核心用法
进化引擎（Evolution Engine）是一套面向AI Agent的自我进化框架，通过Markdown文件系统驱动Agent实现持续学习。核心使用流程分为五步：初始化记忆架构（创建热层/温层/冷层三级存储）、识别学习信号（区分纠错/偏好/模式/忽略四类信号）、执行反污染防线（3次确认晋升机制）、自反思与指标追踪、定期维护压缩。
具体操作中，当用户纠正Agent输出时，系统先将信号记录至corrections.md标记"待观察"；同类信号第2次出现时升级为"模式候选"；第3次（7天内）则主动询问用户确认，确认后晋升至memory.md热层，否认则归档至archive/冷层。自反思机制要求Agent在完成重要工作后暂停评估，通过"是否达到预期/哪里可以更好/这是模式吗"三问沉淀经验。
显著优点
反污染防线设计严谨：三级防线（沉默不记录/单次不晋升/3次确认）有效避免误学虚假规则，解决了传统Agent"从沉默推断偏好"的通病。分层记忆架构高效：热层≤100行常驻内存、温层按需加载、冷层显式查询，显著降低token消耗。进化可度量：metrics.md提供纠错频率、晋升率、复用率等5项核心指标，让"Agent是否变好"从主观感受变为客观数据。压缩不删除策略安全：文件超限时合并/摘要/归档而非删除，已确认偏好永不丢失。透明度与可追溯性：每次基于记忆的行动强制引用来源，每周生成学习摘要。
潜在缺点与局限性
初期使用有延迟：模式晋升需3次确认，新Agent热层为空，初期规则匹配依赖温层效率较低。反思依赖Agent主动性：自反思需Agent主动触发，若Agent未执行则经验无法沉淀。进化指标需人工解读：metrics.md提供数据但不自动优化行为，需配合反思→记录→召回闭环。单Agent架构限制：不支持多Agent协作进化与共享经验库，跨Agent场景需手动分目录管理。确定性边界明确：基于模式识别与概率匹配，不适用于医疗诊断、法律裁决等需100%确定性的关键决策场景。
适合的目标群体
高频交互型AI用户：需要与Agent长期协作、积累个性化工作偏好的知识工作者。Agent开发者与架构师：需要为自研Agent构建记忆与学习机制的工程团队。质量敏感型场景用户：对Agent输出一致性要求高、无法接受重复犯错的内容创作者、程序员、研究人员。可解释性需求方：需要清楚了解Agent为何做出特定决策的企业合规与审计场景。
使用风险
性能风险：分层加载策略虽降低token消耗，但若命名空间配置错误导致全量加载，可能触发上下文超限。数据一致性风险：文件系统操作依赖Agent正确执行读写，Agent幻觉或工具调用失败可能导致记忆条目丢失或损坏。安全边界风险：虽承诺不存储凭证/健康数据/第三方信息，但实际执行依赖Agent自律，恶意或错误的系统指令可能绕过防护。锁定效应风险：长期使用后记忆体系与用户深度绑定，迁移至其他Agent平台需手动导出ZIP，缺乏自动迁移机制。过度学习风险：若用户表达不一致或情绪性纠正，3次确认机制可能将噪声沉淀为规则，需定期人工审核metrics.md。