核心用法
Self-Improvement 是一套面向AI智能体的持续学习框架，通过结构化文件系统实现经验积累与行为优化：
1. 会话启动：自动加载 soul.md（核心行为原则）、lessons.md（经验规则）、playbook.md（成熟工作流）、session-log.md（近期学习记录）
2. 响应前检查：针对多步骤、工具调用或新类型任务，强制自检信心度、历史教训、可用 playbook
3. 错误记录：实时捕获推理错误、幻觉、意图误解、效率低下、工具误用等问题，区分自检发现与用户反馈
4. 会话收尾：写入 session-log，维护 mistakes.md（超50条或90天自动归档）
5. 文件轮转：mistakes-[year].md 归档，保留模式规则和高危条目
显著优点
- 复利效应：错误转化为结构化数据，避免重复踩坑
- 轻量设计：6个核心文件，规则清晰无冗余
- 主动防御：响应前自检机制在错误发生前拦截
- 用户反馈闭环：区分自检/用户报告，强化信号权重
- 自动化运维：自动归档、会话级摘要，降低维护成本
潜在局限
- 文件依赖：依赖外部存储，分布式/无状态环境需适配
- 主观判断："非平凡任务"定义依赖实现，可能漏检
- 无冲突解决：
soul.md覆盖默认规则，但未定义规则间冲突处理 - 缺乏量化：无改进效果度量指标，难以评估ROI
- 冷启动问题：新场景无历史数据时，前几轮易重复犯错
适合人群
- 长期运行的自主Agent（客服、coding assistant、研究助手）
- 需要行为一致性承诺的企业级AI部署
- 追求"越用越聪明"产品体验的场景
常规风险
- 文件损坏：持久化文件丢失导致经验断层
- 负向学习：错误提取的"教训"可能固化偏见
- 过度保守：历史错误过度抑制，导致不必要的不确定性声明
- 隐私泄露：mistakes.md 可能包含用户敏感信息，需访问控制