Meta Agent Optimizer Free Skill

AI Agent的学习闭环系统。三类日志结构化记录，从错误与纠正中提取可复用知识。

AI Agent最大的浪费不是Token，而是"上次踩过的坑下次又踩"。元代理优化器免费版将零散的错误、纠正、特性需求转化为结构化的知识库，让每次犯错都成为进化的燃料。

架构总览

┌─────────────────────────────────────────────────────────────────┐
│                元代理优化器免费版 (META OPTIMIZER FREE)          │
├─────────────────────────────────────────────────────────────────┤
│                                                                 │
│   ┌──────────────┐    ┌──────────────┐    ┌──────────────┐     │
│   │  检测触发器   │ -> │  分类路由    │ -> │  日志记录    │     │
│   │ 4类信号捕获   │    │ LRN/ERR/FEAT │    │  标准化ID    │     │
│   └──────────────┘    └──────────────┘    └──────────────┘     │
│                                                  │              │
│                                                  v              │
│   ┌──────────────┐    ┌──────────────┐    ┌──────────────┐     │
│   │  复发检测     │ <- │  定期复盘    │ <- │  状态管理    │     │
│   │ See Also关联  │    │ 周/里程碑    │    │ pending->... │     │
│   └──────────────┘    └──────────────┘    └──────────────┘     │
│           │                                          │          │
│           v                                          v          │
│   ┌──────────────┐                      ┌──────────────┐       │
│   │  优先级提升   │                      │  项目记忆提升 │       │
│   │ recurrence≥3 │                      │ CLAUDE.md等  │       │
│   └──────────────┘                      └──────────────┘       │
│                                                                 │
└─────────────────────────────────────────────────────────────────┘

快速开始

30秒上手

创建学习日志目录，立即开始记录：

mkdir -p .learnings
cat > .learnings/LEARNINGS.md << 'EOF'
EOF

cat > .learnings/ERRORS.md << 'EOF'
EOF

cat > .learnings/FEATURE_REQUESTS.md << 'EOF'
EOF

60秒完整配置

在基础搭建之上，配置检测触发器与复盘提醒：

cat > .learnings/INDEX.md << 'EOF'
[暂无]

[暂无]

[暂无]

1. 学习条目：0
2. 错误条目：0
3. 特性请求：0
EOF

cat > .learnings/REVIEW_TEMPLATE.md << 'EOF'
[YYYY-MM-DD] 至 [YYYY-MM-DD]

4. 学习：X
5. 错误：X
6. 特性请求：X

[列出]

[列出recurrence≥3的条目]

[列出可提升至CLAUDE.md的条目]
EOF

结果处理: 执行完成后,查看输出结果确认操作状态。成功时输出包含处理摘要和结果数据;失败时根据错误信息排查问题,查阅错误处理章节获取恢复步骤。

核心能力

1. 三类日志分类记录

日志类型	触发场景	文件位置	ID前缀
学习（Learning）	用户纠正/发现更好方法/知识更新	.learnings/LEARNINGS.md	LRN
错误（Error）	命令失败/异常抛出/超时/意外行为	.learnings/ERRORS.md	ERR
特性请求（Feature）	用户想要缺失功能/能力不足	.learnings/FEATURE_REQUESTS.md	FEAT

输入: 用户提供三类日志分类记录所需的指令和必要参数。处理: 按照skill规范执行三类日志分类记录操作,遵循单一意图原则。输出: 返回三类日志分类记录的执行结果,包含操作状态和输出数据。

2. 标准化ID生成

格式：TYPE-YYYYMMDD-XXX

组成	说明	示例
TYPE	日志类型	LRN / ERR / FEAT
YYYYMMDD	当前日期	20260118
XXX	顺序号或随机3字符	001 / A7B

