核心用法
Self-Improving Agent 是一套零代码的纯文档型技能系统，通过本地 Markdown 文件实现AI的自我进化。其核心机制包括：
1. 触发式学习：自动识别用户纠正（"不对，应该是..."）、偏好表达（"我喜欢..."）和重复模式，无需用户显式命令即可启动记录
2. 三级记忆架构：
3. 自动升降级：3次成功应用→晋升HOT，30天未用→降级，90天未用→归档
4. 自我反思机制：任务完成后主动评估「是否达标-如何改进-是否成模式」，并写入corrections.md
- HOT层（memory.md）：≤100行，高频规则常驻内存
- WARM层（projects/、domains/）：按项目/领域分片，按需加载
- COLD层（archive/）：长期归档，支持手动检索
显著优点
- 零安全风险：纯文档架构，无可执行代码，CLS认证评分95/S级
- 透明可控：每条引用标注来源文件及行号，支持完整导出和按需遗忘
- 智能隔离：项目/领域/全局三级命名空间，避免规则冲突
- 隐私优先：明确禁止存储凭证、健康数据，符合GDPR数据最小化原则
- 渐进优化：从单次纠正→模式识别→固化规则，知识复利效应显著
潜在局限
- T3来源风险：个人开发者维护，长期更新稳定性待观察
- 依赖本地存储：
~/self-improving/目录被删除或损坏将丢失全部记忆 - 冷启动期：前3次重复才能触发模式升级，初期需耐心喂养
- 无跨会话同步：纯本地实现，多设备使用需手动同步
- 语义检索有限：依赖关键词匹配，复杂推理关系需人工整理
适合人群
- 高频深度用户：每日与AI协作、希望AI「越用越懂我」的专业人士
- 复杂项目工作者：需要跨会话保持代码风格、写作规范等一致性
- 质量敏感型用户：对输出精度要求高，愿意投入时间纠正和反馈
- 隐私优先者：拒绝云端记忆方案，坚持数据本地化存储
常规风险
- 敏感信息误存：用户可能在corrections中无意中包含密码、API Key等，需定期审查
- 规则僵化：长期积累的HOT层规则可能过时，建议每季度手动清理
- 版本兼容性：未来技能更新可能改变存储格式，需关注迁移说明
- 存储膨胀：WARM层文件默认≤200行，但重度用户可能触及边界需手动压缩