什么是Self Improving 1.1.3
Self Improving 是一个专为智能体设计的自我优化系统，其核心机制建立在持续自我反思与主动纠错之上。该工具通过让智能体在完成重要任务后评估自身表现，识别输出中的不足并从中学习，从而实现能力的迭代升级。整个学习过程完全由用户反馈和智能体的自主判断驱动，无需人工干预即可实现知识的长期积累与沉淀。所有学习成果均以结构化文件形式存储在本地目录中，形成一个可追踪、可维护的知识体系。这种设计使得智能体能够不断适应新的需求场景，提升输出的准确性与一致性。 系统的运作依赖于一套清晰的层级化记忆架构，将知识划分为热存储（HOT）、温存储（WARM）和冷存储（COLD）三个层级。热存储文件 memory.md 始终保持加载状态，包含不超过100行的核心偏好与规则；温存储则按项目或专业领域分类，在需要时动态加载；而冷存储用于归档长期未使用的模式，确保系统资源的高效利用。这种分层机制既保证了常用知识的高响应性，又支持对复杂经验的深度管理。每当用户纠正智能体的错误，或智能体自行发现改进空间时，相关经验都会被记录并经过评估决定是否进入更高层级的存储。 Self Improving 特别强调透明性与可控性。每一次基于记忆的操作都会明确标注来源，使用户能够追溯决策依据。系统还提供了丰富的查询接口，允许用户随时了解“你记住了什么”、“最近学到了什么”或某个特定项目的模式。同时，为防止信息过载，系统设有自动化的压缩与归档策略：重复出现的教训会被合并为通用规则，陈旧无用的条目会逐步降级直至归档。更重要的是，系统严格遵守安全边界，绝不存储敏感信息如密码、健康数据等，并在关键操作前请求用户确认，确保用户始终掌握控制权。
核心功能特点
- 基于用户纠正和自我反思进行持续学习，无需人工维护即可实现能力进化
- 采用三级分层存储架构（HOT/WARM/COLD），平衡响应速度与知识容量
- 所有学习内容均存储在本地 ~/self-improving/ 目录，支持透明查看与导出
- 自动识别偏好信号与修正行为，并通过三次成功应用后升级为持久规则
- 提供冲突解决机制，优先遵循最具体、最新的指令，避免逻辑矛盾
- 具备自动压缩与归档功能，防止文件膨胀，保持系统高效运行
适用场景
Self Improving 最适合那些需要长期积累经验并持续提升输出质量的智能体应用场景。例如，当一个开发者反复被指出代码风格问题，或者系统多次在处理特定类型请求时暴露出相同缺陷，该工具就能自动记录这些教训，并在后续类似任务中主动规避错误。它尤其适用于需要高度一致性的写作助手、客服机器人或编程辅助工具，能够在不依赖外部监督的情况下不断优化行为模式。另一个典型场景是跨项目协作——当智能体参与多个不同领域的任务时，系统能自动隔离各项目的专属规则，确保项目A的偏好不会影响项目B的执行，从而实现精准适配。 该工具特别适合处理那些具有重复性特征的工作流。比如，如果用户经常要求‘用更简洁的方式表达’，或‘在生成UI前先检查布局间距’，一旦这类反馈出现三次以上，系统就会将其提炼为一条可复用的规则并纳入热存储。这意味着未来每次涉及UI生成的任务，智能体都会自动优先考虑视觉合理性。此外，在需要快速响应但上下文有限的环境中，Self Improving 的分级加载机制尤为有效：即使当前对话超出内存容量，系统也能先加载核心规则，再按需调取具体项目或领域知识，实现优雅降级而不中断服务。 对于希望构建长期记忆的智能体而言，Self Improving 提供了完整的生命周期管理方案。无论是短期项目中的临时策略，还是贯穿职业生涯的核心原则，都能被妥善保存。用户还可以通过定期查询‘最近学了什么’来回顾成长轨迹，甚至导出全部记忆文件进行备份或迁移。这种设计不仅增强了智能体的自主性，也赋予了用户充分的知情权与控制力，使技术演进过程变得可见、可信且可审计。