核心用法
metaskill 是一套针对 AI Agent 设计的结构化元学习框架，通过三个 Bash 脚本强制实现从「被动修复」到「主动进化」的转变：
深度纠错 (deep-correct.sh) —— 遭遇错误时执行，强制完成三级拆解：表层失败原因→底层原则违反→具体行为修正。将「这次报错」升级为「这类错误永不再犯」。
迁移学习 (transfer-check.sh) —— 任务启动前检索历史学习库，通过领域映射（如 auth→security）确保知识跨场景流动，消除学习孤岛。
成功捕获 (success-capture.sh) —— 任务完成后记录有效模式及其原理，构建正向经验资产库，避免仅关注失败偏差。
显著优点
- 工程化落地：将抽象的「学习能力」转化为可执行、可审计的脚本工作流
- 零摩擦集成：与
self-improving-agent自动兼容，独立运行时不依赖外部服务 - 预防性设计：通过前置检查（transfer-check）和后置捕获（success-capture）形成完整学习闭环
- 可度量改进：内置
eval.sh支持胜败比分析，学习成效可见
潜在局限
- 工具链锁定：Bash 脚本设计对 Windows 环境不友好，跨平台需额外适配
- 语义检索弱依赖：transfer-check.sh 的「领域映射」依赖硬编码或简单关键词匹配，缺乏向量语义检索，复杂场景可能漏匹配
- Agent 配合度：三级拆解深度依赖 Agent 的反思质量，若 Agent 本身缺乏深度分析能力，可能流于形式
- 规模化瓶颈：纯文本日志存储，长期运行后检索性能下降，未提及分片或向量化索引
适合人群
- 运营长期记忆型 Agent 系统的开发者
- 希望将「试错成本」转化为「组织知识」的技术团队
- 已部署
self-improving-agent或类似框架、需要标准化学习协议的用户
常规风险
- 数据污染：若错误分析本身有误，三级拆解会将错误原则固化入库，形成负向循环
- 过度修正：为追求「深度」可能导致过度泛化，将偶发问题上升为系统性约束
- 隐私泄露：日志默认存储于
.learnings目录，若包含敏感输入未脱敏处理 - 自动化依赖：集成至 AGENTS.md 强制规则后，低质量输入会导致日志膨胀、信噪比下降