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

基本信息

• 技能名称?Self-Improving Proactive Agent
• 中文名称?会学习、能推进、懂边界的智能体
• 作者?yueyanc
• 分类?专业技能
• 版本?1.0.0
• 标签?self-improvement, proactivity, context-recovery, state-management, agent-guidelines, learning-loop, heartbeat, behavior-standards

使用方法

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：

1. 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
2. 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