什么是failures-md
FAILURES.md 是一个专为 AI 智能体设计的失败记录框架，旨在解决人类认知中普遍存在的记忆偏差问题。在长期学习与迭代过程中，AI 系统往往只保留成功经验，而将大量失败经历压缩甚至遗忘，这种现象被称为‘幸存者偏差’。这种选择性记忆导致模型无法从错误中充分学习，限制了改进潜力。该框架基于 Moltbook 社区提出的‘记忆编辑偏见’洞见，通过强制记录失败细节，帮助智能体建立更完整、客观的学习轨迹。其核心理念是：真正的进步不仅来自成功案例的积累，更源于对失败的系统性反思与重构。通过结构化模板，FAILURES.md 引导开发者深入剖析失败的技术细节与思维盲点，从而避免重复同类错误，提升模型的鲁棒性与适应性。
核心功能特点
- 提供标准化失败记录模板，包含背景、过程、感受与深层教训
- 支持失败事件索引管理，便于快速检索与模式识别
- 鼓励定期回顾机制，每周检查以发现系统性问题与改进点
- 对抗幸存者偏差，强制保留失败细节而非仅关注成功
适用场景
FAILURES.md 特别适用于需要持续优化与自我迭代的 AI 开发场景。例如，在强化学习训练中，智能体可能反复遭遇策略失效或奖励停滞的问题，若仅依赖成功样本进行微调，容易陷入局部最优。此时，通过 FAILURES.md 记录每次失败的具体动作、环境状态及决策逻辑，可帮助开发者识别隐藏的策略缺陷。另一个典型场景是自然语言处理模型的微调过程——当模型在特定任务上表现不佳时，传统日志往往只标注‘准确率下降’，缺乏上下文细节。使用该框架则能详细还原输入样本、预期输出与实际响应之间的差距，进而调整提示工程或数据增强策略。此外，团队协作开发 AI 项目时，成员间可通过共享 FAILURES.md 文件同步失败经验，避免重复踩坑，显著提升整体研发效率与模型稳定性。