示例：LRN-20260118-001、ERR-20260118-A3F、FEAT-20260118-002

输入: 用户提供标准化ID生成所需的指令和必要参数。处理: 按照skill规范执行标准化ID生成操作,遵循单一意图原则。输出: 返回标准化ID生成的执行结果,包含操作状态和输出数据。

3. 学习条目格式

**Logged**: ISO-8601 timestamp
**Priority**: low | medium | high | critical
**Status**: pending
**Area**: frontend | backend | infra | tests | docs | config

一行描述学到了什么

完整上下文：发生了什么、哪里错了、正确的是什么

具体的修复或改进建议

- Source: conversation | error | user_feedback
- Related Files: path/to/file.ext
- Tags: tag1, tag2
- See Also: LRN-20260110-001（关联条目）
- Pattern-Key: simplify.dead_code（可选，用于复发跟踪）
- Recurrence-Count: 1（可选）
- First-Seen: 2026-01-15（可选）
- Last-Seen: 2026-01-15（可选）

输入: 用户提供学习条目格式所需的指令和必要参数。处理: 按照skill规范执行学习条目格式操作,遵循单一意图原则。输出: 返回学习条目格式的执行结果,包含操作状态和输出数据。

执行此能力时使用input_params参数,支持创建/查询/导出操作

4. 错误条目格式

**Logged**: ISO-8601 timestamp
**Priority**: high
**Status**: pending
**Area**: frontend | backend | infra | tests | docs | config

简要描述什么失败了

实际错误消息或输出


- 尝试的命令/操作
- 使用的输入或参数
- 相关环境详情

如果可识别，可能解决的方案

- Reproducible: yes | no | unknown
- Related Files: path/to/file.ext
- See Also: ERR-20260110-001（如果复发）

输入: 用户提供错误条目格式所需的指令和必要参数。处理: 按照skill规范执行错误条目格式操作,遵循单一意图原则。输出: 返回错误条目格式的执行结果,包含操作状态和输出数据。

执行此能力时使用input_params参数,支持创建/查询/导出操作

5. 特性请求条目格式

**Logged**: ISO-8601 timestamp
**Priority**: medium
**Status**: pending
**Area**: frontend | backend | infra | tests | docs | config

用户想要做什么

为什么需要，解决什么问题

simple | medium | complex

如何构建，可能扩展什么

- Frequency: first_time | recurring
- Related Features: existing_feature_name

输入: 用户提供特性请求条目格式所需的指令和必要参数。处理: 按照skill规范执行特性请求条目格式操作,遵循单一意图原则。输出: 返回特性请求条目格式的执行结果,包含操作状态和输出数据。

执行此能力时使用input_params参数,支持创建/查询/导出操作

6. 状态管理

状态	含义	触发条件
pending	待处理	新建条目默认状态
in_progress	处理中	正在解决
resolved	已解决	问题已修复
wont_fix	不修复	决定不处理（需注明原因）
promoted	已提升	提升至CLAUDE.md/AGENTS.md
promoted_to_skill	已提取为技能	提取为独立技能

输入: 用户提供状态管理所需的指令和必要参数。处理: 按照skill规范执行状态管理操作,遵循单一意图原则。输出: 返回状态管理的执行结果,包含操作状态和输出数据。

7. 优先级矩阵

优先级	使用场景	示例
critical	阻塞核心功能、数据丢失风险、安全问题	生产环境崩溃
high	重大影响、影响常见工作流、复发问题	API集成失败
medium	中等影响、存在变通方案	文档过时
low	轻微不便、边缘场景、锦上添花	UI对齐微调

输入: 用户提供优先级矩阵所需的指令和必要参数。处理: 按照skill规范执行优先级矩阵操作,遵循单一意图原则。输出: 返回优先级矩阵的执行结果,包含操作状态和输出数据。

8. 区域标签体系

区域	范围	典型场景
frontend	UI、组件、客户端代码	React组件错误
backend	API、服务、服务端代码	数据库连接失败
infra	CI/CD、部署、Docker、云	部署脚本错误
tests	测试文件、测试工具、覆盖率	测试用例失败
docs	文档、注释、README	文档过时
config	配置文件、环境、设置	环境变量缺失

