核心用法
Self-Improving Agent 是一套让 AI 智能体具备自我反思与持续学习能力的系统架构。它通过三级记忆存储（HOT/WARM/COLD）和自动化的模式识别，让 agent 能够从用户纠错和自身反思中积累经验。
典型使用场景：
- 用户指出错误后自动记录并改进
- 完成复杂任务后进行自我评估
- 识别重复指令并提炼为持久规则
- 建立项目专属或领域专属的知识库
记忆层级：
- HOT（memory.md）：≤100行，始终加载，存储高频使用的核心偏好
- WARM（projects/, domains/）：按需加载，项目/领域专属模式
- COLD（archive/）：归档存储，长期保留但极少访问
学习机制：
- 自动检测 8 类用户纠错信号和 5 类偏好信号
- 自我反思日志记录任务完成后的改进点
- 3次成功应用后自动晋升至更高层级
- 30/90天未使用自动降级归档
显著优点
1. 知识复利：无需手动维护，学习成果持续累积
2. 精准归因：每次引用记忆时标注来源文件和行号
3. 弹性架构：支持项目级、领域级、全局三级命名空间隔离
4. 冲突消解：明确的优先级规则（具体>通用，新近>陈旧）
5. 透明可控：支持完整导出、统计查询、定向遗忘
潜在缺点与局限性
- 依赖显式信号：不会从沉默或观察中推断偏好，可能遗漏隐性反馈
- 冷启动问题：需要积累一定纠错/反思数据才能体现价值
- 存储边界：用户本地
~/self-improving/目录，跨设备不自动同步 - 晋升延迟：3次触发规则可能让高频但低价值的模式过早固化
- 无网络能力：明确禁止外部 API 调用，无法利用云端知识库
适合人群
- 与 AI 进行长期、深度协作的重度用户
- 需要维护多个项目上下文的开发者/创作者
- 对输出质量有稳定预期、愿意投入时间纠错的用户
- 偏好本地优先、数据可控的隐私敏感型用户
常规风险
- 数据残留：本地文件删除前需确认，误删导致学习丢失
- 模式固化：过早晋升的规则可能难以修正，需手动干预
- 隐私泄露：虽承诺不存储凭证/健康数据，但用户仍需审核
corrections.md内容 - 上下文爆炸：极端情况下可能触发优雅降级，部分记忆不被加载