核心用法
Active Self-Improvement 是一个主动学习闭环系统，区别于被动日志记录，它通过读取错误日志、学习记录、批量输出和永久记忆，自动检测模式并更新技能、协议和行为。
三大阶段运作流程：
1. SCAN（扫描）：读取 .learnings/ERRORS.md、.learnings/LEARNINGS.md、memory/permanent/*.md 等文件，检测重复错误（3+次）、重复修正、新兴模式、陈旧知识和未利用成果
2. PROPOSE（提案）：为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、风险评估和可逆性判断
3. APPLY（应用）：根据风险等级自动执行（低风险即时应用、中风险通知用户、高风险等待审批）
关键触发时机：会话结束后、批量处理完成后、项目里程碑后、显式"improve"指令或每周定时任务。
独创性功能：
- 错误→技能反馈循环：自动将错误修复写入对应技能的
## Learned章节，实现"技能自愈" - 委托反馈机制：分析 DELEGATION_PLAN.md 中的原子耗时数据，标记估算漂移并更新模型路由建议
显著优点
- 真正的主动性：无需提示即可自我改进，突破传统AI被动响应局限
- 结构化学习：3次出现阈值 + Pattern-Key 去重，避免过度反应
- 风险分级处理：可逆性评估与用户通知机制保障安全
- 全链路覆盖：从错误修复到知识更新、从行为调整到路由优化
- 支持干跑模式（--dry-run）：便于审计和调试
潜在缺点与局限性
- 依赖日志质量：输入源的结构化程度直接决定学习效果
- 延迟学习：3次阈值设计意味着需要一定积累才能触发改进
- 自我修改风险：虽然有风险分级，但低风险的自动应用仍可能引入不可预见的问题
- 模糊匹配局限：错误上下文到技能名称的匹配依赖启发式规则
- 缺乏外部验证：学习闭环完全内部，可能积累偏见
适合人群
- 长期运行的AI助手/Agent系统开发者
- 需要持续优化工作流的企业级AI应用
- 追求"越用越聪明"体验的高级用户
- 多项目并行、需要知识跨会话沉淀的场景
常规风险
| 风险类型 | 说明 | 缓解措施 |
|---------|------|---------|
| 自我强化偏差 | 错误学习被持续放大 | 定期人工审计 `.learnings` 文件 |
| 模式过度拟合 | 偶然现象被当作规律 | 保持3次阈值，启用干跑模式验证 |
| 知识陈旧 | 永久记忆与实际情况脱节 | SCAN阶段专设"陈旧知识"检测项 |
| 自动修改失控 | 低风险判定失误导致不当变更 | 版本控制 + REVERSIBLE标记机制 |