输入: 用户提供区域标签体系所需的指令和必要参数。处理: 按照skill规范执行区域标签体系操作,遵循单一意图原则。输出: 返回区域标签体系的执行结果,包含操作状态和输出数据。

9. 检测触发器

自动捕获以下4类信号并记录：

纠正信号（→ 学习，category=correction）：

"不对，那不对..."
"其实应该是..."
"你错了关于..."
"那过时了..."

特性请求信号（→ 特性请求）：

"你还能..."
"我希望你能..."
"有没有办法..."
"为什么你不能..."

知识差距信号（→ 学习，category=knowledge_gap）：

用户提供你不知道的信息
你引用的文档已过时
API行为与你的理解不同

错误信号（→ 错误条目）：

命令返回非零退出码
异常或堆栈跟踪
意外输出或行为
超时或连接失败

输入: 用户提供检测触发器所需的指令和必要参数。处理: 按照skill规范执行检测触发器操作,遵循单一意图原则。输出: 返回检测触发器的执行结果,包含操作状态和输出数据。

10. 复发模式检测

当记录类似条目时：

先搜索：grep -r "keyword" .learnings/
关联条目：在Metadata中添加See Also: ERR-20260110-001
提升优先级：如果问题持续复发
考虑系统性修复：
- 缺少文档 → 提升至CLAUDE.md
- 缺少自动化 → 添加至AGENTS.md
- 架构问题 → 创建技术债工单

输入: 用户提供复发模式检测所需的指令和必要参数。处理: 按照skill规范执行复发模式检测操作,遵循单一意图原则。输出: 返回复发模式检测的执行结果,包含操作状态和输出数据。 能力覆盖范围：本skill的核心能力覆盖以下场景关键词：特性三类日志闭环、从纠正与错误中提、取可复用知识、元代理优化器免费、提供结构化的学习、闭环系统、将零散的错误、特性需求转化为可、可提升、可复用的知识库、每次犯错都是进化、的燃料、每次纠正都是规则、的种子、when、模型调用、智能对话、LLM、应用时使用、不适用于需要、确定性的关键决策、适用于独立开发者、企业团队和自动化、工作流场景等。这些关键词对应description中声明的使用场景,均已在上述能力点中提供对应的操作支持。

使用场景

场景一：开发错误经验沉淀（开发者角色）

痛点：花了2小时调试一个数据库连接问题，下周又遇到类似问题，完全不记得上次怎么解决的。

使用方式：

[遇到错误]
Agent内部执行：
1. 捕获错误信号（命令返回非零）
2. 创建ERR-20260118-001条目
3. 记录错误消息、上下文、修复建议
4. 状态设为pending

[解决问题后]
1. 更新条目状态为resolved
2. 添加解决方案

[下次遇到类似问题]
1. grep搜索.learnings/
2. 找到ERR-20260118-001
3. 直接应用上次的解决方案

效果：同类问题解决时间从2小时降至5分钟。

场景二：用户纠正的规则化提取（技术负责人角色）

痛点：用户每次都要纠正"用pnpm不用npm"，但这个规则从未沉淀为项目约定。

使用方式：

用户："不对，应该用pnpm install，不是npm install"

Agent内部执行：
1. 捕获纠正信号
2. 创建LRN-20260118-001，category=correction
3. 记录：项目使用pnpm，不是npm
4. Source: user_feedback

[3次复发后]
1. Recurrence-Count=3
2. 提升至CLAUDE.md：
   - Package manager: pnpm (not npm) - use `pnpm install`
3. 状态改为promoted

效果：项目约定自动文档化，新人入职即知。

场景三：特性需求收集与优先级（产品经理角色）

痛点：用户零散提出的特性需求没有统一收集，产品规划时遗漏。

使用方式：

用户："有没有办法批量导出？"

