核心机制
Self-Learn 是一套双循环持续改进系统，专为长期个性化服务设计。它通过两条路径积累知识：
1. 被动学习——用户纠正触发
当检测到特定话术（"No, that's wrong"、"Actually..."、"Stop doing X"、"I told you before..."等），立即执行四步流程：简短确认→写入memory/corrections.md→调用memory_store（category: preference/decision, importance: 0.85）→验证存储。所有纠正条目标注日期，格式为[CORRECTION] <错误行为> → <正确行为>。
2. 主动学习——任务完成自评
每完成一项任务后，Agent进行1-3句内省：输出是否契合意图？下次如何改进？是否值得存储为可复用模式？若判定有价值，则记录CONTEXT+REFLECTION+LESSON三段式日志，并同步至LanceDB（category: decision, importance: 0.75）。常规无瑕疵任务跳过记录，避免日志膨胀。
显著优点
- 双向反馈闭环：既捕获显性纠正（用户指令），也挖掘隐性优化（自我反思）
- 分层存储架构：Markdown文件供人工审阅，向量数据库支持语义检索与跨会话召回
- 智能去重机制：通过"routine skip"规则与原子化条目（<100词）控制噪音
- 隐私安全内建：明确禁止记录凭证、个人数据等敏感信息
局限与风险
- 触发依赖用户表达：若用户纠正方式不规范（如仅沉默或放弃），可能漏捕信号
- 自评主观性：Agent对自身输出的判断可能存在盲区，需人工定期审阅
corrections.md - 存储膨胀风险：虽有过滤规则，高频使用场景下仍需定期归档旧条目
- 跨会话一致性：依赖LanceDB召回质量，关键词标注不当会导致"学了但想不起来"
适合人群
- 需要长期协作关系的深度用户（写作助手、编程伙伴、研究助理）
- 对AI输出风格/格式有明确偏好的专业用户
- 多轮复杂项目管理者，需要Agent记忆上下文决策
安全等级说明
- S级：无代码执行、无外部网络调用、无敏感数据硬编码
- 潜在风险点：用户可能在纠正过程中无意中泄露敏感信息，需依赖"No secrets"规则过滤
- 存储路径
memory/corrections.md为本地文件，建议配合访问控制