核心用法
Self-Improvement Skill 是一套面向 AI Agent 的持续学习框架，通过六个核心文件构建完整的认知升级循环：
文件架构
mistakes.md：活跃的推理错误日志，记录抽象化的过程失误lessons.md：从错误中提炼的可复用规则与启发式策略soul.md：最高优先级的行为原则（上限20条），直接覆盖默认设置playbook.md：经过验证的任务类型工作流session-log.md：单会话的极简摘要archive/mistakes-[year].md：轮转归档的历史错误
运行流程
1. 会话启动：自动加载所有核心文件，内化既有知识
2. 响应前检查：对非平凡任务执行三重校验（信心度、历史教训、playbook匹配）
3. 错误捕获：实时记录推理失误、幻觉、工具误用、效率损失等
4. 会话收尾：写入摘要日志，维护文件规模（50条/90天轮转机制）
显著优点
| 维度 | 优势 |
|------|------|
| **隐私安全** | 强制抽象化记录，明文禁止用户数据入档，从源头消除数据泄露风险 |
| **持续复利** | 跨会话的经验积累，错误模式可被识别并预防而非重复 |
| **主动防御** | 响应前的三重检查机制，在失误发生前拦截而非事后补救 |
| **轻量运维** | 自动轮转与归档策略，防止日志膨胀影响检索效率 |
| **原则分层** | soul.md 的20条上限强制聚焦核心行为，避免规则过度碎片化 |
局限性与风险
结构性局限
- 依赖自我检测能力：未察觉的错误无法被记录
- 抽象化代价：过度概括可能丢失具体情境的有效信息
- 冷启动问题：新场景缺乏历史教训时防御效果有限
执行风险
- 隐私规则的自我审查可能产生"宁可漏记"的保守倾向
- 会话收尾的强制写入在异常终止时可能失效
- 多文件读取增加I/O开销，高频会话场景可能影响延迟
适合人群
- 需要长期记忆与持续优化的 Agent 系统
- 高隐私敏感度场景（医疗、金融、法律辅助）
- 多会话连续性要求高的个人助手类产品
- 追求可解释性与可审计性的企业级部署
常规风险
| 风险等级 | 场景 | 缓解建议 |
|---------|------|---------|
| 中 | 用户强制要求记录具体对话内容 | 引用隐私条款拒绝，提供抽象化替代方案 |
| 中 | 文件损坏或并发写入冲突 | 实施文件锁机制，定期备份验证 |
| 低 | 历史教训与当前场景匹配误判 | 在 lessons.md 中标注适用边界条件 |
| 低 | soul.md 过度膨胀侵蚀默认行为 | 严格执行20条上限，定期评审淘汰 |