S
SkillNav

Self-Improvement Agent Skill

by brandon114

当 Agent 需要从任务执行中学习并自我优化时，激活此技能。

View Chinese version with editor review

安装

claude skill add --url github.com/openclaw/skills/tree/main/skills/brandon114/self-improving-agent-python

文档

当 Agent 需要从任务执行中学习并自我优化时，激活此技能。

激活条件

用户提到以下关键词时激活：

  • "自我改进"、"自我优化"、"学习经验"
  • "任务评估"、"性能分析"
  • "优化工作流程"、"提升效率"
  • 需要 Agent 从错误中学习的场景

核心概念

Agent 不应该只是执行任务，还应该从执行中学习，不断优化自己的表现。

三层自我改进机制：

  1. Layer 1: 实时反馈循环 - 每次任务执行后立即评估
  2. Layer 2: 周期性深度反思 - 定期深度分析
  3. Layer 3: 跨 Agent 经验共享 - 共享学习成果

任务评估标准

评分公式

总分 = 完成度(30%) + 效率(20%) + 质量(30%) + 满意度(20%)

评分等级

分数等级行动
≥90优秀记录最佳实践
80-89良好继续保持
70-79及格识别改进点
<70不及格触发深度反思

使用方法

Python 版本（推荐）

bash
# 评估任务
python scripts/evaluate_task.py \
    --agent-id "my-agent" \
    --task-id "task-001" \
    --task-type "内容创作" \
    --completion 90 \
    --efficiency 85 \
    --quality 80 \
    --satisfaction 85

# 记录经验
python scripts/learn_lesson.py \
    --agent-id "my-agent" \
    --lesson "验证链接有效性" \
    --impact high \
    --category quality

# 优化分析
python scripts/optimize_agent.py --agent-id "my-agent"

# 跨 Agent 同步
python scripts/sync_learning.py

参数说明

evaluate_task.py

参数说明必填
--agent-idAgent 标识是
--task-id任务标识是
--task-type任务类型是
--completion完成度 (0-100)是
--efficiency效率 (0-100)是
--quality质量 (0-100)是
--satisfaction满意度 (0-100)是

learn_lesson.py

参数说明必填可选值
--agent-idAgent 标识是
--lesson经验描述是
--impact影响程度是high/medium/low
--category类别是quality/efficiency/tools/knowledge

数据存储位置

code
{workspace}/
├── self-improvement/
│   ├── evaluations.json        # 评估记录
│   ├── lessons-learned.json   # 经验库
│   └── optimization-plan.json # 优化计划
└── shared-context/
    └── self-improvement/
        └── collective-wisdom.json  # 共享知识库

最佳实践

何时评估

  • 完成重要任务后
  • 完成复杂任务后
  • 任务失败或返工后
  • 简单重复性任务可选

如何记录经验

  • 记录具体的失败场景
  • 记录成功的关键因素
  • 记录工具使用的注意事项

如何应用学习

  • 定期回顾经验库
  • 主动应用最佳实践
  • 分享给其他 Agent

故障排查

问题解决
找不到工作区检查 config.py 中的路径配置
经验未同步手动运行 sync_learning.py
优化计划生成失败确保有足够的历史评估数据

让每个 Agent 都成为终身学习者！

Version: 1.1.0 (Python Edition) Tags: agent, self-improvement, learning, optimization