核心用法
midos-self-improver 是一套完整的 Agent 自我改进基础设施，采用「捕获 → 质量门控 → 暂存 → 评分 → 提升」五级管道，替代传统平面化学习日志。系统内置 5 类检测触发器（Correction/Error/Knowledge Gap/Best Practice/Pattern），在 UserPromptSubmit 和 PostToolUse 事件点自动捕获学习素材。所有条目首先进入 .learnings/entries/ 目录，随后通过确定性质量门控：基于 SHA-256 + trigram 相似度（85% 阈值）去重，并执行决策检查（至少提取 2 条决策或跨 2 个域的 3 个文件才通过）。通过门控的条目进入 .patterns/ 暂存区，由 4 轴评分器（Recurrence 0.35 / Freshness 0.25 / Specificity 0.20 / Impact 0.20）计算综合得分，≥0.7 自动提升至 .knowledge/ 永久知识库并注入 CLAUDE.md/AGENTS.md。
显著优点
噪声过滤机制是该 Skill 最大差异化优势。相比同类方案（self-improving-agent、proactive-agent）的无差别日志策略，质量门控有效拦截「仅文档字符串无决策」「同模块维护性编辑」等低价值条目，防止知识库沦为「学习坟墓」。四轴评分量化成熟度，让「被验证 3 次以上 + 跨域影响 + 具体路径」的高价值模式自动浮现，而非依赖人工审查。确定性管道零 LLM 依赖，去重、决策检查、评分公式均为纯算法实现，运行成本低且可审计。与 MidOS 生态深度集成时，还可获得 GEPA 连贯性评分、L2R 重排序、LanceDB 向量去重等增强能力。
潜在缺点与局限性
冷启动周期较长：新 pattern 需累积 3-5 次出现 + 14 天半衰期 freshness 衰减，才能达到 0.7 提升阈值，短期反馈不及时。评分权重固定：Recurrence 35% 权重对探索性项目可能过度惩罚创新模式（出现次数少但价值高）。隐私合规缺位：文档建议的数据捕获流程缺少 GDPR 级别的用户明确同意机制，企业部署需自行补全。生态锁定风险：完整功能（MC-2 交付物门控、MCP 工具暴露）依赖 MidOS 付费生态（$20/mo），独立模式仅覆盖 80% 场景。
适合的目标群体
长期运行的 Agent 项目：需持续迭代 3 个月以上的代码库、自动化工作流或研究助手，学习复利效应显著。多域复杂系统：跨 3+ 技术栈（如全栈 + DevOps + 数据分析）的项目，跨域 Impact 评分能有效识别架构级模式。追求可审计性的团队：确定性管道满足金融、医疗等合规敏感行业的审计要求。MidOS 生态现有用户：已使用 GEPA、L2R 等组件的团队可获得无缝集成体验。不适合：快速原型（<2 周）、单域简单脚本、无人工审核资源的完全自动化场景。
常规使用风险
Agent 上下文注入风险：Skill 核心功能是建议修改 CLAUDE.md/AGENTS.md，虽设计有 0.7 评分阈值，但误配置或边界评分（0.68-0.72）可能让未经验证的规则进入系统提示。务必启用手动审核模式，将 promoted_to 字段作为强制检查点。数据累积风险：.learnings/、.patterns/、_discarded/ 目录若不定期清理，30 天周期 + 自动归档机制可能导致敏感信息（错误堆栈、文件路径）长期驻留磁盘。建议配置定时任务清理 _discarded/ 并加密 .knowledge/。评分阈值漂移：固定 0.7 提升阈值可能不适用于所有安全级别，高敏感场景建议手动上调至 0.8-0.85，或增加「人工终审」环节。T3 来源审慎评估：作为社区个人开发者项目，建议隔离环境先行验证 2-4 周，确认行为符合预期后再生产部署。MidOS 官方域名链接（midos.dev）可信，但生态付费转化路径需留意。