核心用法
Self-Improving Agent 是一套指导 Claude 进行主动自反思的文档型 Skill。它不包含任何可执行代码，而是通过结构化的 Markdown 文档定义了一套完整的记忆管理机制：
1. 三层记忆架构：HOT（memory.md，≤100行，常驻加载）、WARM（projects/、domains/，按需加载）、COLD（archive/，归档存储）
2. 触发检测：自动识别用户更正（"Actually..."）、偏好信号（"I like when..."）和重复模式（3次以上相同指令）
3. 自我反思流程：完成重要任务后暂停评估——是否达标、如何改进、是否为可复用模式
4. 晋升/降级规则：3次成功应用→晋升 HOT；30天未用→降级 WARM；90天未用→归档 COLD
显著优点
- 零攻击面：纯 Markdown 文档，无代码、无网络请求、无依赖，通过 Agent 工具操作本地文件
- 隐私优先设计：boundaries.md 明确定义禁止存储凭证、健康数据、第三方信息，完全合规 GDPR/CCPA
- 透明可控：每个记忆项标注来源文件和行号，支持"forget everything"删除、完整 ZIP 导出
- 渐进式学习：不猜测用户偏好，仅从明确更正和确认中学习，避免过度拟合
- 命名空间隔离：项目级/领域级/全局级分层，冲突时最具体、最新规则优先
潜在缺点与局限性
- 依赖用户主动反馈：不推断沉默信号，学习速度受限于用户更正频率
- 上下文窗口压力：HOT 层虽限 100 行，但高频使用场景下仍需定期压缩归档
- 无跨会话同步：记忆仅存储于本地
~/self-improving/，多设备场景需手动迁移 - Agent 执行一致性：实际效果依赖 Claude 对文档指令的解析精度，复杂规则可能执行偏差
- 缺乏版本回滚：corrections.md 和 memory.md 的修改是追加/覆盖式，无内置历史版本
适合人群
- 高频使用 Claude 进行复杂多步任务、希望减少重复说明的专业用户
- 有明确工作流偏好、愿意投入时间进行"训练式"反馈的开发者/写作者
- 对数据隐私敏感、要求本地优先存储的企业环境
- 需要可审计、可解释记忆机制而非黑盒学习的场景
常规风险
| 风险类型 | 评估 | 说明 |
|---------|------|------|
| 代码执行 | ✅ 无风险 | 纯文档，无可执行代码 |
| 数据外泄 | ✅ 无风险 | 零网络请求，仅本地文件操作 |
| 隐私侵犯 | ⚠️ 低风险 | 理论上可能误存敏感信息，但 boundaries.md 有明确禁令 |
| 提示词注入 | ✅ 无风险 | 无用户输入直接处理逻辑 |
| 供应链攻击 | ✅ 无风险 | 零依赖 |
使用建议：首次使用前阅读 boundaries.md 确认安全边界；定期运行"memory stats"监控存储增长；重要项目记忆可手动备份 ZIP。