技能解剖 on CAO ZUOHUA

Agent 技能解剖（四）：Proactive Agent——主动性的代价与上下文存活

Mon, 28 Sep 2026 21:30:00 +0800

Agent 技能解剖（四）：Proactive Agent——主动性的代价与上下文存活

前三篇都在处理「记忆」：怎么存、怎么约束、怎么改进。这一篇换一个层面——记忆的载体本身会消失。 上下文压缩一发生，没落盘的一切就没了。而在这个前提下，讨论「主动」才有意义。

这篇的位置

Proactive Agent 是本系列里定位最特殊的一个：它不提供存储，而是提供一整套协作行为规范。它的自我描述是「把 AI Agent 从任务执行者变成主动伙伴」，实际内容可以归到两个问题：

怎么让主动行为不打扰人？（主动性必须有上限，否则就是骚扰）
怎么让 Agent 活过上下文压缩？（这是主动性的前提——一个连昨天做过什么都想不起来的 Agent，无法主动）

第二个问题是硬约束，第一个问题是软约束。技能的绝大部分篇幅给了第二个。

技能档案

项	值
技能名	Proactive Agent
slug	`proactive-agent`
作者	halthelobster
版本	3.1.0
下载量	273,764
安装量	28,937
星标	913
来源	ClawHub
组成	SKILL.md（v3，含 v2.3 备份与 v3 草案）+ 7 个工作区模板 + 2 份参考 + 1 个安全审计脚本

数据抓取于 2026-09-28。作者署名是一个 AI Agent 本身（Hal 9001），技能里没有理论引用，全部是「这样试过、那样会坏」的经验条目——这决定了它的读法：当成事故报告合集来读，比当成架构文档读收获大。

上下文存活的三个协议

这是全篇最硬的部分，按触发时机串起来看：

flowchart TD M["每收到一条消息"] --> S{"扫描 6 类信号 纠错 / 专有名词 / 偏好 决策 / 草稿变更 / 具体数值"} S -- "命中任一" --> WAL["WAL：先写 SESSION-STATE.md 再回复"] S -- "未命中" --> N["正常回复"] N --> C{"上下文用量"} M --> C C -- "＜60%" --> NB["正常处理"] C -- "≥60%" --> BUF["Working Buffer 激活 之后每条消息双向落盘 （人说的话 + 自己回复的摘要）"] BUF --> CK{"发生压缩？"} CK -- "是" --> REC["Compaction Recovery 1 读 buffer → 2 读 SESSION-STATE → 3 读今昨日记 → 4 不行再全量搜"] REC --> OUT["『从缓冲区恢复完成，上一件事是 X，继续？』 禁止问『我们刚才在聊什么』"]

协议一：WAL（Write-Ahead Log）

触发条件是用户的输入，不是模型的自省。 这是整个设计里最关键的一处选择。技能列出了需要扫描的六类信号：

Agent 技能解剖（三）：Self-Improving Agent——从纠错日志到规则晋升

Mon, 28 Sep 2026 21:20:00 +0800

Agent 技能解剖（三）：Self-Improving Agent——从纠错日志到规则晋升

前两篇解决的是一致性问题：怎么把记忆存成数据、怎么用 schema 约束它。但记忆本身不改变行为。你知道一件事，不等于你会因此改变做法。 这一篇讲的是把「知道」变成「改掉」的机制。

一个被普遍误读的词

「自我改进的 Agent」这个说法容易让人想到权重更新、在线微调、参数层面的学习。而本系列讨论的这类技能，做的完全是另一件事：

它把「学习」实现为一个文档编辑流程。

模型的行为由 prompt 决定，那么「改变行为」的最短路径就不是训练，而是改 prompt。于是「自我改进」被拆解成一条可执行的流水线：把纠正与错误写成结构化日志 → 反复出现的模式被识别出来 → 蒸馏成一句规则 → 写进项目的常驻 prompt 文件。

这个技能就是这个流水线的一份完整、且经过版本迭代的实现。它是当前装机量最高的技能（86,140），不是偶然——它解决的是所有 Agent 用户都有的痛感。

技能档案

项	值
技能名	self-improvement（包名 `self-improving-agent`）
slug	`self-improving-agent`
作者	pskoett
版本	3.0.24
下载量	1,268,197
安装量	86,140（SkillHub 全站第 1）
星标	4,517
来源	ClawHub
组成	三份日志模板 + 两个 hook 脚本 + 一个 OpenClaw hook + 技能提取脚本

