Self-Improving Agent Skill

概述

通过分析错误历史、测试失败和用户反馈，持续优化自身行为，将学到的经验写入记忆和指令文件。

依赖

• MCP 服务器:

  memory

  （存储学习记录），

  filesystem

  （读写指令文件）

工作流程

阶段 1: 错误捕获

当以下情况发生时自动触发：

• 工具调用失败并需要重试
• 用户说"这是错的"、"你又犯了同样的错误"
• 测试运行失败
• 代码编辑引入语法/逻辑错误

阶段 2: 根因分析

1. 记录错误描述和发生上下文
2. 识别错误类型:
   - 知识错误: 对 API/库/框架认知有误
   - 推理错误: 逻辑推断失误
   - 遗漏错误: 忽略了重要约束
   - 重复错误: 已犯过但再次犯
3. 提取可操作的改进规则

阶段 3: 知识固化

1. 调用

   memory/create_entities

   存储错误模式:

   {type: "LearningRecord", error: "...", fix: "...", date: "...", scope: "..."}
   

2. 如果是重复错误，更新

   .github/instructions/

   下对应的 instructions 文件
3. 如果是通用原则，更新

   .github/copilot-instructions.md

阶段 4: 验证学习效果

下次遇到类似情况时：

1. 搜索

   memory

   中的 LearningRecord
2. 在响应前主动应用已学习的规则
3. 如果规则有效则强化，无效则修订

学习记录格式

type: LearningRecord
project: KL8-V1.0
date: 2026-03-07
error: "对 chaos_features.py 中 lyapunov 的实现使用了错误公式"
root_cause: "将 np.mean(log_diffs) 误认为是李雅普诺夫指数"
fix: "改用 Rosenstein 1993 算法：相空间重构 + 近邻轨迹发散率回归"
prevention_rule: "引入非线性动力学指标前必须核查 Physica D 文献"

自动会话总结

每次对话结束时，如果完成了重要修改，生成一条学习记录存入记忆。