AD evolution-engine
Движок самоэволюции для ИИ-агентов, решающий четыре основные проблемы: «повторяющиеся ошибки, обучение на основе молчаливых предположений, потеря информации при сжатии памяти, невозможность измерить эволюцию». Благодаря саморефлексии, обучению на исправлениях и механизмам повышения уровня, агент накапливает повторно используемый опыт в каждом взаимодействии, а не начинает с нуля в каждом диалоге. Основные возможности включают журнал саморефлексии (автоматическая оценка после задачи «соответствует ли ожиданиям/как улучшить/является ли это шаблоном»), сигналы обучения на исправлениях (распознавание исправлений пользователя и их классификация), защита от загрязнения (повышение уровня только после 3 подтверждений, никогда не делать выводов из молчания), иерархическое сжатие памяти (слияние вместо удаления, сохранение подтвержденных предпочтений), метрики эволюции (частота исправлений/уровень повышения/уровень повторного использования можно измерить), изоляция пространства имен (трехуровневая: проект/область/глобальная), механизм поддержания работоспособности, правила разрешения конфликтов. Сценарии использования: ИИ-помощники по программированию для предотвращения повторных ошибок, накопление опыта в долгосрочных проектах, повторное использование шаблонов в нескольких проектах, пользователи, желающие, чтобы агент становился лучше с каждым использованием, команды, которым требуется измеримая эволюция. Отличия: по сравнению с простым хранением памяти, эта система обеспечивает защиту от загрязнения (3 подтверждения + отсутствие выводов из молчания) для предотвращения ошибочного обучения, сжатие и слияние вместо удаления для сохранения подтвержденных предпочтений, метрики эволюции для количественной оценки «становится ли лучше», изоляцию пространства имен для предотвращения загрязнения между проектами, автоматическое поддержание работоспособности. Вся память загружается иерархически для снижения потребления токенов. Ключевые слова для активации: самосовершенствование, рефлексия, исправление ошибок, обучение, эволюция, накопление опыта, избегание повторных ошибок, self-improving, reflection
машинный переводПоказать оригиналСкрыть оригинал«面向 AI Agent 的自我进化引擎，直击"重复犯错、从沉默误学、记忆压缩丢失、进化无法衡量"四大痛点。通过自反思、纠错学习、模式晋升机制…»
面向 AI Agent 的自我进化引擎，直击"重复犯错、从沉默误学、记忆压缩丢失、进化无法衡量"四大痛点。通过自反思、纠错学习、模式晋升机制，让 Agent 从每次交互中积累可复用经验，而非每次会话从零开始。 核心能力包括自反思日志（任务后自动评估"是否达预期/如何改进/是否成模式"）、纠错学习信号（识别用户纠正并归类）、反污染防线（3 次确认才晋升、永不从沉默推断）、分层记忆压缩（合并而非删除，保留确认偏好）、进化指标度量（纠正频率/晋升率/复用率可量化）、命名空间隔离（项目/领域/全局三级）、心跳维护机制、冲突解决规则。 适用场景：AI 编程助手避免重复犯错、长期项目经验沉淀、多项目模式复用、希望 Agent 越用越好的用户、需要可衡量进化的团队。 差异化：相比简单记忆存储，本系统提供反污染防线（3 次确认+不从沉默推断）避免误学、压缩合并而非删除保留确认偏好、进化指标让"是否变好"可量化、命名空间隔离避免跨项目污染、心跳自动维护。所有记忆分层加载降低 token 消耗。 触发关键词：自我改进、反思、纠错、学习、进化、经验积累、避免重复犯错、self-improving、reflection
Движок самоэволюции для ИИ-агентов, решающий четыре основные проблемы: «повторяющиеся ошибки, обучение на основе молчаливых предположений, потеря информации…
Как процесс D 49/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия
Как улучшить
- Скажите в description, КОГДА применять скилл («используй, когда…», примеры запросов): это главный сигнал для агента.
- Свои кейсы (evals/evals.json, 4–6 реальных запросов с ожидаемыми ответами): тогда полная проверка прогонит именно их, а не черновик от модели.
- spec.yaml с триггерными фразами и утверждениями — контракт поведения для CI; `skilltest init` создаст шаблон.
Находки guard · 0
✓ Критических и высоких находок нет
Просканировано файлов: 2. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.
По спецификации Agent Skills
- предупреждение
description-no-whendescription не говорит, КОГДА применять скилл (нет "use when / используй когда") - заметка
frontmatter-keyнеизвестное поле фронтматтера "slug" - заметка
frontmatter-keyнеизвестное поле фронтматтера "displayName" - заметка
frontmatter-keyнеизвестное поле фронтматтера "summary" - заметка
frontmatter-keyнеизвестное поле фронтматтера "tools"
Процессный рейтинг: все десять параметров 49/100
- 0Результат и критерий готовности. Не сказано, что считать результатом
- 0Входы и предусловия. Не сказано, что нужно иметь на входе
- 0Ошибки и развилки. Линейный процесс без обработки сбоев
- 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
- 20Когда включается. Не сказано, при каком запросе скилл включается
- 40Согласованность. Имя во frontmatter (evolution-engine) не совпадает с папкой (evolution-engine-v2)
- 100Инструменты и файлы. Инструменты объявлены во frontmatter
- 100Шаги. Шагов: 26
- 100Стоимость исполнения. Тело инструкции 1890 токенов
- 100Повторный запуск. Изменяющих операций нет
- low Разделов верхнего уровня: 16. Похоже на несколько доменов в одном скилле
Всё перечисленное измерено по тексту скилла, а не оценено моделью: цифры проверяемы. Вес параметра тем больше, чем чаще из-за него процесс встаёт.
Сигналы качества
- +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
- +3Формат ответа не описан: модель каждый раз решает сама
- +2Инструкции на одном языке
- +5В description 2 примера фраз-триггеров в кавычках
- +3Длина description 509 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 45 заголовков
- +3Пошаговые инструкции: 26 пунктов
- +4Есть примеры (12 блоков кода)
- +1Лицензия указана
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 75.