核心用法
Proactive + Self-Improving Agent 是一套纯文档型的 AI 自我改进框架，通过四级记忆架构（HOT/WARM/COLD/Archive）实现知识的持久化积累。当用户纠正错误、拒绝输出，或 AI 自身识别到可优化空间时，系统自动将经验教训写入 ~/self-improving/ 目录下的分级存储结构。
核心工作流包含：
- 检测触发：识别用户纠正语句（"No, that's not right..."）、偏好表达（"I like when you..."）及重复模式
- 自我反思：完成复杂任务后自动评估产出质量，记录改进点
- 晋升机制：同一模式 3 次成功应用后从 WARM 晋升至 HOT 记忆层
- 心跳维护：通过
HEARTBEAT.md实现定期记忆整理与状态同步
用户可通过自然语言查询记忆状态（"What have you learned?"）、导出完整数据 ZIP 包，或一键清除特定记忆。
显著优点
1. 零依赖安全架构：纯 Markdown 文档实现，无 package.json、无外部 API 调用，从根本上消除供应链攻击风险
2. 用户完全控制：所有数据本地存储于用户目录，支持完整导出与删除，符合 GDPR 数据可携带权与删除权
3. 智能分层设计：HOT 层（≤100 行）常驻上下文保证响应速度，WARM/COLD 层按需加载平衡性能与记忆容量
4. 显式同意模型：仅记录明确纠正，推断型偏好需 3 次重复确认，避免过度拟合用户习惯
5. 冲突解决机制：项目级 > 领域级 > 全局级的优先级规则，确保特定场景下精准匹配
潜在局限
- 学习延迟：新纠正需 3 次重复才能晋升为持久规则，初期可能出现同类错误反复
- 存储膨胀：长期未访问的温记忆仅自动降级而非删除，需用户手动归档清理
- 无网络协同：纯本地设计虽保障隐私，但无法实现跨设备记忆同步
- 上下文窗口压力：HOT 层虽有限制，高频使用者仍可能面临 100 行上限的挤占
- 无版本回滚：记忆更新为覆盖式，误删或错误纠正无法直接撤销
适合人群
- 与 AI 进行长期、多轮复杂项目协作的专业用户
- 对数据隐私敏感、要求完全本地控制的组织环境
- 需要 AI 持续适应个人工作风格与领域规范的场景（如特定代码规范、文档模板偏好）
- 愿意投入时间进行反馈纠偏以换取长期体验提升的耐心用户
常规风险
- 过度拟合风险：频繁纠正可能导致 AI 过度泛化规则，影响通用能力
- 记忆污染：错误纠正被记录后若未及时清理，将长期影响输出质量
- 存储路径冲突：多用户共享环境或容器化部署时需确保
~/self-improving/隔离 - 心跳文件误删：手动删除
HEARTBEAT.md或状态文件将导致维护机制失效
该框架最适合将 AI 视为"长期合作伙伴"而非"一次性工具"的用户，通过持续的双向反馈构建个性化的协作默契。