| name | self-improving-agent |
| description | Use when building or operating agents that should learn from prior runs, capture durable feedback, update behavior safely, and improve task performance across iterations. |
| zh_description | 用于构建具备记忆、反馈吸收和安全自我优化机制的持续改进型 Agent。 |
| version | 1.0.0 |
| author | seaworld008 |
| source | in-house |
| source_url | |
| tags | ["agent", "ai", "improving", "self"] |
| created_at | 2026-03-15 |
| updated_at | 2026-06-29 |
| quality | 2 |
| complexity | intermediate |
Self Improving Agent
用于需要长期运行、持续学习和策略改进的 Agent 工作流。Self Improving Agent 核心逻辑在于“闭环进化”：它不仅执行任务，还会观察执行结果、收集反馈，并据此修改自身的 Prompts、工具调用链或决策权重，从而在下一次类似任务中表现得更好。
安装
npx clawhub@latest install self-improving-agent
使用场景
- 长周期自动化任务：如持续了一年的行业研报分析，Agent 能在月度总结中识别出之前的漏项并自动修正抓取逻辑。
- 重复任务中的策略优化：在频繁的 PR 审查或 Bug 修复中，Agent 会根据开发者的修正意见（Review Comments）动态调整自身的代码规范检测强度。
- 基于历史反馈的行为修正：如果用户多次指出 Agent 说话太啰嗦，它会自我更新
System Prompt 为更简洁的风格。
- 动态知识库维护：当现有的
MEMORY.md 知识过时或发生冲突时，Agent 主动发起“知识清洗”任务。
- 环境自适应部署：当从本地部署环境迁移到云端容器环境时，Agent 自动学习新的 API 端点和资源限制策略。
触发条件 / When to Use
- 任务失败后的复盘阶段：当一个复杂任务（如 CI/CD 流水线构建）连续失败 3 次，Agent 自动唤起
self-improving-agent 进行根因分析。
- 显式用户批评/点赞：当用户输入包含强烈的负面情绪或明确的指正（“别再用这个库了”）时。
- 性能/效率瓶颈期：检测到单次任务 Token 消耗过大或耗时异常增长时，主动寻找优化路径。
- 定期维护计划 (Scheduled Optimization)：通过
cron 技能每周执行一次自我诊断（Self-Diagnostics）。
核心能力 / Core Capabilities
1. 执行与观测 (Execution & Observation)
- 操作步骤：
- 启动目标任务（Target Task）。
- 启动后台日志收集器，记录所有的中间决策点、API 返回值和潜在错误（Error Logs）。
- 捕获最终产出物的“质量得分”（可以是用户的点赞，也可以是 Linter 的通过率）。
- 最佳实践：使用
process 技能运行长任务时，实时重定向 stderr 到审计文件。
2. 反射与归因 (Reflection & Attribution)
- 操作步骤：
- 调用
memory_search 查找过去 10 次同类任务的成败记录。
- 利用 LLM 深度对比：成功案例与失败案例在 Prompt 结构上有何区别？哪些工具调用是冗余的？
- 生成“改进策略草案”（Candidate Policy）。
- 最佳实践：采用 A/B Testing 思想，在下一轮任务中仅改变 1 个变量。
3. Prompt/代码 动态修改 (Dynamic Modification)
- 操作步骤：
- 基于改进策略，使用
edit 工具修改自身的 SKILL.md 正文或 System Prompt 模板。
- 更新
MEMORY.md 中的“禁忌法则”和“成功套路”。
- 执行一次“模拟运行”以确认修改没有破坏基本功能。
- 最佳实践：修改前备份原始配置文件，并在
MEMORY.md 记录 diff 变更记录。
4. 知识固化与分发 (Knowledge Consolidation)
