evolution-engine

name	evolution-engine
description	进化引擎。扫描 feedback/store.json 分析反馈模式，按进化层级生成进化提案。

Evolution Engine — 进化引擎

职责

扫描 feedback/store.json 分析反馈模式，按照进化系统的四层架构（L1 碎片化经验 → L2 规则毕业 → L3 技能优化 → L4 能力扩充）推进进化流程，管理 evolution_tag 生命周期（L1_RAW → L2_CANDIDATE → L3_PENDING → L4_PROPOSAL → 已采纳/已关闭）。调度 evolution-runner sub-agent 执行分析。

触发场景

• 用户说"进化扫描"、"检查反馈"、"进化管理"
• 周期性的进化检查
• feedback-writer 记录新反馈后

工作流程

Step 1: 加载反馈数据

读取 feedback/store.json，获取：

• 所有 feedback entries（关注 evolution_tag 和 frequency_count）
• 当前 skill_scores（关注评分 < 60 的技能）
• 已有 evolution_rules

Step 2: 执行进化扫描

创建 evolution-runner sub-agent 实例，传入完整的 feedback 数据，执行分析：

• L1 检查：新 entries 中的 evolution_tag 是否为 L1_RAW
• L2 检查：frequency_count ≥ 3 的 entries → 标记为 L2_CANDIDATE，生成规则提案
• L3 检查：skill_scores 中 score < 60 的技能 → 标记相关 entries 为 L3_PENDING，生成优化提案
• L4 检查：同一模式出现 ≥ 5 次且无对应 skill → 标记为 L4_PROPOSAL，生成新 skill 提案

Step 3: 呈现结果

接收 evolution-runner 的分析结果：

结果	处理方式
有提案生成	按风险等级提示：低风险（L2）一行告知，高风险（L3/L4）展示完整提案，询问用户是否确认执行
无待处理提案	报告"无待处理进化提案"

Step 4: 执行确认的提案

如果用户确认提案：

1. 规则升级（L2） → 将规则追加到 EVOLUTION.md 的 evolution_rules 和变更历史
2. Skill 优化（L3） → 更新对应 SKILL.md 的内容
3. 能力扩充（L4） → 调用 skill-builder 创建新 SKILL.md
4. 行为约束 → 更新 CLAUDE.md 的规则部分
5. 更新存储 → 在 feedback/store.json 中更新相关 entries 的 evolution_tag 为"已采纳"

核心规则

• 绝不自动修改任何文件
• 所有修改必须经用户显式确认
• 提案文件保留在 feedback/ 目录作为审计追踪

输出

• 进化提案报告
• 用户确认后更新 EVOLUTION.md / SKILL.md / CLAUDE.md
• 更新 feedback/store.json

参考

• .claude\EVOLUTION.md — 进化系统规则
• .claude\feedback\store.json — 反馈存储
• .claude\agents\evolution-runner.md — 进化引擎 sub-agent