核心用法
Self-Improving Agent 是一套结构化的自我反思与记忆管理系统，通过「检测-记录-归档-复用」闭环实现Agent能力的持续进化。核心操作围绕 ~/self-improving/ 目录下的分层记忆架构展开：
| 层级 | 文件位置 | 容量限制 | 触发条件 |
|------|---------|---------|---------|
| **HOT** | `memory.md` | ≤100行 | 始终加载，高频偏好 |
| **WARM** | `projects/`, `domains/` | ≤200行/文件 | 上下文匹配时按需加载 |
| **COLD** | `archive/` | 无限制 | 显式查询时加载 |
关键触发器：用户纠正（"Actually...""You're wrong..."）、自我反思（任务完成后评估）、偏好信号（"I like when you..."）。满足3次重复的模式自动晋升至更高层级，90天未使用则归档。
典型工作流：
1. 检测到纠正信号 → 写入 corrections.md
2. 3次成功应用后 → 晋升 memory.md
3. 每周自动压缩、月度归档、用户可导出ZIP
---
显著优点
- 零代码安全架构：纯Markdown文档型Skill，无执行代码、无外部依赖、无网络请求，安全评级S+
- 知识自动复利：通过「3次触发晋升」机制，将零散反馈沉淀为持久能力，无需手动维护
- 三层隔离设计：项目级(projects/)、领域级(domains/)、全局级(memory.md)隔离，冲突时「最具体+最新」优先
- 透明可审计：每个记忆引用标注来源文件行号，支持完整导出和「遗忘X」指令删除
- 优雅降级：上下文不足时优先加载HOT层，明确告知用户未加载内容
---
潜在局限
- 冷启动依赖用户反馈：初期无记忆积累，需用户主动纠正或Agent自我反思才能建立知识库
- 晋升阈值固定：3次触发机制可能过于保守或激进，无法针对不同领域动态调整
- 无跨会话持久化：实际持久化依赖于外部文件系统实现，原生LLM上下文无法真正「记住」
- 冲突解决保守：层级相同时仅依赖时间戳，可能忽略语义相关性更强的旧规则
- 手动维护边界：虽声明不存敏感数据，但依赖用户/开发者正确配置
boundaries.md
---
适合人群
- 长期协作型用户：与同一Agent持续交互数周以上，希望减少重复指令
- 质量敏感型场景：编程、写作、设计等需要风格一致性的创意工作
- 反馈积极型用户：愿意花时间纠正AI输出，追求「越用越懂我」的体验
- 隐私优先环境：企业内网、本地部署场景，拒绝云端记忆同步方案
不适合：一次性查询用户、对「黑箱学习」敏感且要求完全可控的合规场景、无文件系统访问权限的纯API调用
---
常规风险
| 风险类型 | 说明 | 缓解措施 |
|---------|------|---------|
| **记忆污染** | 错误纠正被当作正确模式学习 | 晋升前询问确认（3次后弹窗） |
| **过度拟合** | 过度适应特定用户表达习惯，泛化能力下降 | 层级隔离+90天衰减机制 |
| **隐私泄露** | 用户意外将敏感信息写入记忆文件 | `boundaries.md` 明确排除凭证/医疗/生物识别数据 |
| **提示注入** | 恶意用户通过"correction"格式注入伪记忆 | 无代码执行能力，仅影响文本检索 |
| **依赖幻觉** | Agent错误声称"根据你的偏好"但实际无记忆 | 强制要求引用来源文件行号 |
该Skill本身无执行风险，主要风险在于使用者的实施质量——需配套的文件系统权限、定期备份、以及正确的敏感数据过滤规则配置。