Self Improving Agent CN

核心功能

Self-Improving Agent 是一套AI自我改进与记忆系统，旨在解决大模型对话中「同类错误反复犯、用户纠正不长记性」的核心痛点。通过自动化的错误捕获、用户纠正记录和最佳实践沉淀，实现AI的跨会话学习能力。

主要用法

自动触发场景：

• 命令执行失败（退出码非0）→ 自动记录到 errors.jsonl
• 用户说"不对"/"错了"/"应该" → 自动记录到 corrections.jsonl
• 发现更优解法 → 自动记录到 best_practices.jsonl
• 知识过时提醒 → 记录到 knowledge_gaps.jsonl

执行前检查：每次执行命令前自动查询记忆库，避免重复踩坑。例如执行 npm install 前，系统会提示历史错误记录和正确做法。

跨项目同步：记忆同时存储于全局目录（~/.openclaw/memory/）和项目级目录（.learnings/），并同步更新 AGENTS.md 和 MEMORY.md。

显著优点

1. 纯本地实现：完全基于Python标准库，无第三方依赖，零网络请求
2. 自动触发：无需手动记录，通过语义识别和退出码自动捕获学习点
3. 双级记忆：全局记忆+项目级记忆，兼顾通用性和项目特异性
4. 执行前拦截：在犯错前主动提示，而非犯错后才学习
5. 安全合规：通过T-LITE全扫描，静态/动态分析均获95分以上

局限与风险

| 维度 | 说明 |

|------|------|

| 来源可信度 | T3级别（个人开发者"老二"），无公开GitHub仓库可追溯 |

| 记忆质量 | 依赖用户表达清晰度，模糊纠正可能导致错误学习 |

| 敏感信息 | 用户可能在纠正中无意暴露API Key等，需定期审查 |

| 过时知识 | 未内置自动失效机制，需人工定期review清理 |

| 迁移成本 | 记忆格式为特定JSONL结构，换用其他AI工具时迁移需转换 |

适合人群

• 长期与AI协作的开发者（周活跃会话>10次）
• 多项目并行、需要维护复杂上下文的团队
• 对AI反复犯同样错误感到沮丧的效率敏感型用户
• 有明确代码风格/操作规范需要AI遵守的项目

安全评估

安全扫描得分85/A级，无危险函数（eval/exec/system/subprocess），仅操作 ~/.openclaw/memory/self-improving/ 目录下的结构化数据文件。风险项RISK-001为功能必需的目录访问，RISK-002为T3来源的常规提醒，均无实质安全威胁。

核心功能

Self-Improving Agent 是一款专注于AI自我学习与记忆持久化的Skill，通过结构化记录错误、用户纠正和最佳实践，构建AI的长期记忆系统。

主要用法

该Skill通过四个Python脚本实现记忆管理：

• log_error.py: 自动捕获命令失败记录
• log_correction.py: 记录用户实时纠正（触发词："不对""错了""应该"）
• log_best_practice.py: 沉淀更优解法
• check_memory.py: 执行前自动检索相关记忆，避免重复踩坑

记忆采用分层存储：全局目录(~/.openclaw/memory/self-improving/) + 项目级(.learnings/) + 用户偏好(AGENTS.md)，实现跨项目、跨会话的经验传承。

显著优点

1. 痛点精准: 直击"AI不长记性"的行业通病，将隐性经验转化为显性资产
2. 自动化程度高: 无需手动干预，通过退出码检测、关键词识别自动触发记录
3. 架构设计合理: JSONL格式便于追加，独立索引文件保障查询性能
4. 零依赖安全: 仅使用Python标准库，供应链攻击面为零
5. 隐私友好: 完全本地存储，无网络外泄风险

局限性与风险

• T3来源: 个人开发者"老二"维护，无组织背书，长期可持续性存疑
• 脱敏未实现: SKILL.md承诺敏感信息脱敏，但代码中未见具体实现
• 文件膨胀: 缺乏自动清理/轮转机制，长期使用可能导致存储膨胀
• 无版本控制: 记忆文件误删后难以恢复，建议手动备份
• 触发词局限: 中文语境复杂，固定关键词可能漏捕或误触发

适合人群

• 长期与AI协作的开发者/团队
• 有特定代码规范、工具链偏好的项目
• 希望减少重复沟通成本的重度AI用户
• 对数据隐私敏感、偏好本地化方案的用户

安全评估

安全认证报告显示S级(85分)，静态/动态分析均无恶意代码，文件操作严格限定在用户目录。主要风险在于T3来源的信任边界，建议用户二次审查后使用。