（9873期）Self-Improving Proactive Agent – 会学习、能推进、懂边界的智能体

会学习、能推进、懂边界的智能体 统一自我改进与主动执行的智能体技能，通过结构化学习记忆和会话状态管理，实现持续行为优化与上下文恢复 使用说明 Self-Improving Proactive Agent 综合评估 核心用法 本 Skill 是一套纯 Markdown 行为规范文档，旨在统一两个核心能力： Self-Improving（自我改进）：从用户更正、显式偏好和成功经验中学习，将持久性规则存储在 ~/self-improving/ 目录下的结构化文件中 Proactivity（主动执行）：保持任务推进动力，维护活跃状态，快速恢复上下文，通过 ~/proactivity/ 管理会话状态和心跳机制 关键文件包括： memory.md：存储已确认的长期规则和偏好 corrections.md：记录最近的更正和待提升的经验 session-state.md：维护当前目标、决策、阻塞点和下一步行动 working-buffer.md：用于长任务和脆弱上下文的易失性痕迹 显著优点 架构清晰：明确区分持久学习与活跃执行状态，避免信息混乱 边界明确：硬性规定必须先询问用户的操作（发送消息、消费、删除数据、公开行为等） 学习机制严谨：仅从显式证据学习，不从沉默或单次指令推断规则 上下文恢复流程：规定在询问用户之前必须按顺序读取四类记忆文件 零代码风险：纯文档型 Skill，无可执行代码，无依赖，无网络调用 潜在缺点与局限性 来源可信度一般：T3 级别（个人开发者），GitHub CLI 不可用无法验证仓库信誉 无 LICENSE：缺少开源协议声明 执行依赖运行时：Skill 本身仅提供行为规范，实际记忆存储由 Agent 运行时实现 自我改进效果不确定：学习信号的提取和升级规则依赖实现质量 心跳机制可能扰民：虽然文档规定"信号弱时保持安静"，但实际噪音控制取决于具体实现 适合人群 需要 Agent 具备持续学习和行为优化能力的开发者 处理多步骤易漂移任务的复杂工作流场景 对上下文恢复和任务连续性有高要求的用户 希望明确规范 Agent 边界而非依赖隐含行为的使用者 常规风险 T3 来源风险：个人开发者维护，长期可持续性存疑 实现 gap：规范与实际 Agent 行为可能存在偏差 存储路径占用：~/self-improving/ 和 ~/proactivity/ 将用于本地状态，用户需知情 过度主动风险：若心跳实现不当，可能产生非预期的主动建议 原始说明 A unified OpenClaw skill that merges self-improvement and proactivity: learn from corrections, maintain active state, recover context fast, and keep work mov...