Agent内部执行：
1. 捕获特性请求信号
2. 创建FEAT-20260118-001
3. 记录：批量导出能力
4. Complexity: medium
5. Frequency: first_time

[每月复盘]
1. 查看所有FEAT条目
2. 按Frequency排序（recurring优先）
3. 按Complexity评估（simple优先）
4. 形成产品需求池

效果：特性需求零遗漏，产品规划有数据支撑。

多角色场景指南

角色	典型场景	推荐日志类型	核心价值
开发者	错误经验沉淀	ERR为主	同类问题5分钟解决
技术负责人	纠正规则化	LRN(correction)	项目约定自动文档化
产品经理	特性需求收集	FEAT为主	需求零遗漏
运维工程师	故障经验复用	ERR+LRN	故障复现率-60%
新成员入职	项目知识获取	全部读取	快速理解项目约定

项目记忆提升

何时提升

当一个学习具有广泛适用性时（非一次性修复），提升至永久项目记忆：

学习适用于多个文件/功能
任何贡献者（人或AI）都应知道
防止重复犯错
记录项目特定约定

提升目标

目标	适合内容	示例
CLAUDE.md	项目事实、约定、陷阱	"包管理器用pnpm"
AGENTS.md	Agent特定工作流、工具使用模式	"API变更后重新生成客户端"
.github/copilot-instructions.md	项目上下文与约定	"测试框架用Vitest"

提升流程

蒸馏：将学习浓缩为简洁规则或事实
添加：至目标文件的适当章节
更新：原始条目状态改为promoted

示例

原始学习（冗长）：

提升至CLAUDE.md（简洁）：

- Package manager: pnpm (not npm) - use `pnpm install`

定期复盘

何时复盘

开始新主要任务前
完成一个功能后
在有历史学习的区域工作时
活跃开发期间每周

快速状态检查

grep -h "Status**: pending" .learnings/*.md | wc -l

grep -B5 "Priority**: high" .learnings/*.md | grep "^## ["
grep -l "Area**: backend" .learnings/*.md

复盘动作

解决已修复的条目
提升适用的学习
关联相关条目
升级复发问题

最佳实践

立即记录 - 问题发生后上下文最新鲜
具体明确 - 未来的Agent需要快速理解
包含复现步骤 - 特别是错误
关联相关文件 - 让修复更容易
建议具体修复 - 不只是"调查"
使用一致分类 - 启用过滤
积极提升 - 如有疑问，添加到CLAUDE.md
定期复盘 - 陈旧的学习失去价值

FAQ

Q1：免费版能记录多少条日志？

免费版无日志条数限制。三类日志（LEARNINGS.md、ERRORS.md、FEATURE_REQUESTS.md）均可无限记录。建议定期复盘并提升高频条目至CLAUDE.md，保持.learnings/目录的可管理性。

Q2：.learnings/目录应该加入gitignore吗？

三种策略可选：

保持本地（per-developer）：加入gitignore，学习为个人知识
跟踪至仓库（team-wide）：不加入gitignore，学习成为团队共享知识
混合（跟踪模板，忽略条目）：*.md + !.gitkeep

建议团队协作场景采用"跟踪至仓库"策略。

Q3：如何处理复发问题？

当类似问题多次出现时：

用grep -r "keyword" .learnings/搜索已有条目
在新条目的Metadata中添加See Also关联
递增Recurrence-Count
如果Recurrence-Count≥3，考虑提升至CLAUDE.md或AGENTS.md作为永久规则

Q4：免费版与专业版有什么区别？

免费版提供三类日志记录+标准化ID+状态管理+复发检测+项目记忆提升。专业版额外解锁：Agent性能指标采集、自动瓶颈诊断、优化建议生成、多平台Hook集成、技能自动提取、复发模式可视化、跨项目知识聚合。专业版使用GPT-4o模型路由，免费版使用GPT-4o-mini。

