核心用法
Metaskill 是一个面向 AI 代理的元学习操作系统，通过三大机制实现持续自我进化：
1. 深度纠错（deep-correct.sh）
- 采用三层剖析法：表面现象 → 底层原理 → 习惯养成
- 区别于简单的错误日志追加，强制追溯根本原因
2. 迁移学习（transfer-check.sh）
- 任务启动前检索历史经验中的类比模式
- 跨领域映射（如 auth → security），打破知识孤岛
3. 成功模式捕获（success-capture.sh）
- 主动记录「什么有效」以及「为什么有效」
- 构建可复用的成功策略库
显著优点
| 维度 | 优势 |
|------|------|
| **架构设计** | 三层纠错模型直击「治标不治本」的行业通病 |
| **灵活性** | 支持 Anthropic/OpenAI/Ollama/Gemini 四供应商，Ollama 零成本本地部署 |
| **生态兼容** | 自动检测并写入 self-improving-agent 学习库 |
| **渐进增强** | 无 LLM 时退化为启发式模式，功能不中断 |
局限性与风险
| 类型 | 说明 |
|------|------|
| **认知负荷** | 每次任务需执行前置/后置脚本，流程变重 |
| **冷启动问题** | 初期 `.learnings/` 为空时，迁移学习价值有限 |
| **模式膨胀** | 长期积累可能导致检索效率下降（需定期 eval.sh） |
| **过度拟合风险** | 历史成功经验可能不适用于新场景，需人工复核 |
适合人群
- 开发复杂 AI 代理系统的工程师
- 追求「越用越聪明」而非「即用即弃」的长期主义项目
- 多领域任务频繁切换、需要知识复用的场景
常规风险
- 数据隐私：学习库可能累积敏感业务逻辑，需定期审计清理
- 版本漂移：团队共享的学习库若缺乏版本管理，可能引入过时假设
- 评估缺失：
--save的月度评估若流于形式，将沦为无效仪式