（1158期）Metaskill – 让AI学会如何学习

让AI学会如何学习 教会AI代理深度纠错、迁移学习和主动模式识别的元学习框架，让智能体具备持续自我进化的能力 使用说明 核心用法 Metaskill 是一个面向 AI 代理的元学习操作系统，通过三大机制实现持续自我进化： 1. 深度纠错（deep-correct.sh） 采用三层剖析法：表面现象 → 底层原理 → 习惯养成 区别于简单的错误日志追加，强制追溯根本原因 2. 迁移学习（transfer-check.sh） 任务启动前检索历史经验中的类比模式 跨领域映射（如 auth → security），打破知识孤岛 3. 成功模式捕获（success-capture.sh） 主动记录「什么有效」以及「为什么有效」 构建可复用的成功策略库 显著优点 | 维度 | 优势 ||------|------|| 架构设计 | 三层纠错模型直击「治标不治本」的行业通病 || 灵活性 | 支持 Anthropic/OpenAI/Ollama/Gemini 四供应商，Ollama 零成本本地部署 || 生态兼容 | 自动检测并写入 self-improving-agent 学习库 || 渐进增强 | 无 LLM 时退化为启发式模式，功能不中断 | 局限性与风险 | 类型 | 说明 ||------|------|| 认知负荷 | 每次任务需执行前置/后置脚本，流程变重 || 冷启动问题 | 初期 .learnings/ 为空时，迁移学习价值有限 || 模式膨胀 | 长期积累可能导致检索效率下降（需定期 eval.sh） || 过度拟合风险 | 历史成功经验可能不适用于新场景，需人工复核 | 适合人群 开发复杂 AI 代理系统的工程师 追求「越用越聪明」而非「即用即弃」的长期主义项目 多领域任务频繁切换、需要知识复用的场景 常规风险 数据隐私：学习库可能累积敏感业务逻辑，需定期审计清理 版本漂移：团队共享的学习库若缺乏版本管理，可能引入过时假设 评估缺失：--save 的月度评估若流于形式，将沦为无效仪式 原始说明 Teaches AI agents how to learn better by enforcing deep correction, transfer learning, and proactive pattern recognition. Use when an error occurs and needs...