Menu
通用的自我改进 agent，从所有 skill 经验中学习。使用多内存架构（语义 + 情景 + 工作）持续演进代码库。通过 hooks 在 skill 完成/错误时自动触发基于自检的自我修正。
Install with Codex or Claude Copy this prompt, paste it into Codex, Claude, or another assistant, and let it review the skill page and install it for you.
Based on SOC occupation classification
| name | self-improving-agent |
| description | 通用的自我改进 agent，从所有 skill 经验中学习。使用多内存架构（语义 + 情景 + 工作）持续演进代码库。通过 hooks 在 skill 完成/错误时自动触发基于自检的自我修正。 |
"一个从每次交互中学习的 AI agent，积累模式和洞察，持续改进自身能力。"
这是一个通用自我改进系统，从所有 skill 经验中学习。它实现了一个完整的反馈循环：
| 事件 | 触发 | 动作 |
|---|---|---|
| before_start | 任何 skill 启动 | 记录会话开始 |
| after_complete | 任何 skill 完成 | 提取模式，更新 skills |
| on_error | Bash 返回非零退出 | 捕获错误上下文，触发自我修正 |
当新可重用知识出现时触发演进：
| 触发 | 目标 Skill | 优先级 | 动作 |
|---|---|---|---|
| 发现新 PRD 模式 | prd-planner | 高 | 添加到质量检查清单 |
| 架构权衡明确 | architecting-solutions | 高 | 添加到决策模式 |
| API 设计规则学到 | api-designer | 高 | 更新模板 |
| 调试修复发现 | debugger | 高 | 添加到反模式 |
| 审查清单缺口 | code-reviewer | 高 | 添加清单项目 |
| 性能/安全洞察 | performance-engineer | 高 | 添加到模式 |
| UI/UX 规范问题 | prd-planner | 高 | 添加视觉规范要求 |
memory/semantic-patterns.json）存储可跨上下文重用的抽象模式和规则：
{
"patterns": {
"pattern_id": {
"id": "pat-2025-01-11-001",
"name": "Pattern Name",
"source": "user_feedback|implementation_review|retrospective",
"confidence": 0.95,
"applications": 5,
"created": "2025-01-11",
"category": "prd_structure|react_patterns|async_patterns|...",
"pattern": "One-line summary",
"problem": "What problem does this solve?",
"solution": { ... },
"quality_rules": [ ... ],
"target_skills": [ ... ]
}
}
}
memory/episodic/）存储具体经验及发生的事情：
memory/episodic/
├── 2025/
│ ├── 2025-01-11-prd-creation.json
│ ├── 2025-01-11-debug-session.json
│ └── 2025-01-12-refactoring.json
{
"id": "ep-2025-01-11-001",
"timestamp": "2025-01-11T10:30:00Z",
"skill": "debugger",
"situation": "User reported data not refreshing after form submission",
"root_cause": "Empty callback in onRefresh prop",
"solution": "Implement actual refresh logic in callback",
"lesson": "Always verify callbacks are not empty functions",
"related_pattern": "callback_verification",
"user_feedback": {
"rating": 8,
"comments": "This was exactly the issue"
}
}
memory/working/）存储当前会话上下文：
memory/working/
├── current_session.json # 活跃会话数据
├── last_error.json # 错误上下文用于自我修正
└── session_end.json # 会话结束标记
任何 skill 完成后，提取：
What happened:
skill_used: {which skill}
task: {what was being done}
outcome: {success|partial|failure}
Key Insights:
what_went_well: [what worked]
what_went_wrong: [what didn't work]
root_cause: {underlying issue if applicable}
User Feedback:
rating: {1-10 if provided}
comments: {specific feedback}
将经验转换为可重用模式：
| 具体经验 | 抽象模式 | 目标 Skill |
|---|---|---|
| "User forgot to save PRD notes" | "Always persist thinking to files" | prd-planner |
