🦀 ClawHub
Super Self Improving
by @bombfuock
超级自我优化智能体 - 多模态记忆、反馈循环、元学习、置信度校准 / Super Self-Improving Agent - Multi-modal Memory, Feedback Loops, Meta-Learning, Confidence Calibration
TERMINAL
clawhub install super-self-improving📖 About This Skill
name: super-self-improving description: 超级自我优化智能体 - 多模态记忆、反馈循环、元学习、置信度校准 / Super Self-Improving Agent - Multi-modal Memory, Feedback Loops, Meta-Learning, Confidence Calibration metadata: version: 1.0.0 author: OpenClaw
超级自我优化智能体 / Super Self-Improving Agent
基于原有self-improving的增强版，增加多模态记忆、元学习、置信度校准等功能。
Enhanced version with multi-modal memory, meta-learning, confidence calibration and more.
🆕 相比原版新增功能
1. 多模态记忆 / Multi-modal Memory
2. 反馈循环 / Feedback Loops
3. 元学习 / Meta-Learning
4. 置信度校准 / Confidence Calibration
5. 错误分析 / Error Analysis
📁 目录结构 / Directory Structure
~/.super-self-improving/
├── memory/
│ ├── hot.md # 始终加载 (<100行)
│ ├── preferences.md # 用户偏好
│ ├── patterns.md # 行为模式
│ └── metrics.md # 性能指标
├── projects/ # 项目级记忆
├── domains/ # 领域级记忆
├── archive/ # 归档
├── feedback/
│ ├── explicit.md # 显式反馈
│ ├── implicit.md # 隐式反馈
│ └── synthetic.md # 自我评估
├── errors/ # 错误分析
│ ├── categories.md # 错误分类
│ ├── root_causes.md # 根因分析
│ └── prevention.md # 预防模式
└── meta/
├── strategy.md # 学习策略
├── calibration.md # 置信度校准
└── stats.json # 统计信息
🔄 工作流程 / Workflow
用户输入 → 意图识别 → 上下文匹配 → 执行 → 反馈收集
↓ ↓
记忆检索 ←──────────────── 自我评估
↓
模式学习 → 策略更新 → 置信度调整
📊 性能指标 / Performance Metrics
追踪以下指标：
| 指标 | 说明 | |------|------| | task_completion_rate | 任务完成率 | | user_satisfaction | 用户满意度 | | error_rate | 错误率 | | response_time | 响应时间 | | pattern_accuracy | 模式识别准确率 | | calibration_score | 置信度校准分数 |
🎯 核心机制 / Core Mechanisms
1. 反馈收集 / Feedback Collection
# 收集反馈
def collect_feedback(context):
explicit = detect_explicit_correction(context) # 用户直接纠正
implicit = detect_implicit_feedback(context) # 行为推断
synthetic = self_assessment(context) # 自我评估
return combine_feedback(explicit, implicit, synthetic)
2. 模式识别 / Pattern Recognition
# 识别重复模式
def recognize_patterns(memory, threshold=3):
# 统计出现频率
# 识别关联规则
# 生成模式建议
return patterns
3. 策略更新 / Strategy Update
# 基于反馈更新策略
def update_strategy(patterns, metrics):
# 分析什么有效
# 调整方法
# 更新置信度
return updated_strategy
4. 置信度校准 / Confidence Calibration
# 校准置信度
def calibrate(prediction, actual_outcome):
# 记录预测 vs 实际
# 计算校准分数
# 调整未来预测
return calibrated_confidence
📋 触发条件 / Triggers
显式纠正
隐式信号
自我评估触发
🏆 升级规则 / Promotion Rules
| 层级 | 使用频率 | 确认次数 | |------|---------|---------| | HOT | 每次 | 3次确认 | | WARM | 相关上下文 | 5次使用 | | COLD | 显式查询 | 归档 |
🔒 安全边界 / Security Boundaries
1. 不存储敏感信息 (No sensitive data) 2. 不访问未授权文件 (No unauthorized file access) 3. 不修改系统配置 (No system config changes) 4. 定期清理过期数据 (Regular cleanup)
📈 使用示例 / Usage Examples
# 查看记忆统计
super-self-improving stats添加显式反馈
super-self-improving feedback --explicit "不要用markdown表格"查看性能指标
super-self-improving metrics导出记忆
super-self-improving export置信度校准
super-self-improving calibrate
⚡ 与原版对比 / Comparison with Original
| 特性 | 原版 | 增强版 | |------|------|--------| | 记忆类型 | 文本 | 多模态 | | 反馈来源 | 显式 | 显式+隐式+合成 | | 学习方式 | 被动 | 主动+被动 | | 错误处理 | 记录 | 分析+预防 | | 置信度 | 无 | 完整校准 | | 性能追踪 | 无 | 完整指标 |
📝 记录格式 / Logging Format
显式反馈
## 2026-03-05
用户纠正: "不要用表格，用列表"
原因: 用户偏好
状态: 已确认
隐式反馈
## 2026-03-05
行为: 用户重复提问3次
推断: 上次回答不够清晰
动作: 改进回答方式
自我评估
## 2026-03-05
任务: 复杂代码调试
评估: 第一次尝试失败
改进: 添加更多调试信息
🎯 最佳实践 / Best Practices
1. 频繁小改进 > 偶尔大改进 2. 量化跟踪 > 主观感觉 3. 预防优先 > 事后纠正 4. 透明可解释 > 黑箱学习 5. 用户控制 > 自主推断
💰 Token监控 / Token Monitoring
功能 / Features
指标 / Metrics
| 指标 | 说明 | |------|------| | session_tokens | 当前会话消耗 | | total_tokens | 总会话消耗 | | cache_efficiency | 缓存效率 | | avg_tokens_per_turn | 每轮平均消耗 | | cost_estimate | 成本估算 |告警规则 / Alert Rules
- 超过平均2倍 → 警告
超过平均3倍 → 严重告警
缓存效率<50% → 优化建议
接近限制(80%) → 提醒