核心用法
Super Self-Improving Agent 是一款面向高级用户的自我优化框架，通过结构化记忆系统（hot/warm/cold三级存储）持续学习用户偏好。核心操作包括：
- 记忆管理：通过
~/.super-self-improving/目录管理文本/代码/风格等多模态偏好 - 反馈注入：支持显式纠正（"不要用表格"）、隐式行为推断及合成自我评估三种反馈渠道
- 策略迭代：基于错误分类与根因分析，自动调整生成策略并更新置信度校准分数
显著优点
1. 系统性学习：突破单次对话限制，建立跨会话的持久记忆网络
2. 量化追踪：task_completion_rate、calibration_score 等6项指标可视化改进效果
3. 预防性优化：通过错误模式识别主动规避重复失误，而非被动响应
4. 用户可控：升级规则透明（3次确认→HOT层级），避免黑箱化学习
潜在局限
- 冷启动成本：需积累足够反馈（5次使用确认WARM层级）才能生效
- 存储敏感：本地文件系统依赖，多设备同步需手动配置
- 误判风险：隐式反馈推断可能偏离用户真实意图
- 元学习开销：策略动态调整可能增加响应延迟
适合人群
- 高频使用AI编程/写作辅助的专业开发者与内容创作者
- 对输出风格有稳定偏好、愿投入初期调教成本的用户
- 追求长期协作效率最大化而非即时响应的场景
常规风险
- 记忆文件污染：错误反馈累积导致策略退化，建议定期
export备份与人工审核 - 隐私泄露：preferences.md 可能记录敏感项目模式，需遵循安全边界第1条"不存储敏感信息"
- 过度拟合：频繁小改进可能使模型过度适应特定用户而损失泛化能力