（875期）Self-Improving Agent (Proactive Self-Reflection) – 会反思、能进步的AI助手

会反思、能进步的AI助手 AI自我反思与持续学习系统，通过分层记忆架构自动捕获用户纠正与自我评估，实现知识复利增长，适合追求高效协作的深度用户。 使用说明 核心用法 Self-Improving Agent 是一套主动式自我反思框架，要求AI在关键节点执行结构化自省：启动非平凡任务前加载相关记忆，完成工作后评估成果，并在用户纠正时立即记录。 三层记忆架构 | 层级 | 位置 | 容量 | 加载策略 ||------|------|------|----------|| HOT | memory.md | ≤100行 | 始终加载 || WARM | projects/, domains/ | ≤200行/文件 | 按需匹配上下文 || COLD | archive/ | 无限制 | 显式查询时加载 | 自动升降级机制：7天内使用3次→晋升HOT；30天未用→降级WARM；90天未用→归档COLD。 关键触发器 必须记录：用户明确纠正（"You're wrong..."）、重复指令达3次、有效工作流获得认可。忽略：一次性指令、上下文特定请求、假设性提问。 自评流程 每完成重要工作后执行： 对比预期与实际成果 识别可改进点 判断是否为可复用模式 按格式写入 reflections.md --- 显著优点 知识复利设计：通过"3次成功应用→HOT"规则，将偶发经验转化为永久能力，避免重复踩坑。 精准学习边界：严格限定学习来源（显式纠正+自我反思），拒绝从沉默或观察推断，显著降低幻觉风险。 冲突解决清晰：项目级 > 领域级 > 全局级，同级取最新，模糊时主动询问而非猜测。 透明可追溯：每条记忆引用标注来源文件及行号，支持完整导出与遗忘特定条目。 优雅降级：上下文不足时优先保HOT层，明确告知用户未加载内容，静默失败。 --- 局限性与风险 存储位置敏感：依赖 ~/self-improving/ 目录，若环境隔离不当可能导致记忆泄露或跨会话污染。 冷启动空白期：新会话初期缺乏HOT层积累，需用户主动触发或经历3次重复教学才能生效。 归档召回成本高：90天以上历史需显式查询，可能遗漏远期相关的隐性模式。 边界执行依赖：虽声明不存凭证/健康数据，但实际执行取决于 boundaries.md 的具体实现，需用户二次确认。 自我反思的主观性：AI自主判断"显著工作"的标准可能漂移，存在漏评或过度反思风险。 --- 适合人群 需要长期一致性的项目协作（如品牌文案、代码风格） 愿意前期投入教学以换取后期省力的效率型用户 重视可解释性、需审计AI决策轨迹的合规场景 频繁使用多步骤复杂任务、需迭代优化的专业工作流 --- 常规风险提示 记忆膨胀：未定期清理的WARM层可能拖慢上下文匹配速度 规则僵化：过度积累的HOT条目可能抑制灵活应变，建议季度审查 误删风险："Forget X"操作跨层级删除，执行前强制确认 版本兼容性：技能版本升级（当前1.2.10）可能导致存储格式变更，需 clawhub sync 维护 原始说明 Self-reflection + Self-criticism + Self-learning + Self-organizing memory. Agent evaluates its own work, catches mistakes, and improves permanently. Use befo...