Trigger	What It Captures	Example
Correction	User corrects agent behavior	"Don't use git add ., use specific files"
Error

Axis	Weight	What It Measures
Recurrence	0.35	How many times this same issue/pattern appeared
Freshness

Feature	midos-self-improver	self-improving-agent (101K)	proactive-agent (54K)
Promotion tiers	4 (entry → staging → chunks → rules)	2 (.learnings → CLAUDE.md)	1 (WAL → manual)
Quality gate

技能名称: midos-self-improver

详细描述:

midos-self-improver

一个智能体学习系统，能够捕获出错、被纠正以及有效的内容，然后将最佳学习成果提升为永久项目记忆。配备质量关卡，防止噪音污染知识库。

大多数自我改进型智能体将所有内容倾倒进一个平面文件。随着时间的推移，这个文件会变成一个从未清理的一次性笔记的坟场。midos-self-improver 通过一个 捕获 → 质量关卡 → 暂存区 → 评分 → 提升 流水线解决了这个问题，其中每一条学习成果在成为永久记忆之前，都必须通过重复出现来证明其价值。

架构

智能体会话
↓
[检测器] — 5 种触发类型
↓
.learnings/entries/{category}/{timestamp}.json
↓
[质量关卡] — 去重 + 决策检查
↓
.patterns/{domain}_pattern.md (暂存区)
↓
[4 轴评分器] — 重复性、新鲜度、具体性、影响度
↓
.knowledge/ (永久) ← 仅当评分 >= 0.7
↓
CLAUDE.md / AGENTS.md (提升后的规则)

5 种检测触发器

触发器	捕获内容	示例
纠正	用户纠正智能体行为	不要使用 git add .，要使用具体文件
错误

检测钩子

bash

纠正检测器 — 当检测到纠正性语言时，在 UserPromptSubmit 上触发

模式: 不，改为做 X, 那是错的, 实际上, 我说过, 不要那样做

错误检测器 — 当工具返回错误时，在 PostToolUse 上触发

捕获: 退出码 != 0, 异常追踪, 输出中的 Error:

缺口检测器 — 当智能体说我不知道或对同一事物搜索超过 3 次时触发

模式检测器 — 在 PostToolUse Write|Edit 上触发

分析: 做出了哪些决策，考虑了哪些权衡

质量关卡 (确定性)

在任何学习成果进入暂存区之前，它必须通过一个质量关卡：

去重

1. 对规范化内容进行 SHA-256 哈希（小写，去除空白）
与过去 30 天内的所有条目进行比较
如果哈希存在 → 增加重复计数器，跳过创建
如果相似（>85% 三元组重叠）→ 合并到现有条目

决策检查

规则（无需 LLM）:
1. 从模式中提取 >= 2 个决策 → 通过
2. 跨 >= 2 个领域的 >= 3 个文件 → 通过（跨领域）
3. 仅有文档字符串，无决策 → 失败（记录，非模式）
4. 所有文件属于同一琐碎编辑 → 失败（维护，非学习）

只有通过这两项检查的条目才能进入暂存区。

4 轴评分

每个暂存的学习成果在 4 个轴上获得评分：

轴	权重	衡量内容
重复性	0.35	同一问题/模式出现的次数
新鲜度

0.25 | 多近发生（指数衰减，半衰期 14 天） |
| 具体性 | 0.20 | 具体的文件路径/函数 vs 模糊建议 |
| 影响度 | 0.20 | 影响范围（多领域 > 单个文件） |

评分公式

recurrence_score = min(count / 5, 1.0) # 在 5 次出现时饱和
freshnessscore = exp(-0.693 * dayssince / 14) # 半衰期 14 天
specificityscore = (haspath 0.4) + (hasfunction 0.3) + (hasexample * 0.3)
impactscore = min(ndomains / 3, 1.0) 0.6 + min(n_files / 5, 1.0) 0.4

composite = (recurrence 0.35) + (freshness 0.25) +
(specificity 0.20) + (impact 0.20)

提升阈值

composite >= 0.7 → 提升至永久知识库
composite < 0.3 → 修剪（归档并停止跟踪）
0.3 <= c < 0.7 → 保留在暂存区（让其在更多数据中成熟）

快速开始

独立模式（零依赖）

添加到您的 CLAUDE.md 或智能体指令中：

markdown

自我改进协议

关于纠正

当用户纠正您时：

1. 将纠正记录到 .learnings/corrections/{date}.md
包括：您做错了什么，正确的行为是什么，哪个文件/函数
如果同一纠正出现第 3 次或更多次 → 提升为 CLAUDE.md 规则

关于错误

当工具调用失败时：

1. 记录到 .learnings/errors/{date}.md
包括：命令，错误消息，根本原因，应用的修复
如果同一错误类型出现 3 次或更多次 → 创建预防规则

关于模式

当您注意到一个有效的重复方法时：

1. 记录到 .learnings/patterns/{domain}/{date}.md
包括：做了什么决策，为什么选择这个而非其他方案，有效的证据
模式必须包含 >= 2 个具体决策才能被记录（不仅仅是描述）

提升规则

- 重复性 >= 3 且综合评分 >= 0.6 → 提升至永久记忆
没有重复价值的证据绝不提升
去重：在写入新条目之前检查 SHA-256
归档超过 30 天且评分 < 0.3 的条目

使用捕获钩子

python

纠正捕获（连接到 UserPromptSubmit）

from hooks.learningcapture import capturecorrection
capture_correction(
user_message=不，在 git add 中始终使用具体文件,
agent_response=我将使用 git add file1 file2 而不是 git add .,
context={file: CLAUDE.md, function: commit_protocol}
)

错误捕获（连接到 PostToolUse）

from hooks.learningcapture import captureerror capture_error( tool=Bash, command=python -m pytest tests/, error=ImportError: cannot import name AuthMiddleware, fix=更改为绝对导入：from modules.community_mcp.auth import AuthMiddleware )

评估所有暂存模式

from hooks.patternharvester import assesspattern_value results = assesspatternvalue()

返回：[{file: ..., score: 0.82, action: PROMOTE}, ...]

触发提升

bash

对所有暂存模式运行评估

python -c from hooks.patternharvester import assesspatternvalue; assesspattern_value()

检查暂存区内容

ls docs/patterns/

检查已提升的内容

ls .knowledge/ | grep pattern

检查已丢弃的内容

cat knowledge/_discarded/LOG.md

使用模式

模式 1：纠正循环

用户：不要读取整个文件，先使用 grep
↓
检测器：检测到纠正性语言（不要，祈使句）
↓
条目：.learnings/corrections/2026-03-04T10:23:45.json
{
type: correction,
wrong: 使用 cat/Read 读取整个文件,
right: 先用 grep 搜索模式，然后用 Read 加偏移量,
context: {domain: efficiency},
recurrence: 1
}
↓
（同一纠正 3 天内又出现 2 次）
↓
recurrence_score: 0.6 (3/5)
freshness_score: 0.95 (近期)
specificity_score: 0.7 (有具体工具名称)
impact_score: 0.8 (影响所有文件操作)
com

midos-self-improver 自我提升管道