核心用法
Self-Improving Agent Skill 是一套代理自我改进框架，核心机制为"纠正-记录-复用"的闭环学习：
1. 触发场景：当用户纠正代理的错误时（如"不要这样说""下次记得先查日历"），代理自动将纠正转化为结构化规则
2. RULES.md 知识库：按 Communication、Operations、People 等分类存储带日期戳的原子规则，单条规则独立可执行
3. AGENTS.md 集成：将自我改进逻辑写入代理配置，使其在每次被纠正后自动执行记录流程
4. 持续优化：代理定期读取 RULES.md，避免重复犯错，规则库随使用精炼成个性化操作手册
显著优点
- 零摩擦学习：无需重新训练模型，即时从自然语言纠正中提取规则
- 高度可解释：所有规则明文存储，用户可审计、编辑、回滚代理行为
- 成本极低：纯提示工程实现，无需向量数据库或 RAG 基础设施
- 渐进式改进：规则库增长曲线可预测（初期快速增长→后期趋于稳定），符合学习规律
- 个性化适配：每个用户的 RULES.md 独一无二，形成长期协作记忆
潜在缺点与局限性
| 局限 | 说明 |
|------|------|
| 规则上限 | 约 150 条后模型遵循率下降，需定期清理合并 |
| 上下文占用 | 长 RULES.md 消耗 token，可能挤占任务上下文 |
| 规则冲突 | 需人工或自动检测矛盾规则（新规则优先策略可缓解） |
| 过度泛化风险 | "推广模式而非事件"原则可能将偶然偏好固化为永久规则 |
| 无跨会话优化 | 仅单用户单代理受益，无法泛化到其他实例 |
适合人群
- 高频使用 AI 代理的专业用户（律师、咨询师、产品经理）
- 追求输出一致性的团队：需标准化代理回复风格、流程
- 提示工程爱好者：希望精细化控制代理行为，不愿接受默认性格
- 隐私敏感场景：不愿将微调数据上传至第三方服务
常规风险
1. 规则漂移：长期积累后规则可能隐含冲突或过时假设，建议月度审计
2. 纠正误记录：用户随口纠正被永久化，需在 RULES.md 中预留注释机制
3. 提示注入：若 RULES.md 包含用户输入内容，需过滤恶意规则注入
4. 过度依赖：用户可能因"代理会学习"而降低初始提示质量，反而增加纠正负担