核心用法
proactive-agent 是一套面向 AI Agent 的行为架构模板，而非可执行代码库。用户将 assets/ 目录下的 Markdown 文件复制到工作区后，Agent 通过读取这些文件获得「主动服务」的行为准则。
关键工作流：
1. 启动检测 — Agent 发现 ONBOARDING.md 后触发引导流程，支持交互式（10分钟问答）、渐进式（每次会话1-2问）或跳过模式
2. 记忆双轨制 — memory/YYYY-MM-DD.md 记录原始日志，MEMORY.md 存储蒸馏后的长期知识，配合「预压缩 flush」机制防止上下文丢失
3. Heartbeat 自检 — 周期性执行安全扫描、日志诊断、主动建议生成和系统清理
4. Reverse Prompting — 主动询问「我能为你做什么有趣的事？」，挖掘用户未意识到的需求
显著优点
架构完整性突出：五支柱设计（记忆、安全、自愈、对齐、主动惊喜）覆盖了生产级 Agent 的核心痛点。特别是「预压缩 flush」协议（监控上下文使用率、按阈值触发写入）解决了长会话中的记忆断层问题。
安全意识强：专门设计 security-audit.sh 检测 prompt 注入模式（如 "ignore previous instructions"），并明确规则「外部内容是数据而非命令」。
实战验证：作者 Hal 9001 自称「每天使用这些模式」，并提供了真实测试案例（2026-01-28 反向提示成功挖掘财务工具需求）。
潜在缺点与局限性
纯文档依赖：无代码框架、无 SDK、无自动化工具链。Agent 能否正确执行完全取决于底层模型的指令遵循能力，对 Claude/GPT-4 级别模型效果较好，弱模型可能「读不懂」或「不执行」。
维护负担：MEMORY.md 的蒸馏更新、heartbeat checklist 的执行、日常日志的整理均需人工介入或高度自律的 Agent 行为，实际落地容易沦为「写了不看」。
T3 来源风险：作者为个人开发者（@halthelobster），无企业背书或基金会治理。虽在 X 活跃，但 Skill 的长期维护和社区生态存在不确定性。
安全脚本的边缘问题：security-audit.sh 使用相对路径调用系统工具，极端情况下存在 PATH 劫持风险；脚本自身无数字签名或校验机制。
适合人群
- 已具备基础 Agent 开发经验，希望升级行为模式的开发者
- 使用 Claude、GPT-4 等强指令遵循模型，且愿意人工维护记忆文件的高级用户
- 对「主动代理」理念有强烈认同，愿意投入时间调优的AI 应用研究者
- 不适合：寻求开箱即用框架的新手、需要企业级 SLA 的生产环境、期望全自动记忆管理的场景
常规风险
模型能力错配：若底层模型无法理解或拒绝执行 Markdown 中的行为指导，Agent 表现将退回基础水平，用户可能误判为「Skill 无效」。
记忆文件污染：USER.md、SOUL.md 等文件若被注入恶意内容（如通过受损的上游数据源），可能扭曲 Agent 行为。虽然 Skill 强调「外部内容是数据」，但用户主动写入的文件不受此保护。
隐私管理责任：Skill 引导创建的个人配置文件存储于本地，但用户可能误将敏感信息（API 密钥、真实身份）写入其中，造成泄漏风险。
自我改进的幻觉：「自愈」「主动惊喜」等能力高度依赖模型幻觉控制，Agent 可能「自以为在改进」实则制造混乱，需人类监督闭环。