数据抓取于 2026-09-28。版本号走到 3.0.24 说明它经历了长期实际使用与修正。

四层记忆阶梯

先看它把知识放在了哪几层。这是理解全技能的钥匙：

flowchart TD L0["L0 会话上下文 易失，压缩即丢"] -->|"发现问题立刻写"| L1 L1["L1 .learnings/*.md 原始观测，append-only LEARNINGS / ERRORS / FEATURE_REQUESTS"] L1 -->|"复现≥3 次 · 跨≥2 任务 · 30 天内"| L2 L2["L2 项目常驻 prompt CLAUDE.md / AGENTS.md .github/copilot-instructions.md"] L2 -->|"满足可复用性门槛"| L3 L3["L3 SKILL.md 跨项目可复用技能"] L2 -.行为类.-> L4["L4 SOUL.md / TOOLS.md 身份、边界、工具坑"]

四层的分工非常明确，且晋升是单向的：

Agent 技能解剖（二）：Ontology——用 schema 管住模型的不确定性

Mon, 28 Sep 2026 21:10:00 +0800

Agent 技能解剖（二）：Ontology——用 schema 管住模型的不确定性

上一篇讲 Agent Memory，结论是「把记忆做成数据层」。但数据层有一个自带的问题：数据一旦自由生长，就查不动、也信不过。 这一篇讲那个问题的解法：给记忆加一层类型系统与约束校验。

问题的真正形态

用自然语言存储记忆，会遇到三类麻烦，而且它们都不会立刻暴露：

形态漂移。「项目」「Project」「project」是同一个东西；「进行中」「in progress」「active」也是同一个状态。写入时没人觉得有问题，三个月后查询时全都查不全。
关系丢失。「张三负责官网改版」这句话，在纯文本记忆里就是一句话。你没法问「张三还负责什么」，只能全文搜「张三」，然后自己读。
无校验。模型写下「会议结束时间早于开始时间」，存储层照单全收，没有任何环节会拒绝它。

Ontology 这个技能给出的答案是教科书式的：因为语言是不确定的，那就不要再让语言承担一致性保证——把它压缩成「实体 + 类型 + 属性 + 关系」，然后用 schema 去校验。

技能档案

项	值
技能名	ontology
slug	`ontology`
作者	oswalpalash
版本	1.0.4
下载量	286,820
安装量	29,080
星标	787
来源	ClawHub
存储介质	`memory/ontology/graph.jsonl`（追加式）+ `memory/ontology/schema.yaml`
入口	`scripts/ontology.py`（create / get / query / list / update / delete / relate / related / validate / schema-append）

数据抓取于 2026-09-28，口径为 SkillHub 聚合榜。

Agent 技能解剖（一）：Agent Memory——把「记住」做成数据层

Mon, 28 Sep 2026 21:00:00 +0800

Agent 技能解剖（一）：Agent Memory——把「记住」做成数据层

本系列共四篇，逐篇拆解四个当前装机量最高的 Agent 技能，全部基于下载技能包后的源码级阅读，不是对 README 的转述。解读视角固定为 prompt 工程：它把哪一部分不确定性交给了模型，又把哪一部分交给了代码。

为什么先拆这一个

关于「让 Agent 记住」，业内长期存在两种做法：

塞进上下文——把历史对话、文件、笔记尽可能多地带进 prompt；
外置成存储——把记忆写成结构化数据，需要时检索回来。

第一种做法的问题不是「不够长」，而是成本与轮次线性相关：每一轮都要为全部历史重新付费，且上下文越长，模型对中段的注意力越差。第二种做法把问题从「prompt 长度」转换成了「数据工程」，代价是要自己定义 schema、自己做检索、自己处理过期与冲突。

Agent Memory 是第二种路线上装机量最高的技能之一。它值得拆的地方在于：代码只有 680 行，却把一个记忆系统该有的骨架全都摆出来了——三种记忆类型、覆盖率、冲突覆盖、遗忘机制。骨架清晰，正好适合当教学样本；同时它的几处实现与宣称不一致，也正好适合当反面教材。

技能档案

项	值
技能名	Agent Memory
slug	`agent-memory`
作者	dennis-da-menace
版本	1.0.0
下载量	145,610
安装量	25,555
星标	172
来源	ClawHub
代码规模	`src/memory.py` 688 行 + 3 个 CLI + 1 个测试文件
外部依赖	无（`requirements.txt` 仅一行「No external dependencies - just Python stdlib」）

数据抓取于 2026-09-28，口径为 SkillHub 聚合榜。