核心用法
Self-Improving + Proactive Agent 是一套让 AI 具备自我反思、自我纠错、自我学习能力的技能系统。当用户指出错误、完成任务后复盘、或发现更优方法时，Agent 会自动记录并改进。核心工作流包括：
1. 学习信号捕获：识别用户纠错（"不对，应该是..."）、偏好表达（"我喜欢你这样..."）、重复模式（同一指令出现3次以上）
2. 分层记忆存储：HOT（≤100行，常驻）、WARM（按需加载）、COLD（归档），实现精准上下文管理
3. 自动升降级：3次验证成功则升舱，30/90天未用则降级归档
4. 周期性心跳维护：通过 HEARTBEAT.md 自动执行内存整理与规则同步
显著优点
- 经验复利：知识随使用自动积累，无需手动维护知识库
- 精准归因：每个决策可溯源至具体记忆文件与行号
- 冲突智能解决：项目级 > 领域级 > 全局级，最近优先
- 优雅降级：上下文不足时仅加载核心记忆，绝不静默失败
- 安全边界清晰：明确不碰凭证、健康数据、第三方信息
潜在局限
- 启动成本：需运行 setup.md 初始化目录结构，首次使用有摩擦
- 冷启动问题：新场景下记忆为空，需积累3次验证才能形成稳定规则
- 静默偏见风险：若用户不主动纠错，错误模式可能持续
- 中文支持待完善：核心文档为英文，部分中文示例仅为翻译
适合人群
- 需要长期协作的复杂项目（编程、写作、设计）
- 对 AI 输出质量有持续优化需求的用户
- 愿意投入前期配置换取后期效率的进阶用户
- 多项目并行、需要上下文隔离的场景
常规风险
- 过度学习：从沉默中推断规则导致虚假关联（已明确禁止）
- 记忆污染：新规则过早升入 HOT 层可能干扰核心行为
- 隐私误存：用户可能无意中让 AI 记住敏感信息（需配合 boundaries.md 审计）
- 版本漂移：技能更新后旧记忆规则可能失效，需定期
clawhub sync