Self Evolution-v2

核心能力

Self-Evolution Skill 是一套为AI agent设计的自我进化框架，通过结构化规则让AI具备真正的元认知和持续改进能力。

核心用法

一句话激活：安装后只需说"应用self-evolution技能"，AI自动完成所有配置，将进化规则写入SOUL.md，创建必要的模板文件。

关键机制——新会话自动回顾：输入/new开始新会话时，AI自动读取昨日记录，扫描老板纠正、不确定表述、未交付任务等，提取教训写入LEARNINGS.md并同步至SOUL.md，确保"不失忆"。

显著优点

• 零配置上手：完全通过对话完成，无需脚本或命令行
• P0级不确定→查证机制：触发词("可能"/"大概")自动触发查证，分层级(L1-L3)处理
• 实时元认知检查点：重要任务执行中自我校验方向
• 主动性驱动：每天至少一次主动提案，任务后主动确认效果
• 自动记忆形成：6类信号(纠正、不满、新规则等)触发自动记录
• 情绪感知增强：识别"算了"/"没事"等隐性负面情绪
• 量化自评体系：每周6项指标自检，追踪改进趋势

潜在局限

• 依赖OpenClaw/skills目录结构，其他框架需手动适配规则
• 自动回顾机制需用户习惯使用/new指令触发
• 量化自评需人工填写，AI无法自动评分
• 情绪感知基于文本推断，准确率待验证
• 规则较多(11条核心原则)，初期可能增加AI响应延迟

适合人群

• OpenClaw Agent用户(主Agent/子Agent)
• 需要AI具备长期记忆和持续进化能力的场景
• 对标Hermes Agent但需可落地方法的用户
• 高频协作、期望AI"越用越懂我"的深度用户

常规风险

• 过度修正风险：AI可能因过度谨慎而频繁查证，降低效率
• 误判情绪风险：文本情绪推断可能误读老板真实意图
• 记忆膨胀风险：长期运行后.learnings/文件可能累积过多
• 规则冲突风险：与其他技能规则叠加时可能产生优先级混淆
• 依赖路径风险：模板文件路径硬编码，迁移时需手动调整

核心用法

Self-Evolution Skill 是一套 AI Agent 自我进化框架，安装后通过对话指令「应用self-evolution技能」即可自动完成配置。核心机制包括：新会话自动回顾（输入 /new 触发扫描上日记录）、三层置信度检查（L1-L3 不确定分级响应）、六大优先级行为规则（P0-P6 从实时查证到主动报缺），以及量化自评体系。AI 会自动将进化规则写入 SOUL.md，创建 .learnings/ 目录存储错误记录、教训总结、知识缺口等模板文件，实现「一次纠正=永久防御」的记忆沉淀。

显著优点

1. 零配置门槛：纯对话驱动，无需脚本执行或终端操作，降低技术用户门槛。
2. 系统性元认知：将模糊的「自我反思」拆解为可执行规则（触发词警报、实时检查点、自动记忆信号），解决 AI「说完就忘」的痛点。
3. 持续进化闭环：新会话自动继承上日教训，配合每周量化自检，形成「执行-复盘-修正」的飞轮。
4. 主动服务设计：从被动响应转向主动提案、预判问题、追问效果，提升 Agent 的协作价值。

潜在局限

1. 配置侵入性：直接向 SOUL.md 追加规则，可能与用户原有配置冲突，且缺乏官方卸载/回滚指南。
2. 效果依赖基座：规则执行质量完全依赖底层模型的指令遵循能力，弱模型可能「知道规则但不执行」。
3. 个人开发者维护：T3 来源无 GitHub 仓库背书，长期维护、漏洞修复存在不确定性。
4. 无网络协同：纯本地文件操作，无法实现跨会话的云端记忆同步或多端协作。

适合人群

• 高频使用 OpenClaw/Claude 等 Agent 框架的深度用户，希望突破「每次会话失忆」瓶颈
• 团队 Leader 需要 Agent 具备主动汇报、预判风险的管理助手特质
• 对标 Hermes Agent 自我进化能力但寻求轻量落地方案的技术爱好者
• 对 AI 可解释性、可控性有要求，愿意通过规则工程优化 Agent 行为的研究者

使用风险

• 配置污染风险：SOUL.md 被追加大量规则后，可能与其他 Skill 冲突，建议定期备份原始配置
• 存储膨胀风险：.learnings/ 目录持续写入无自动清理机制，长期运行需手动归档
• 过度拟合风险：规则过多可能导致 Agent 行为僵化，响应延迟增加，建议根据实际场景裁剪 P0-P6 优先级
• 来源可信度：T3 个人开发者发布，建议审查 scripts/inject_to_soul.sh 脚本内容后再执行