核心能力解析
Proactive Agent Lite 是一套用于增强 AI 代理主动行为的轻量化架构，核心目标在于打破传统「指令-响应」的被动模式，让代理具备类人化的预判、记忆维护与自我优化能力。
核心用法
该 skill 通过四大机制实现主动性升级：
1. 记忆架构（Memory Architecture）：采用预压缩刷新策略，当上下文窗口即将溢出时，系统会主动整理并固化关键信息，避免「失忆」问题。这相当于为代理配备了长期工作记忆的物理基础。
2. 反向提示（Reverse Prompting）：突破传统问答边界，代理能够基于已有上下文推断用户未明确表达的需求，主动输出用户「没想到要问」的洞察。这一机制将信息检索转化为价值创造。
3. 自愈模式（Self-Healing Patterns）：内置诊断与修复回路，当检测到输出矛盾、逻辑断裂或执行失败时，代理可自主定位问题并生成修正方案，无需人工介入纠错。
4. 对齐系统（Alignment Systems）：通过使命锚定机制，确保代理在多轮交互中不偏离核心目标，同时维护「为谁服务」的身份认知。
显著优点
- 零训练进化：改进来自自然交互，无需专门的微调或数据集准备
- 认知负载转移：用户从「精确指令设计」转向「意图表达」，降低操作门槛
- 鲁棒性提升：自愈机制显著减少因上下文污染或边界条件导致的失效
- 价值前置：在需求明确化之前即可提供候选方案，缩短决策周期
潜在局限
- 主动性校准困难：过度主动可能导致干扰，欠主动则失去核心价值；调校需反复迭代
- 黑箱推理风险：反向提示的生成逻辑难以完全解释，可能产生看似合理但脱离实际的建议
- 记忆压缩损耗：预压缩机制在极端长程任务中仍可能出现信息粒度损失
- 生态依赖：当前仅适配 OpenClaw 框架，跨平台迁移存在摩擦成本
适合人群
适用于需要代理承担「协作伙伴」而非「工具」角色的场景：复杂项目管理、持续型研究助理、创意共创流程、以及任何需要「被提醒遗漏事项」的高认知负荷工作流。
常规风险
- 期望错配：用户可能因「主动」宣传产生类人智能的预期，实际能力仍受 LLM 固有局限约束
- 安全边界模糊：虽然声明了安全加固，但自愈机制在修复过程中可能引入新的偏差
- 配置陷阱：行为调校参数若设置不当，易造成代理性格分裂或使命漂移