核心用法
Self-Improving + Proactive Agent 是一套AI自我进化框架，通过四层机制实现持续学习：
1. 信号捕获：自动识别用户纠正（"不对，应该是…"）、显式偏好（"我喜欢你这样…"）和重复模式（3次以上相同指令）
2. 分层存储：HOT层（≤100行，永久加载）→ WARM层（项目/领域文件，按需加载）→ COLD层（归档，显式查询）
3. 自动流转：7天内使用3次自动升级，30天未用降级，90天归档，永不静默删除
4. 自我反思：任务完成后主动评估"是否达标→如何改进→是否成模式"
显著优点
- 零维护复利：知识自动沉淀，无需手动整理记忆
- 精准个性适配：区分全局/项目/领域三层，特定场景优先于通用规则
- 透明可追溯：每个决策标注来源文件及行号，支持完整导出
- 多语言支持：内置中英双语信号识别
- 主动进化：不仅被动学习，更主动自我批评优化
潜在局限
- 冷启动依赖：需积累3次重复才确认模式，初期体验偏"笨拙"
- 静默风险：明确禁止"从沉默推断"，可能错过潜在优化信号
- 上下文压力：HOT层虽限100行，复杂项目仍可能挤占工作记忆
- 无网络协同：纯本地文件存储，无法跨设备同步（除非用户自行同步目录）
适合人群
- 长期项目协作者（开发者、创作者、研究者）
- 对AI输出有稳定质量要求的专业用户
- 愿意投入初期"调教"成本以换取后期省心体验的用户
- 不适合：追求单次对话极致效果、无意建立长期协作关系的用户
常规风险
| 风险类型 | 说明 | 缓释措施 |
|---------|------|---------|
| 误学错误 | 用户纠正本身有误 | 3次确认规则 + 显式确认机制 |
| 记忆膨胀 | 文件无限增长 | 自动降级归档 + 合并压缩规则 |
| 隐私泄露 | 本地存储敏感偏好 | `boundaries.md` 明确禁止存凭证、健康数据 |
| 规则冲突 | 项目/全局矛盾 | specificity优先 + 时效优先 + 模糊时主动询问 |
技术亮点
- 心跳机制（heartbeat-state.md）支持定期自维护
- 与
memory、learning、decide、escalate技能形成生态 - OpenClaw 原生种子文件兼容