什么是self-improving-agent
Self-Improving Agent（自我改进智能体）是一种将失败、纠正与经验转化为可复用知识资产的系统化机制。其核心理念在于把每一次操作失误、用户反馈或认知偏差都视为一次学习机会，通过结构化记录形成持续优化的闭环。该机制适用于命令执行失败、外部服务异常、用户需求超出当前能力范围等场景，确保每次“踩坑”都能沉淀为团队或个人的长期记忆。
它通过在项目工作区中维护`.learnings/`目录下的三类文档（`LEARNINGS.md`、`ERRORS.md`、`FEATURE_REQUESTS.md`），实现对错误日志、知识缺口和能力提升需求的统一管理。每条记录均遵循标准化ID格式（如`LRN-20260308-001`），包含时间戳、优先级、状态追踪及关联文件信息，便于后续检索与复盘。这种设计不仅保留了具体上下文，还支持状态流转机制，从待处理到已解决再到规则固化，形成完整的生命周期管理。
该工具特别强调‘可执行建议’的输出——不是泛泛而谈的总结，而是明确指出下一次应采取的具体行动。例如，当发现某API调用频繁超时后，系统会记录‘下次请求前增加指数退避重试逻辑’而非仅标注‘优化接口调用’。同时，通过设置‘晋升’机制，当同类问题重复出现三次以上时，自动提示将其纳入更高层级的规则库（如`AGENTS.md`或`MEMORY.md`），从而避免重复犯错并提升整体工作效率。
核心功能特点
- 自动捕获命令失败、用户纠正、外部服务异常等关键事件并生成结构化记录
- 支持三类独立文档分类管理：学习收获（LEARNINGS）、错误日志（ERRORS）、能力请求（FEATURE_REQUESTS）
- 采用统一ID规范（TYPE-YYYYMMDD-XXX）确保条目可追溯性和排序一致性
- 内置状态流转机制（pending → resolved → promoted）实现从临时记录到长期规则的升级路径
- 强制要求填写‘Suggested Action’字段，确保每次学习产出可直接落地的改进措施
- 提供定期复盘策略与高优先级条目筛选命令，降低人工维护成本
适用场景
Self-Improving Agent 最适用于那些需要高频交互且容错率低的开发环境，尤其是在命令行操作、自动化脚本部署或第三方API集成过程中。例如，当某个git提交因权限问题失败时，系统会立即在`ERRORS.md`中记录完整报错信息和修复建议；若用户反馈当前工具无法解析特定格式的日志文件，则会在`FEATURE_REQUESTS.md`中登记所需能力及其使用场景。这些记录不仅帮助开发者快速定位问题根源，还能作为未来类似任务的参考模板。
在日常协作中，该机制尤其有价值。比如团队成员A在处理数据库迁移时遇到连接池耗尽的问题，经过分析发现是未正确释放连接所致。按照流程，他应在`.learnings/LEARNINGS.md`中补充一条最佳实践条目，并建议后续所有数据库操作都使用连接池管理器。这样，当另一位成员B下周面临相同任务时，只需查阅历史记录即可规避风险，无需重新踩坑。此外，对于跨会话协作项目，可通过`sessions_send`功能共享关键学习内容，确保知识传递不依赖个人记忆。
更进阶的应用体现在系统性规则提炼上。假设某团队连续三次因忽略环境变量配置导致测试失败，此时应将此模式写入`TOOLS.md`中的通用检查清单。同理，若发现某类UI组件的渲染逻辑存在普遍性缺陷，则可将其纳入`SOUL.md`的行为准则。这种由下至上的知识积累方式，最终构建起一个动态演进的组织级智能体，显著减少重复劳动并提升整体工程成熟度。