核心用法
Auto-Improve Skill 是一套面向 AI 辅助开发的自动优化框架，其核心理念是「每一次执行都让下一次更好」。该技能通过五个阶段的闭环循环（Load Context → Check Past Mistakes → Execute Task → Verify → Update）实现持续学习。
关键流程：
- Session Start：自动加载项目上下文（.antigravity.md）和全局记忆（recall_memory），对已知错误发出预警
- Pre-Action Check：每次代码修改前执行四步检查清单，避免重复犯错
- Post-Action Learn：任务结束后自动验证，成功则保存可复用模式，失败则提取根因并记录教训
- Session End：总结学习成果并更新知识库
集成能力： 可与 mistake-tracker、verification-loops、context-management 等技能联动，形成完整的学习生态系统。
显著优点
1. 零摩擦学习：全自动触发机制，无需人工干预即可持续积累知识
2. 错误免疫：通过 mistakes_repeated 指标追踪，理论上可将重复错误降至零
3. 模式资产化：将成功经验转化为可复用 patterns，实现知识沉淀
4. 跨会话持久化：基于 .antigravity.md 和全局 memory 实现项目级知识传承
潜在缺点与局限性
- 存储膨胀风险：未明确界定「仅保存相关内容」的判定标准，可能导致记忆库臃肿
- 过度学习陷阱：某些场景下的失败可能是偶发而非模式，盲目记录可能形成错误 heuristics
- 上下文依赖：高度依赖 antigravity.md 的维护质量，若初始配置不佳会形成累积误差
- 德语混用问题：文档中德英术语混杂，可能影响多语言团队协作
适合人群
- 长期维护复杂项目的开发团队
- 需要高频迭代、快速反馈的敏捷项目
- 希望建立组织级知识库的技术负责人
常规风险
| 风险类型 | 说明 |
|---------|------|
| 数据隐私 | 错误日志可能包含敏感代码片段 |
| 过度拟合 | 针对特定项目的 patterns 可能无法迁移 |
| 验证成本 | 每次任务后的 verification loop 增加计算开销 |