核心用法
Metaskill 是一套面向 AI 代理的元学习（Meta-Learning）基础设施，设计目标是将单次经验转化为可复用的系统性能力。其使用场景高度聚焦：错误发生后执行深度归因而非表面修补，任务启动前检索历史类比以避免重复踩坑，成功后固化获胜模式形成正向积累。
三大核心脚本构成闭环：
deep-correct.sh采用三级解剖（表面现象→原理违反→行为修正），强制穿透错误表层；transfer-check.sh在任务前主动检索跨领域相似模式，打破知识孤岛；success-capture.sh将成功经验结构化存档，构建正向反馈库。
系统无缝对接 self-improving-agent，学习记录优先写入统一存储，无需额外配置。
显著优点
- 机制设计严谨：三级纠错框架借鉴了航空事故调查与软件工程 RCA（Root Cause Analysis）方法论，避免"头痛医头"；
- 迁移学习前置：将知识检索环节嵌入任务前序流程，从被动救火转向主动预防；
- 生态集成度高：自动探测并复用现有学习存储，降低部署摩擦；
- AGENTS.md 强制约束：通过预任务清单将元学习仪式化，确保执行纪律。
潜在局限与风险
- 执行成本：深度分析需要额外上下文窗口和推理时间，简单任务可能"过度治疗"；
- 迁移误判风险：跨领域类比依赖相似度计算，错误匹配可能导致策略误用；
- 学习债务累积：若
.learnings/缺乏定期治理，检索噪音将上升，反噬效率； - 代理依赖性：当前设计假设代理具备足够的自我反思能力，对底层模型能力有隐含要求。
适合人群
- 运行长周期、多步骤复杂任务的自动化代理系统
- 需要跨项目/跨领域复用调试经验的开发团队
- 追求"失败一次、进化一次"而非"失败一次、修复一次"的工程文化
常规风险
- 脚本误操作可能导致学习记录污染，建议定期备份
.learnings/； - 敏感错误信息经
deep-correct.sh处理后可能进入持久化存储，需评估数据脱敏策略。