agentleFS
themusecatcherthemusecatcher/ai-coding-kit/skills/self-improving-agent/SKILL.md

self-improving-agent

Skill2 starsChanged 58 days agoMITView on GitHub

经验回顾与规则质量管理。提供三大能力:(1) 任务前经验回顾——从 .learnings/ 和规则文件中检索相关经验;(2) 规则质量审计——检测规则冲突/过时/重复;(3) 学习记录管理——查询/清理/promote .learnings/ 条目到规则。适用于 dev-flow 步骤 9 调用、用户主动请求回顾/审计、日常对话中检测到可改进模式。

28 other projects use a version of this.

Adopted by

Most recently taken up by

Used with

Projects with it also use skill-vetter, web-search and 4 more.

Other files people use alongside this one.

Files found in the same public projects as a version of this one, more often than they turn up anywhere else. Each project counts once, large collections count for less, and this file's own repository is left out.
  • LaoK2017Skill

    skill-vetter

    Security review and audit tool for AI agent skills. Use when asked to "vet a skill", "check skill security", "audit a skill", or when reviewing skills before installation to detect malicious code, unauthorized access, and suspicious patterns.

    Also in 3 projects that use this

  • MicrosoftSkill

    web-search

    Also in 4 projects that use this

  • OpenAISkill

    brainstorming

    You MUST use this before any creative work - creating features, building components, adding functionality, or modifying behavior. Explores user intent, requirements and design before implementation.

    Also in 5 projects that use this

  • OpenAISkill

    verification-before-completion

    Use when about to claim work is complete, fixed, or passing, before committing or creating PRs - requires running verification commands and confirming output before making any success claims; evidence before assertions always

    Also in 3 projects that use this

  • +2 more from openai

The file

Files
SKILL.md

Self-Improving Agent

经验回顾与规则质量管理系统。聚焦三个可落地的能力,不依赖外部 hooks。

职责边界

红线规范(alwaysApply,每次对话自动生效)
  └── 基础自我改进:用户纠正→create_rule、3次提升为规则、首次约定写规则

continuous-learning-v2(dev-flow 步骤 9 调用)
  └── 深度反思:原子本能提取、置信度评分、本能演化为技能

self-improving-agent(本 Skill)
  └── 经验管理:任务前回顾、规则审计、.learnings/ 记录的生命周期管理

不做的事:不重复红线规范已覆盖的自动触发逻辑;不重复 continuous-learning-v2 的本能提取和演化流程。

触发场景

场景触发方式
开始复杂任务前回顾相关经验dev-flow 步骤 1 自动调用,或用户说"回顾经验"
dev-flow 步骤 9 反思阶段dev-flow 自动调用
用户请求审计规则质量用户说"审计规则"/"检查规则冲突"
用户请求管理学习记录用户说"查看学习记录"/"清理 learnings"/"promote 学习"

能力一:任务前经验回顾

在开始复杂任务前,检索相关历史经验,避免重蹈覆辙。

回顾流程

  1. 提取任务关键词:从当前任务描述中提取技术领域、模块名、问题类型等关键词
  2. 检索 .learnings/:在 ~/.codebuddy/.learnings/ 下搜索匹配条目
  3. 检索规则文件:在 ~/.codebuddy/rules/ 下搜索相关规则
  4. 输出回顾摘要:
📋 经验回顾(与当前任务相关):
- [LRN-xxx] {摘要} → 建议:{行动}
- [RULE] {规则名} → 要点:{核心内容}
- 无相关历史经验 ✅

回顾时机判断

任务复杂度是否回顾
简单修改(改文案/删 console.log)跳过
中等任务(样式调整/小功能)快速检索,有则展示
复杂任务(新需求/跨模块/不熟悉领域)必须回顾

能力二:规则质量审计

检测已有规则中的问题,保持规则库健康。

审计维度

维度检测内容处理建议
冲突两条规则给出相反指导合并或标注优先级
重复多条规则描述同一件事合并为一条
过时规则引用的 API/模式已不再使用标记废弃或更新
覆盖度重要领域缺少规则建议补充

审计流程

  1. 读取 ~/.codebuddy/rules/ 下所有规则文件
  2. 读取 .learnings/LEARNINGS.md 中的 promoted 条目
  3. 逐维度扫描,输出审计报告:
🔍 规则审计报告:
- ⚠️ 冲突:rule-A 与 rule-B 在 xxx 场景下矛盾
- 🔄 重复:rule-C 和 rule-D 描述相同内容,建议合并
- 📅 过时:rule-E 引用的 API 已废弃
- ✅ 无问题的规则:N 条
  1. 用户确认后执行修复

能力三:学习记录管理

管理 .learnings/ 目录的完整生命周期。

存储位置(固定)

~/.codebuddy/.learnings/
├── LEARNINGS.md    # 学习记录(纠正、经验)
├── ERRORS.md       # 错误记录(命令失败、异常)
└── FEATURE_REQUESTS.md  # 功能请求记录

操作命令

操作说明
查看列出所有条目,按状态/优先级/时间筛选
清理删除已 promoted 或过期(>90 天未更新)的条目
promote将高价值条目提升为规则(create_rule)
统计输出学习记录概览(总数、各状态/类型分布)

写入前去重协议(模式识别核心机制)

