核心用法
active-self-improvement 是一套主动式自改进闭环系统，区别于被动记录型技能。它通过 SCAN → PROPOSE → APPLY 三阶段流程，让 AI 代理从错误和反馈中自动学习并改写行为准则。
扫描阶段：读取 ERRORS.md、LEARNINGS.md、batch-cognition 输出、永久记忆文件等来源，检测三类关键模式——重复错误（3次+）、重复修正、新兴规律，同时识别陈旧知识与未利用的高价值洞察。
提案阶段：对每个检测到的模式生成结构化提案，包含证据引用、具体修改方案、风险评级（低/中/高）及可逆性判断。
应用阶段：低风险可逆变更自动执行；中等风险应用后通知用户；高风险变更写入待办清单等待审批；支持 --dry-run 模式预览全部提案。
显著优点
1. 闭环自动化：填补了"记录日志"与"实际变聪明"之间的鸿沟，真正实现无人值守的自我进化
2. 风险控制精细：三级风险分类 + 可逆性评估，避免自动化带来的不可控后果
3. 多源信息融合：整合错误日志、批处理元认知、永久记忆等多维度输入，形成全局优化视角
4. 非侵入式集成：基于标准 OpenClaw 工作区文件，零配置即可运行
潜在缺点与局限性
- 阈值刚性：3次重复才触发改进，可能漏掉低频次但高影响的问题
- 依赖文件规范：若项目未按标准维护
.learnings/等目录，效果大打折扣 - 提案质量不可控：自动生成的行为变更可能存在逻辑漏洞，需人工最终把关
- 无冲突解决机制：多个技能同时自改进时可能产生指令冲突
适合人群
- 长期运行的自动化代理系统开发者
- 需要持续从用户反馈中学习并调整行为的对话型 AI 项目
- 追求"设定后遗忘"运维模式的团队
- 已建立规范日志与记忆管理流程的成熟项目
常规风险
| 风险类型 | 说明 | 缓解措施 |
|---------|------|---------|
| 行为漂移 | 多次自动迭代后目标偏离原始设计 | 定期人工审计 OUTSTANDING.md |
| 错误强化 | 基于有偏数据生成错误规则 | 保留原始技能版本备份 |
| 权限边界模糊 | 自动修改 AGENTS.md 等核心配置 | 高风险的永久文件变更强制人工审批 |
建议搭配 memory-guardian 使用，确保记忆层健康；首次部署建议全程启用 dry-run 模式观察 2-4 周。