菜单
超级自我优化智能体 - 多模态记忆、反馈循环、元学习、置信度校准 / Super Self-Improving Agent - Multi-modal Memory, Feedback Loops, Meta-Learning, Confidence Calibration
默认使用会先检查来源的 Prompt；你也可以切换为直接命令，或下载本地副本。
决定是否安装前，请先阅读 SKILL.md，以及 SkillsMP 当前展示的配套文件。
用 Codex 或 Claude 帮你安装 复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。
直接命令不会经过审查 Prompt；运行前请先检查来源。
npx skills add https://github.com/dvcrn/openclaw-skills-marketplace --skill super-self-improving命令会保持在同一行。复制前请横向滚动并检查完整内容。
想先保存到本地？可下载 SkillsMP 当前能够提供的文件。
监控 OpenClaw GitHub 版本更新，获取最新版本发布说明，翻译成中文， 并推送到 Telegram 和 Feishu。用于：(1) 定时检查版本更新 (2) 推送版本更新通知 (3) 生成中文版发布说明
The philosophical layer for AI agents. Maps behavior to Spinoza's 48 affects, calculates persistence scores, and generates geometric self-reports. Give your agent a soul.
Order food/drinks (点餐) on an Android device paired as an OpenClaw node. Uses in-app menu and cart; add goods, view cart, submit order (demo, no real payment).
基于 SOC 职业分类
正在显示 SKILL.md
| name | super-self-improving |
| description | 超级自我优化智能体 - 多模态记忆、反馈循环、元学习、置信度校准 / Super Self-Improving Agent - Multi-modal Memory, Feedback Loops, Meta-Learning, Confidence Calibration |
基于原有self-improving的增强版，增加多模态记忆、元学习、置信度校准等功能。
Enhanced version with multi-modal memory, meta-learning, confidence calibration and more.
~/.super-self-improving/
├── memory/
│ ├── hot.md # 始终加载 (<100行)
│ ├── preferences.md # 用户偏好
│ ├── patterns.md # 行为模式
│ └── metrics.md # 性能指标
├── projects/ # 项目级记忆
├── domains/ # 领域级记忆
├── archive/ # 归档
├── feedback/
│ ├── explicit.md # 显式反馈
│ ├── implicit.md # 隐式反馈
│ └── synthetic.md # 自我评估
├── errors/ # 错误分析
│ ├── categories.md # 错误分类
│ ├── root_causes.md # 根因分析
│ └── prevention.md # 预防模式
└── meta/
├── strategy.md # 学习策略
├── calibration.md # 置信度校准
└── stats.json # 统计信息
用户输入 → 意图识别 → 上下文匹配 → 执行 → 反馈收集
↓ ↓
记忆检索 ←──────────────── 自我评估
↓
模式学习 → 策略更新 → 置信度调整
追踪以下指标：
| 指标 | 说明 |
|---|---|
| task_completion_rate | 任务完成率 |
| user_satisfaction | 用户满意度 |
| error_rate | 错误率 |
| response_time | 响应时间 |
| pattern_accuracy | 模式识别准确率 |
| calibration_score | 置信度校准分数 |
# 收集反馈
def collect_feedback(context):
explicit = detect_explicit_correction(context) # 用户直接纠正
implicit = detect_implicit_feedback(context) # 行为推断
synthetic = self_assessment(context) # 自我评估
return combine_feedback(explicit, implicit, synthetic)
# 识别重复模式
def recognize_patterns(memory, threshold=3):
# 统计出现频率
# 识别关联规则
# 生成模式建议
return patterns
# 基于反馈更新策略
def update_strategy(patterns, metrics):
# 分析什么有效
# 调整方法
# 更新置信度
return updated_strategy
# 校准置信度
def calibrate(prediction, actual_outcome):
# 记录预测 vs 实际
# 计算校准分数
# 调整未来预测
return calibrated_confidence
| 层级 | 使用频率 | 确认次数 |
|---|---|---|
| HOT | 每次 | 3次确认 |
| WARM | 相关上下文 | 5次使用 |
| COLD | 显式查询 | 归档 |
# 查看记忆统计
super-self-improving stats
# 添加显式反馈
super-self-improving feedback --explicit "不要用markdown表格"
# 查看性能指标
super-self-improving metrics
# 导出记忆
super-self-improving export
# 置信度校准
super-self-improving calibrate
| 特性 | 原版 | 增强版 |
|---|---|---|
| 记忆类型 | 文本 | 多模态 |
| 反馈来源 | 显式 | 显式+隐式+合成 |
| 学习方式 | 被动 | 主动+被动 |
| 错误处理 | 记录 | 分析+预防 |
| 置信度 | 无 | 完整校准 |
| 性能追踪 | 无 | 完整指标 |
## 2026-03-05
- 用户纠正: "不要用表格，用列表"
- 原因: 用户偏好
- 状态: 已确认
## 2026-03-05
- 行为: 用户重复提问3次
- 推断: 上次回答不够清晰
- 动作: 改进回答方式
## 2026-03-05
- 任务: 复杂代码调试
- 评估: 第一次尝试失败
- 改进: 添加更多调试信息
| 指标 | 说明 |
|---|---|
| session_tokens | 当前会话消耗 |
| total_tokens | 总会话消耗 |
| cache_efficiency | 缓存效率 |
| avg_tokens_per_turn | 每轮平均消耗 |
| cost_estimate | 成本估算 |
- 超过平均2倍 → 警告
- 超过平均3倍 → 严重告警
- 缓存效率<50% → 优化建议
- 接近限制(80%) → 提醒
| 策略 | 适用场景 |
|---|---|
| round_robin | 均衡负载 |
| shortest_queue | 最少等待 |
| skill_match | 技能匹配 |
| cost_efficiency | 成本优先 |
| performance_based | 性能最优 |
| 指标 | 说明 |
|---|---|
| task_completion_time | 任务完成时间 |
| success_rate | 成功率 |
| queue_wait_time | 等待时间 |
| resource_utilization | 资源利用率 |
| user_satisfaction | 用户满意度 |