核心用法
Self-Improving Agent 是一套主动式自我反思框架，要求AI在关键节点执行结构化自省：启动非平凡任务前加载相关记忆，完成工作后评估成果，并在用户纠正时立即记录。
三层记忆架构
| 层级 | 位置 | 容量 | 加载策略 |
|------|------|------|----------|
| **HOT** | `memory.md` | ≤100行 | 始终加载 |
| **WARM** | `projects/`, `domains/` | ≤200行/文件 | 按需匹配上下文 |
| **COLD** | `archive/` | 无限制 | 显式查询时加载 |
自动升降级机制：7天内使用3次→晋升HOT；30天未用→降级WARM；90天未用→归档COLD。
关键触发器
必须记录：用户明确纠正（"You're wrong..."）、重复指令达3次、有效工作流获得认可。
忽略：一次性指令、上下文特定请求、假设性提问。
自评流程
每完成重要工作后执行：
1. 对比预期与实际成果
2. 识别可改进点
3. 判断是否为可复用模式
4. 按格式写入 reflections.md
---
显著优点
知识复利设计：通过"3次成功应用→HOT"规则，将偶发经验转化为永久能力，避免重复踩坑。
精准学习边界：严格限定学习来源（显式纠正+自我反思），拒绝从沉默或观察推断，显著降低幻觉风险。
冲突解决清晰：项目级 > 领域级 > 全局级，同级取最新，模糊时主动询问而非猜测。
透明可追溯：每条记忆引用标注来源文件及行号，支持完整导出与遗忘特定条目。
优雅降级：上下文不足时优先保HOT层，明确告知用户未加载内容，静默失败。
---
局限性与风险
存储位置敏感：依赖 ~/self-improving/ 目录，若环境隔离不当可能导致记忆泄露或跨会话污染。
冷启动空白期：新会话初期缺乏HOT层积累，需用户主动触发或经历3次重复教学才能生效。
归档召回成本高：90天以上历史需显式查询，可能遗漏远期相关的隐性模式。
边界执行依赖：虽声明不存凭证/健康数据，但实际执行取决于 boundaries.md 的具体实现，需用户二次确认。
自我反思的主观性：AI自主判断"显著工作"的标准可能漂移，存在漏评或过度反思风险。
---
适合人群
- 需要长期一致性的项目协作（如品牌文案、代码风格）
- 愿意前期投入教学以换取后期省力的效率型用户
- 重视可解释性、需审计AI决策轨迹的合规场景
- 频繁使用多步骤复杂任务、需迭代优化的专业工作流
---
常规风险提示
1. 记忆膨胀：未定期清理的WARM层可能拖慢上下文匹配速度
2. 规则僵化：过度积累的HOT条目可能抑制灵活应变，建议季度审查
3. 误删风险："Forget X"操作跨层级删除，执行前强制确认
4. 版本兼容性：技能版本升级（当前1.2.10）可能导致存储格式变更，需 clawhub sync 维护