让 OpenClaw Agent 不再失忆:一个自进化 Skill 的完整方案

过去一年，Agent 的能力在快速上升：会写代码、会调工具、会跑任务、会总结。但真正用久了之后，一个很现实的问题会暴露出来：

它能完成一次任务，不代表它会因为这次任务而变得更好。

很多所谓“记忆系统”，本质上只是把几条笔记写进 Markdown。它们有用，但不够稳定；能救急，但很难支撑长期演化。

这就是 Self-Improving Compound 真正有价值的地方。

它不是又一个“记一条 learning”的小工具，而是一套面向长期 Agent 工作流的自进化记忆系统：

项目地址：

01 Agent 最大的问题，不是不会做，而是不会沉淀

一次真实的 Agent 工作流通常长这样：

这就是“无记忆执行”的典型症状。

不是因为 Agent 没有上下文窗口，而是因为上下文窗口不是记忆系统。上下文窗口是临时工作台；真正的记忆系统需要回答几个问题：

这正是 Self-Improving Compound 想解决的问题。

02 市面上的自进化 Skill：轻量好用，但大多停在日志层

ClawHub 上已经有不少 self-improving 类 skill。比如下载量很高的 pskoett/self-improving-agent，页面显示它已经有很高的关注和使用指标：v3.0.21、31 个版本、数千级安装量，并且页面指标里出现了 426k 量级的数据。

这个方向非常有价值。它把“错误、纠正、feature request、best practice”这些东西变成显式日志，让 Agent 不再完全依赖临时上下文。

它的典型路径是：

命令失败 / 用户纠正 / API 出错        ↓写入 .learnings/LEARNINGS.md / ERRORS.md / FEATURE_REQUESTS.md        ↓必要时 promote 到 AGENTS.md / TOOLS.md / MEMORY.md

这类设计的优势很明显：

但长期使用这类方案后，一个典型问题会出现：Markdown 日志会越来越像杂物间。

当任务量上来以后，会出现几个瓶颈：

更准确的判断是：

轻量 Markdown learning 是很好的起点，但长期 Agent OS 需要更强的状态管理。

03 Self-Improving Compound 的核心：从“日志”升级成“记忆操作系统”

Self-Improving Compound 的目标不是替代所有记忆方案，而是把几个成熟思路组合起来，形成一个更完整的闭环。

它吸收了几类架构的优点：

一句话概括：

04 什么是 3+7？

我们把长期 Agent 状态拆成 3 个状态目录 + 7 个根 Markdown 控制面文件。

3 个状态目录

memory/    每日事实连续性learning/  SQLite 执行学习库skills/    可复用能力和流程

它们的职责不同：

7 个根 Markdown 控制面文件

AGENTS.md     workspace contract / 行为边界HEARTBEAT.md  轻量 check-in 表面IDENTITY.md   兼容入口或身份指针MEMORY.md     pinned long-term contextSOUL.md       Agent 身份和 personaTOOLS.md      本地工具与环境事实USER.md       用户画像和协作偏好

这 7 个文件不是“越多越好”，而是 Agent 的控制面。它们决定 Agent 每次启动时如何理解自己、用户、工具、边界和长期状态。

真正重要的是：不要混层。

05 和主流记忆架构相比，它解决了什么？

常见 Agent 记忆方案大致可以分成几类。

这也是这个项目在安装文档里有一句很重要的话：

clawhub install 只是第一步。

一个真正可用的自进化系统，至少还需要：

听起来更重，但这恰恰是它和“装了但没生效”的区别。

06 四个后台任务：让记忆系统自己维护自己

Self-Improving Compound 推荐的 cron pipeline 包括四类任务：

这里有个关键设计：cron 默认隔离。

隔离的好处是不会污染主对话上下文，也不会把后台审计塞进用户当前聊天。但代价是：如果 cron 需要理解主会话，它必须显式拉取 session history，或者使用专门的 collector。

这是很多 Agent 自动化容易踩坑的地方：后台任务不是“天然知道一切”。

07 适合谁？

如果你只是偶尔用 Agent 写点代码，轻量的 .learnings/ Markdown 方案已经足够。

但如果你符合下面任意一条，Self-Improving Compound 会更适合：

08 它真正解决了哪些痛点？

因为这些问题几乎是长期 Agent 工作流的必经坑：

这些都不是“模型智商”问题，而是状态系统问题。

Self-Improving Compound 的价值，就是把这些坑变成可沉淀、可审计、可晋升的系统机制。

它不是让 Agent 变得神奇，而是让 Agent 少犯同样的错。

09 快速开始

安装：

class="language-bash">clawhub install self-improving-compound

但请记住，这只是第一步。

完整激活需要继续配置：

class="language-bash">export OPENCLAW_WORKSPACE="/path/to/workspace"export SELF_IMPROVING_SKILL_DIR="$OPENCLAW_WORKSPACE/skills/self-improving-compound"export SELF_IMPROVING_LEARNINGS_CLI="$SELF_IMPROVING_SKILL_DIR/scripts/learnings.py"python3 "$SELF_IMPROVING_LEARNINGS_CLI" --root "$OPENCLAW_WORKSPACE" initpython3 "$SELF_IMPROVING_LEARNINGS_CLI" --root "$OPENCLAW_WORKSPACE" status

然后：

我们在 SKILL.md 里已经把安装成熟度写成 1/5 到 5/5，避免“装了但没生效”。

10 结语：Agent OS 的记忆层，应该像基础设施一样被维护

下一代 Agent 不会只靠更长上下文窗口取胜。

真正可持续的 Agent，一定需要自己的状态系统：

Self-Improving Compound 是对这件事的一次工程化回答。

如果你也在构建长期运行的 Agent 工作流，欢迎试试：

它不是最轻的方案，但它指向一个更值得押注的方向：

让 Agent 不只是完成任务，而是持续变得更可靠。

参考与对比