前言¶
Agent 用得久了，最常见的问题是重复犯同一个错：同一个命令失败两次，同样的纠正要跟 Agent 说第三遍，它还是不长记性。问题不在模型，在于每次会话结束，经验就丢了，没有机制把踩过的坑沉淀下来供下次使用。proactive-self-improving-agent 这个 Skill 就是冲着这个问题来的：它给 Agent 加一套触发、记录、回顾、晋升的经验管理流程，让 Agent 在运行过程中自动捕获经验并安全进化。
这是什么¶
这是一个社区发布的 Skill，坐标 @user_96b3f16c/proactive-self-improving-agent，版本 1.0.0，分类 ai-agent。它不改变 Agent 本身的推理能力，而是在 Agent 工作时附加一套机制：在特定触发条件下把经验写入工作区内的 Markdown 文件，并通过去重和日志控制写入频率，避免噪音堆积。解决的核心问题是：Agent 完成任务过程中产生的经验教训默认不会留存，下次遇到类似任务时只能从零开始。
核心功能：七类触发条件¶
这套 Skill 的触发条件共七类，分别对应不同的记录动作：
1、命令或操作失败时，记入 ERRORS.md。
2、被用户纠正时（识别「不对」「应该是」这类表述），记入 LEARNINGS.md。
3、用户需要某个不存在的能力时，记入 FEATURE_REQUESTS.md。
4、外部 API 或工具出错时，记入 ERRORS.md。
5、发现自己的知识过时或错误时，记入 LEARNINGS.md。
6、发现更好的做法时，记入 LEARNINGS.md。
7、每个任务完成时，回顾整个过程，有新经验则记入 LEARNINGS.md。
可以看到，失败类经验（1、4）统一进 ERRORS.md，纠正和知识更新类经验（2、5、6、7）统一进 LEARNINGS.md，能力缺口单独记在 FEATURE_REQUESTS.md。三个文件分工明确，便于后续检索和审计。
去重原则与日志¶
写入不是无条件的。Skill 明确要求：如果没有新经验，或者已有条目已经覆盖了当前经验，就跳过不写。这条去重原则是整套机制能长期运转的关键——经验文件如果只增不减、重复条目大量堆积，很快就会失去参考价值。
每次写入经验时，还要同时在 .learnings/CHANGELOG.md 追加一行 JSONL 格式的日志。JSONL 即每行一个 JSON 对象，这种格式便于用脚本追加写入和后续解析，也留下了完整的写入时间线。
经验的晋升路径¶
经验不是永久停留在 LEARNINGS.md 里的。当某条经验反复出现达到 3 次时，会被晋升到 AGENTS.md / TOOLS.md / SOUL.md 这类更正式、更常被 Agent 读取的文件中。单次出现的经验停留在 .learnings/ 目录下，多次验证有效的经验上升到更高层级，形成一个从临时记录到长期规则的筛选机制。
安装与启用¶
官方页面（https://api.skillhub.cn/user_96b3f16c/proactive-self-improving-agent 及对应的 skillhub.cn 页面）在撰写本文时无法访问，因此安装命令和具体的目录放置方式未能核实，这里不给出推测内容。从 Skill 的工作方式可以推断，它需要在 Agent 的工作目录下能够创建 ERRORS.md、LEARNINGS.md、FEATURE_REQUESTS.md 和 .learnings/ 目录，具体启用方式以官方页面为准。
适用场景与注意¶
适合长期在同一工作目录下使用 Agent 的场景：项目开发、日常运维脚本、需要反复处理同类任务的工作流。经验文件沉淀在工作区里，换目录就换一份新记忆，这是设计使然，但也意味着经验不会跨目录自动迁移。
几个需要注意的点：
1、经验写入依赖触发条件的识别，用户纠正类触发基于「不对」「应该是」等表述，如果纠正时措辞不典型，可能不会被捕获。
2、去重和 3 次晋升规则需要 Agent 准确执行，机制本身的效果取决于 Agent 对规则的遵循程度。
3、晋升到 AGENTS.md 等文件的经验会持续生效，晋升前值得人工过一眼，避免把偶然情况固化成规则。
4、该 Skill 标注 requires_api_key=false，不需要额外配置 API 密钥。
结尾¶
这类 Skill 的价值不在于让 Agent 变聪明，而在于让它不再重复犯错：把失败、纠正和发现固化成文件，再用去重和晋升机制控制规模。如果你的 Agent 已经在一个项目里跑了一段时间，值得用它把散落的经验系统化整理一遍。
官方地址：https://api.skillhub.cn/user_96b3f16c/proactive-self-improving-agent
