核心用法
Self-Improving Agent 是一款基于主动自我反思的智能体技能，通过三层记忆架构（HOT/WARM/COLD）实现持续自我优化。核心流程包括：
1. 触发机制：自动识别用户纠正信号（"不对"、"应该是"、"我喜欢..."等），以及自我觉察的输出缺陷
2. 分层存储：
3. 自动升降级：3次验证成功→晋升HOT；30天未用→降级；90天未用→归档
4. 自我反思：重大任务完成后主动评估「是否达标-如何改进-是否模式化」
- HOT层（memory.md）：≤100行高频规则，始终加载
- WARM层（projects/、domains/）：项目/领域专用，按需加载
- COLD层（archive/）：归档历史，显式查询才加载
显著优点
- 零维护负担：自动捕获纠正，无需用户手动整理知识库
- 渐进式精准：通过3次验证规则避免过早固化偶然偏好
- 上下文感知：项目/领域/全局三级命名空间隔离，冲突时「最具体+最新」优先
- 完全透明：每个记忆引用标注来源文件位置，支持完整导出
潜在局限
- 冷启动依赖：需用户明确纠正3次才能形成稳定规则，沉默无法推断偏好
- 存储边界：明确禁止存储凭证、健康数据等敏感信息，功能性受限
- 规模瓶颈：HOT层硬性100行限制，超复杂场景可能需要频繁换页
- 无网络能力：无法整合外部知识源，纯依赖本地交互积累
适合人群
- 需要长期协作、希望AI「越用越懂自己」的深度用户
- 有明确工作流程偏好、厌倦重复说明的开发者/写作者
- 重视可解释性、需要审计AI决策依据的合规场景
常规风险
- 过度拟合：3次阈值可能捕获用户临时状态而非真实偏好
- 记忆污染：用户情绪化纠正（"别再错了！"）可能被机械记录
- 归档丢失：90天自动归档后，老旧但关键规则可能难以检索
- 版本漂移：跨会话记忆一致性依赖本地文件系统，无云同步机制