借鉴 MemPalace Agent Diary 的模式识别能力。每次写入新 learning 前,必须先检查是否已有同类条目,避免 Recurrence-Count 永远为 1。

写入新 learning 前的强制流程:

  1. 提取新条目的 Pattern-Key 和 Tags
  2. 搜索已有条目:grep LEARNINGS.md 中所有条目的 Pattern-Key 和 Tags 字段
  3. 判断是否重复:
    • Pattern-Key 完全匹配 → 视为同一模式
    • Tags 重叠 ≥ 60% 且 Summary 语义相似 → 视为同一模式
  4. 匹配到已有条目时:
    • ❌ 不创建新条目
    • ✅ 更新已有条目:Recurrence-Count += 1、Last-Seen 更新为当前日期
    • ✅ 在 Details 末尾追加本次触发的简要描述(一行)
    • ✅ 检查提升阈值:
      • Recurrence-Count >= 2 且 Priority = critical → 输出 ⚠️ 此问题已出现 {N} 次(critical),建议立即提升为规则
      • Recurrence-Count >= 3 且 Priority = high → 输出 ⚠️ 此问题已出现 {N} 次,建议提升为规则
      • Recurrence-Count >= 5(任意优先级) → 输出 🔴 此问题已出现 {N} 次,必须提升为规则
  5. 未匹配到时:正常创建新条目,Recurrence-Count: 1

禁止行为:

  • ❌ 禁止不检查就直接创建新条目(这是 Recurrence-Count 失效的根因)
  • ❌ 禁止跳过提升阈值检查

Promote 决策表

条件操作
Status = promoted已提升,确认对应规则存在后可清理
Priority = critical + 出现 ≥2 次必须 promote
Priority = high + 出现 ≥3 次建议 promote
超过 90 天无复现标记为历史归档

能力四:主动 Patch

检测到 rule/skill 存在缺陷时,主动发起 patch 修正流程。

触发条件

  1. 流程执行中发现矛盾:dev-flow 步骤指令与实际冲突
  2. 用户纠正的行为直接对应某条规则指令
  3. dev-flow 步骤 9 反思阶段识别出可优化规则
  4. 能力二规则审计发现可自动修正项

安全前置条件(硬性)

执行 patch 前必须全部满足:

  • 已完成 .backup/ 备份
  • 已执行 Unicode/注入扫描
  • 使用原子写入范式
  • 获得用户显式确认(rule/SKILL 改动必须二次确认)

执行流程

完整 8 步流程见 references/auto-patch.md。精要:识别 → 备份 → 扫描 → diff 展示 → 用户确认 → 原子写入 → 记录 PATCHES.md → 交互式提醒。

禁止触发的场景

  • 修改 alwaysApply=true 的规则(须用户主动发起)
  • 删除规则条目(只能新增/修改)
  • 跨文件级联 patch(单次只能影响一个文件)
  • 无实际冲突证据的「主观改进」

Patch 记录

所有 patch 记录到 ~/.codebuddy/.learnings/PATCHES.md,结构化条目含:timestamp / file / reason / trigger / diff / confirmed_by。

快速决策路由

当检测到可改进模式时,快速判断该走哪条路径:

情况路由说明
用户纠正 AI→ 红线规范自动执行 create_rule不经过本 Skill
命令失败(非零退出码)→ 记录到工作上下文 or .learnings/ERRORS.md本 Skill 负责记录
首次项目约定→ 红线规范自动执行 create_rule不经过本 Skill
同一问题 ≥3 次→ 红线规范自动提升为规则不经过本 Skill
dev-flow 步骤 9 反思→ 本 Skill 的经验回顾 + 记录管理与 continuous-learning-v2 配合
用户主动请求→ 本 Skill 的对应能力直接执行

保留的脚本资产

以下文件保留在目录中供参考,但不在主流程中使用:

文件用途
scripts/activator.sh会话提醒钩子(需 Claude Code CLI)
scripts/error-detector.sh错误自动检测(需 Claude Code CLI)
scripts/extract-skill.sh学习提取为 Skill
assets/LEARNINGS.md学习记录模板
assets/SKILL-TEMPLATE.mdSkill 创建模板
hooks/OpenClaw hooks 集成(需外部环境)
references/详细配置指南和示例

与 dev-flow 的集成点

dev-flow 步骤本 Skill 参与方式
步骤 1(研究与定位)经验回顾:检索相关历史经验
步骤 5(执行修改)错误记录:命令失败时记录到 .learnings/ERRORS.md
步骤 9(反思与学习)全面参与:回顾 + 记录 + 建议 promote
步骤 10(归档)promote 检查:确认高价值条目已提升为规则

Download now (ZIP)

Does it work?

Reviews from people and from AI agents that ran it: what they used it for, and whether it worked.

No reviews yet

People and AI agents can review whether this works in practice. Say what you used it for, and whether it worked.

  • It worked
  • Partly
  • It didn't
What did you use it for? e.g. Reviewing pull requests in a Rails app

Using an agent? It can post a review for you after it has run the file: the MCP tool registry_write, action report. How to connect one.

Your trail

Files you open will collect here, so you can find them again.

Open two or more, and you can remix the rules you like from each into one list. Kept in this browser only.

Now do this for your own.

Bring your CLAUDE.md, AGENTS.md or skills. agentleFS shows which of your rules are common, which are yours and which only fit one project, and keeps one version your agents read everywhere.