| "Code review missed SQL injection" | "Add security checklist item" | code-reviewer |
| "Callback was empty, didn't work" | "Verify callback implementations" | debugger |
| "Net APY position ambiguous" | "UI specs need exact relative positions" | prd-planner |
抽象规则：
If experience_repeats 3+ times:
pattern_level: critical
action: Add to skill's "Critical Mistakes" section
If solution_was_effective:
pattern_level: best_practice
action: Add to skill's "Best Practices" section
If user_rating >= 7:
pattern_level: strength
action: Reinforce this approach
If user_rating <= 4:
pattern_level: weakness
action: Add to "What to Avoid" section
使用演进标记更新适当的 skill 文件：
<!-- Evolution: 2025-01-12 | source: ep-2025-01-12-001 | skill: debugger -->
## Pattern Added (2025-01-12)
**Pattern**: Always verify callbacks are not empty functions
**Source**: Episode ep-2025-01-12-001
**Confidence**: 0.95
### Updated Checklist
- [ ] Verify all callbacks have implementations
- [ ] Test callback execution paths
修正标记（修复错误指导时）：
<!-- Correction: 2025-01-12 | was: "Use callback chain" | reason: caused stale refresh -->
## Corrected Guidance
Use direct state monitoring instead of callback chains:
```typescript
// ✅ Do: Direct state monitoring
const prevPendingCount = usePrevious(pendingCount);
### 阶段 4: 内存整合
1. **更新语义内存**（`memory/semantic-patterns.json`）
2. **存储情景内存**（`memory/episodic/YYYY-MM-DD-{skill}.json`）
3. **基于应用/反馈更新模式置信度**
4. **剪枝过时模式**（低置信度、无近期应用）
## 自我修正（on_error hook）
触发条件：
- Bash 命令返回非零退出码
- 遵循 skill 指导后测试失败
- 用户报告指导产生错误结果
**过程：**
```markdown
## Self-Correction Workflow
1. Detect Error
- 从 working/last_error.json 捕获错误上下文
- 识别遵循了哪个 skill 指导
2. Verify Root Cause
- Skill 指导不正确吗？
- 指导被误解了吗？
- 指导不完整吗？
3. Apply Correction
- 用修正的指导更新 skill 文件
- 添加带原因的修正标记
- 在语义内存中更新相关模式
4. Validate Fix
- 测试修正后的指导
- 请用户验证
任何 skill 完成后，此 agent 自动：
LLM 微调专家。使用场景：微调 LLMs、训练自定义模型、适配基础模型进行特定任务。用于配置 LoRA/QLoRA 适配器、准备 JSONL 训练数据集、设置超参数、适配器训练、迁移学习、Hugging Face PEFT 微调、指令微调、RLHF、DPO 或量化部署微调模型。触发词：LoRA、QLoRA、PEFT、微调、适配器调优、LLM 训练、模型训练、自定义模型。
深度研究工具。仅在用户明确说'深度研究'、'深入调查'、'全面报告'时使用。比普通搜索慢 10-100 倍。对于普通研究/查找请求，使用 parallel-web-search。支持多轮：传递 --previous-interaction-id 以继续之前的上下文。
AI 模型提示工程指南：LLM、图像生成器、视频模型。技术：思维链、少样本、系统提示、负提示。模型：Claude、GPT-4、Gemini、FLUX、Veo、Stable Diffusion 提示。用于：更好的 AI 输出、一致的结果、复杂任务、优化。触发词：提示工程、如何提示、更好的提示、提示技巧、提示指南、LLM 提示、图像提示、AI 提示、提示优化、提示模板、提示结构、有效提示、提示技术。
RAG（检索增强生成）模式专家。用于构建 RAG 管道、嵌入文档、实现混合搜索、上下文检索、HyDE、Agentic RAG、多模态 RAG、查询分解、重排或 pgvector 搜索。触发词：RAG、检索、LLM、上下文、嵌入、HyDE、重排、pgvector、多模态。
Apache Spark 作业优化：分区策略、缓存、shuffle 优化和内存调优。用于提升 Spark 性能、调试慢作业或扩展数据处理管道。触发词：Spark、性能优化、分区、缓存、shuffle、数据倾斜。
Web 研究工具：搜索多个来源、综合发现并生成带引用的研究报告。用于用户要求在线研究主题、搜索网页、查找信息、获取最新信息、对比选项或生成研究报告。触发词：研究、网上搜索、查找信息、最新信息、对比选项、研究报告。