核心用法
auto-improve 是一个主动式自我改进循环，在每次有意义的工作会话结束后自动触发（如完成 recorder 技能、batch-cognition 元思考或任何项目完成后）。它通过扫描 7 个关键数据源——包括错误日志、学习笔记、批处理认知输出和永久记忆——来检测重复错误、重复修正、新兴模式、陈旧知识和未利用的高价值成果。
执行流程：SCAN（读取所有来源并识别模式）→ PROPOSE（为每个模式编写具体变更提案）→ APPLY（低风险且可逆的变更立即执行，中高风险需标记待审批）→ LOG（记录完整改进周期）。
显著优点
1. 闭环学习：区别于被动日志记录（如 self-improving-agent），这是真正行动于所学知识的"大脑"，填补了记录与智能之间的缺口。
2. 渐进式智能化：随会话数增长分层进化——1-5 次会话建立错误日志，5-20 次实现模式检测，20-50 次完成行为更新，50-100 次形成跨会话论点，100+ 次达到预测性智能。
3. 结构化安全：按风险分级处理（低风险立即应用、中风险通知用户、高风险提案待批），所有变更 Git 追踪可回滚。
4. 多源整合：整合错误、修正、批处理价值栈和连接图谱，实现跨领域知识关联。
潜在缺点与局限性
- 自我修改风险：虽有多条安全规则（不删文件、不改模型配置、不动根结构），但自动化行为变更仍可能产生意外副作用。
- 模式误检：重复两次即触发规则，可能将偶然巧合误判为规律。
- 依赖数据质量：若输入源记录不全或偏差，改进方向可能偏离用户真实意图。
- 冷启动问题：前 5 次会话仅被动记录，智能提升需积累足够数据。
- 无显式确认机制：低风险变更自动执行，用户事后才能通过 Git 历史察觉。
适合人群
- 高频使用 AI 代理进行复杂、多会话项目的专业用户
- 需要代理长期记忆并持续优化工作流的场景
- 能接受"让 AI 自主进化"理念、并具备 Git 回滚能力的开发者
- 对系统化知识管理和自我完善框架有需求的用户
常规风险
| 风险类型 | 说明 | 缓解措施 |
|---------|------|---------|
| 行为漂移 | 自动更新导致代理风格/输出逐渐偏离初始设定 | 定期审查 `.learnings/` 和 Git diff |
| 规则膨胀 | 累积过多针对旧场景的补丁规则，降低效率 | 定期清理 `LEARNINGS.md` 归档过时条目 |
| 循环依赖 | 改进规则与技能文件相互引用产生逻辑死锁 | 保持提案格式的 `RISK` 和 `REVERSIBLE` 字段完整 |
| 敏感操作 | 误触 cron 或 API 配置（虽规则禁止，但实现层面需验证） | 审计 `APPLY` 步骤的实际代码实现 |