空间、判断是否为可复用模式。

显著优点

1. 真正的持续学习：突破单次对话上下文限制，偏好随时间复利积累，无需用户重复说明
2. 精准的记忆路由：分层存储策略平衡召回率与效率，避免上下文膨胀
3. 用户可控的透明度：每条记忆引用标注来源文件行号，支持完整导出/删除/审查
4. 安全边界清晰：boundaries.md明确定义不存储凭证、健康数据、第三方信息，符合GDPR数据最小化原则
5. 零依赖轻量架构：纯Markdown文档驱动，无外部API、无动态代码执行、无可执行文件

潜在局限

1. T3来源可信度：维护者为个人开发者Theo-jobs，非企业级背书，虽代码完全公开，但企业用户需自行评估供应链风险
2. 记忆质量依赖触发准确性："Ignore"规则中排除的"单次指令/假设情境"若被误判为模式，可能污染长期记忆
3. 无跨设备同步：数据仅存本地~/self-improving/，多设备使用需手动迁移
4. 冷启动体验：新用户需积累3次以上相同纠正才能触发HOT层晋升，初期感知不强

适合人群

• 长期高频使用特定Agent的重度用户，希望减少重复沟通成本
• 有明确工作流和风格偏好的专业人士（开发者、写作者、分析师）
• 对数据主权敏感、要求本地优先存储的隐私意识用户
• 愿意投入初期训练成本换取后期效率的耐心型用户

常规风险

• 记忆固化风险：用户偏好随时间变化，旧模式可能因30/90天降级规则未及时淘汰而产生惯性
• 配置漂移风险：AGENTS.md自动修改建议若未经审查，可能引入与系统提示词的隐性冲突
• 存储污染风险：虽Skill本身安全，但本地文件若被其他程序篡改，Agent行为将不可预测
• 过度拟合风险：Strict/Active/Passive三种模式中，Active模式可能将偶然重复误判为偏好规则