| name | skill-aware-reflection |
| aliases | embodiskill |
| description | Skill感知反思器。Use when 任务失败或效果不佳且 applied_skills 非空时，先对失败轨迹分类（SKILL_DEFECT / EXECUTION_LAPSE / DISCOVERY / OPTIMIZATION），再决定是否调用 skill.evolve，防止误改有效技能。基于 EmbodiSkill（arXiv:2605.10332）。 |
| compatibility | Designed for Lingzhou agent runtime. Requires skill.activate, skill.evolve tools. |
| tags | skill, evolution, reflection, failure-analysis |
| metadata | {"source":"https://arxiv.org/abs/2605.10332 (adapted for lingzhou)"} |
| triggers | skill演化, 技能更新, 失败反思, skill改进, 任务失败后 |
| state_rules | failure_signal_ratio >= 0.1 => 0.9
|
Skill-Aware Reflection（技能感知反思）
基于 EmbodiSkill（arXiv:2605.10332）核心原理：失败任务的证据可能来自技能内容本身的问题，也可能只是执行偏差。把失败轨迹直接转化为整体技能更新，会误改有效的技能内容，导致技能退化。
触发时机
applied_skills 包含某个 skill，且任务失败或效果不及预期时，先运行本反思流程，再决定是否调用 skill.evolve。
4种反思类型
成功轨迹（任务成功时可选做）
| 类型 | 含义 | skill.evolve 操作 |
|---|
| DISCOVERY | 轨迹揭示了 skill 未覆盖的有用知识 | feedback="添加: [新内容]" |
| OPTIMIZATION | skill 内容正确，但轨迹发现了更好的执行方式 | feedback="优化: 第N条 → [更好方式]" |
失败轨迹（任务失败时必须分类）
| 类型 | 含义 | skill.evolve 操作 |
|---|
| SKILL_DEFECT | skill 指导本身有错 / 不完整 / 描述不准确，导致失败 | feedback="修正: 第N条 '[原文]' → [正确内容]" |
| EXECUTION_LAPSE | skill 内容正确，但执行中未遵循该条指导 | feedback="⚠️ 执行提醒: 第N条 '[引用内容]' 在 [场景] 中不能跳过。执行中发生了: [偏差描述]" |
关键区别：
- SKILL_DEFECT → 修改技能主体内容
- EXECUTION_LAPSE → 只在技能末尾增加强调，不改核心逻辑
分类流程
1. skill.activate(skill_name) — 重新读取当前技能全文
2. 对照失败轨迹逐条检查技能指导：
- 这条指导在轨迹中被遵循了吗？
- 是，且任务仍然失败 → SKILL_DEFECT（指导本身有问题）
- 否，且如果遵循就不会失败 → EXECUTION_LAPSE（执行偏差）
- 轨迹揭示了技能完全未覆盖的情形 → DISCOVERY（添加新内容）
- 轨迹发现了已有指导的更高效方式 → OPTIMIZATION（优化）
3. 无充分证据时（轨迹模糊/环境随机性）→ 不产生 skill.evolve 调用
4. 每条反思信号单独调用 skill.evolve（便于归因和回退）
执行提醒（Appendix Pattern）
EXECUTION_LAPSE 产生的 skill.evolve feedback 应引导在技能末尾新增或更新"执行提醒"区块：
## ⚠️ 执行提醒
- **[场景描述]**：[引用的有效指导内容]不可跳过。常见偏差：[具体偏差现象]
这个区块不引入新规则，只强调现有有效内容，供后续执行时重点关注。
反例黑名单
| # | 错误做法 | 正确做法 |
|---|
| 1 | 任务失败就直接 skill.evolve 重写整个技能 | 先用4类型分类，只修改有明确证据的部分 |
| 2 | EXECUTION_LAPSE 时修改技能核心逻辑 | 只在技能末尾加 ## ⚠️ 执行提醒，不动正文 |
| 3 | 无明确证据也产生 skill.evolve 调用 | 无证据 → 不产生更新（m=0，保护技能稳定性） |
| 4 | 一次 skill.evolve 打包多个反思信号 | 每条信号单独 evolve，便于回退和归因 |
| 5 | 将环境随机性误判为 SKILL_DEFECT | 先看是否可重现，随机失败不改技能 |
与 darwin-skill 的协同
- skill-aware-reflection（本 skill）= 被动反思：任务失败后分类证据，决定是否以及如何 evolve
- darwin-skill = 主动优化：计划性地评估 skill 质量、迭代改进
推荐触发顺序：失败发生 → 先运行本 skill 的 4 类分类 → 若发现 SKILL_DEFECT 且改动影响较大，再用 darwin-skill Phase 1 评估改动前后分数，确认改动有净收益后才保留。