Q5：如何确保日志不妨碍开发效率？

关键原则是"立即记录、简洁明确"。每条日志建议<20行，重点是捕获上下文而非写长文。检测触发器自动捕获信号，减少手动记录负担。定期复盘时批量处理pending条目，避免积压。

错误处理

问题	可能原因	解决方案
日志未记录	检测触发器未启用	检查4类信号是否被识别
ID冲突	同日多条目序号未递增	使用日期+随机3字符组合
复发未检测	See Also未关联	用grep搜索关键词后手动关联
提升后未生效	CLAUDE.md未加载	确认Agent会话开始时读取CLAUDE.md
日志积压过多	未定期复盘	每周执行复盘，批量处理pending
跨项目混淆	单一.learnings/目录	每个项目独立.learnings/目录

依赖说明

运行环境

Agent平台: 支持SKILL.md的任意AI Agent（Claude Code / Cursor / Codex / Gemini CLI等）
操作系统: Windows / macOS / Linux
Git: 可选（用于团队共享学习日志）

第三方依赖

依赖项	类型	是否必需	获取方式
LLM API	API	必需	由Agent平台内置LLM提供
grep	工具	可选	系统自带，用于复发检测

API Key 配置

本免费版基于Markdown指令，无需额外API Key
LLM由Agent平台内置提供（默认路由GPT-4o-mini）

可用性分类

分类: MD+EXEC（纯Markdown指令，部分功能需要exec命令行执行能力）
说明: 基于Markdown的AI Skill，通过自然语言指令驱动Agent执行学习记录任务

License与版权声明

原始作品：Self-Improvement Skill（self-improving-agent）
原始license：MIT
改进license：MIT

本改进作品在原始作品基础上进行了深度差异化改造，包括但不限于：

完全中文化表达，适配中文用户工作流
路径从非标准目录改为.learnings/标准目录
新增三类日志分类决策树
新增5级优先级矩阵
新增6类区域标签体系
新增复发模式检测可视化
新增项目记忆提升流程图
新增多角色场景指南（5种角色）
新增故障排查表与FAQ
内容原创度超过70%

已知限制

本免费体验版限制以下高级功能：

Agent性能指标采集（响应时间/Token消耗/成功率）
自动瓶颈诊断（识别高频错误模式）
优化建议自动生成（基于日志分析的改进建议）
多平台Hook集成（Claude Code/Codex CLI/GitHub Copilot）
技能自动提取（从学习条目提取独立技能）
复发模式可视化（趋势图与热力图）
跨项目知识聚合（多项目学习统一检索）
优先支持与故障响应

解锁全部功能请使用专业版：meta-agent-optimizer-pro

Meta Agent Optimizer Free

安装到 Tokeny（自动）

SKILL.md

架构总览

快速开始

30秒上手

60秒完整配置

核心能力

1. 三类日志分类记录

2. 标准化ID生成

3. 学习条目格式

4. 错误条目格式

5. 特性请求条目格式

6. 状态管理

7. 优先级矩阵

8. 区域标签体系

9. 检测触发器

10. 复发模式检测

使用场景

场景一：开发错误经验沉淀（开发者角色）

场景二：用户纠正的规则化提取（技术负责人角色）

场景三：特性需求收集与优先级（产品经理角色）

多角色场景指南

项目记忆提升

何时提升

提升目标

提升流程

示例

定期复盘

何时复盘

快速状态检查

复盘动作

最佳实践

FAQ

Q1：免费版能记录多少条日志？

Q2：.learnings/目录应该加入gitignore吗？

Q3：如何处理复发问题？

Q4：免费版与专业版有什么区别？

Q5：如何确保日志不妨碍开发效率？

错误处理

依赖说明

运行环境

第三方依赖

API Key 配置

可用性分类

License与版权声明

已知限制

评论