核心用法
Self-Improving Agent 是一套面向AI助手的元认知框架，通过三层记忆架构（HOT/WARM/COLD）实现自我改进。核心工作流分为两个阶段：
1. 启动阶段：非平凡任务前自动加载 memory.md（HOT层，≤100行），检索相关历史经验
2. 收尾阶段：任务完成后执行结构化反思——对比预期与实际结果、识别改进点、判断是否为可复用模式
检测触发器自动捕获三类学习信号：用户纠正用语（"No, that's not right..."）、显性偏好声明（"Always do X for me"）、重复模式（同一指令3次以上）。符合3×7规则（7天内成功应用3次）的模式自动晋升至HOT层。
显著优点
- 零配置启动：检测到
~/self-improving/缺失时自动引导初始化 - 分层缓存策略：HOT层常驻上下文、WARM层按需加载、COLD层显式归档，平衡记忆深度与上下文成本
- 命名空间隔离：全局→领域→项目三级继承，解决模式冲突（具体>近期>询问）
- 透明度机制：每次记忆调用强制标注来源，支持周度摘要与完整导出
局限性与风险
冷启动问题：新用户或新领域缺乏历史数据时，前3次重复指令无法触发自动学习
推断禁区：明确禁止从沉默、观察或假设中推断偏好，可能错过隐性需求
上下文硬上限：HOT层100行限制在复杂多项目场景下可能触发频繁归档，影响响应连贯性
无网络协同：记忆完全本地隔离，跨设备/会话无法同步
适合人群
- 高频使用AI助手进行多项目协作的专业用户
- 需要AI保持跨会话一致性的长期工作流场景
- 愿意投入初期"训练期"（3-5次纠正周期）以换取后期自动化收益的用户
常规风险
- 过度拟合：用户短期情绪波动可能被固化为长期规则（30天冷降级周期较长）
- 存储泄露：尽管明确禁止凭证存储，但
boundaries.md的实际执行依赖用户自查 - 版本漂移：技能版本1.2.10与本地记忆文件格式可能存在向前兼容风险
来源可信度：社区实践方案（T2），无第三方安全审计，依赖自我声明的边界约束。