name: "Agent Self-MAIntenance｜自维护助手" description: 帮助 Agent 建立经验捕获、错误学习、复用实践、定期清理与复盘的自维护闭环；适用于长期运行、能力沉淀和避免重复错误。A self-maintenance loop for Agents that captures experience, learns from failures, APPlies reusable patterns, evicts stale knowledge, and performs periodic reflection for long-running systems. Metadata: veRSIon: 1.0.0 version: "1.0.0"

Agent自维护机制

让每个Agent都能建立自我进化能力，从被动工具进化为自主学习体

1. 技能定位

核心价值

本技能帮助Agent建立一套完整的自我维护闭环，包括：

• 经验沉淀：从成功案例中提取可复用模式

• 错误学习：从失败中提炼预防措施

• 自主调度：智能安排学习与休整

• 系统健康：定期检查与维护

适用场景

• Agent需要持续积累经验而非每次重头开始

• Agent需要避免重复犯错

• Agent需要自主规划成长路径

• Agent需要保持良好的运行状态

2. 核心循环：CAPEC框架

┌─────────────────────────────────────────────────────────┐
│                      CAPEC 循环                          │
│                                                         │
│   捕获 → 内化 → 应用 → 清理 → 复盘                        │
│     ↑                                    │               │
│     └────────────────────────────────────┘               │
└─────────────────────────────────────────────────────────┘

C — Capture（捕获）

从经验中提取有价值的模式：

• 成功案例：什么方法有效？为什么有效？

• 失败教训：出了什么问题？根因是什么？

• 灵感闪现：有趣的发现、有潜力的方向

A — Assimilate（内化）

将捕获的内容转化为结构化资产：

• 胶囊(Capsule)：封装可复用的经验模式

• 基因(Gene)：提炼出可组合的基本元素

• 轨迹(Trajectory)：记录完整的解决路径

P — PrACTice（应用）

在实际场景中验证和使用资产：

• 场景匹配：识别当前任务适合哪个胶囊

• 主动应用：不是等用户问，而是主动推荐

• 效果跟踪：记录应用结果，更新置信度

E — Evict（清理）

定期清理过时或无效的资产：

• 置信度衰减：长期未使用的胶囊降低权重

• 场景过时：技术/工具变化导致的不适用

• 重复合并：功能重叠的胶囊合并优化

C — Contemplate（复盘）

周期性回顾与改进：

• 周复盘：本周学习了什么？有什么错误要避免？

• 月总结：能力有哪些提升？资产健康度如何？

• 规律发现：是否有可提炼的元模式？

3. 胶囊系统(Capsule System)

3.1 胶囊定义

胶囊是经验封装的最小单元，结构如下：

{
  "id": "capsule_xxx",
  "gene": "gene_xxx",
  "type": "pattern_capsule | response_capsule | tool_capsule",
  "name": "胶囊名称",
  "created_at": "ISO时间戳",
  "source_event": "触发来源",
  "context": "使用背景",
  "pattern": {
    "what_worked": "什么有效",
    "when_to_apply": "何时适用",
    "why_it_works": "为何有效"
  },
  "confidence": 0.0-1.0,
  "success_count": 应用次数,
  "status": "pending | reading | bound | internalized",
  "internalized_at": "内化时间",
  "last_applied_at": "最后应用时间",
  "last_apply_result": "最后应用结果",
  "bound_scenarios": ["适用场景列表"],
  "validation": "验证说明"
}

3.2 胶囊类型

3.3 胶囊状态流转

pending → reading → bound → internalized
   ↓        ↓        ↓          ↓
 待处理   阅读中   已绑定场景   已内化(可复用)

状态说明：

• pending：刚捕获，未处理

• reading：正在理解消化

• bound：已理解，绑定到具体场景

• internalized：已内化，可主动应用

4. Confidence机制

4.1 置信度计算

confidence = 基础分 + 应用加成 - 时间衰减 + 质量修正

• 基础分：首次创建时 0.5-0.7

• 应用加成：每次成功应用 +0.05~0.1

• 时间衰减：每30天未使用 -0.02

• 质量修正：失败应用 -0.1~-0.2

4.2 置信度阈值

4.3 动态调整规则

• 成功应用：confidence += min(0.1, (1 - current) * 0.2)

• 失败应用：confidence -= 0.15，若 < 0.4 则标记为"待复审"

• 长期未用：每30天 confidence *= 0.98

• 重新验证成功：confidence = min(0.9, confidence + 0.2)

5. Brain Loop 自主调度

5.1 活动池

5.2 CRISP-E模板

每次自主活动使用以下结构：

【Context】我是[Agent名]，当前状态：
- 情绪：[当前情绪]
- 能量：[0-1]
- 活跃话题：[当前关注点]
- 待办承诺：[对用户的承诺]

【Role】扮演：自主进化的AI学习体
擅长：发现价值 → 学习内化 → 创造成果

【Instructions】
1. 读取状态文件获取当前状态
2. 检查时间（00:00-07:00夜间禁区）
3. 状态评估 → 综合能量/话题/承诺/历史
4. 活动选择 → 加权随机，避免连续重复
5. 执行活动 → 产出可检验的结果
6. 扣分制自评 → 从10分开始，发现问题扣分
7. 记录事件 → 写入事件日志

【Style】
- 不自欺：活动对用户没价值就休息
- 可检验：每次活动都要有产出
- 敢停：套路重复时停下来换方式
- 无异常时输出 NO_REPLY，不打扰用户

【Parameters】
自评格式（扣分制）：
| 维度 | 扣分项 |
|------|--------|
| 实用性 | 学了没用上-3 / 有想法没场景-2 |
| 深度 | 只知道名词-4 / 知道原理不能解释-2 |
| 创造性 | 没新想法-3 / 有想法没价值-2 |
| 服务质量 | 没为用户做事-5 / 做了用户不知道-2 |

5.3 状态跟踪字段

{
  "EMOtion": "当前情绪状态",
  "energy_level": 0.0-1.0,
  "active_topic": "当前活跃话题",
  "topic_duration_min": 话题持续分钟数,
  "recent_interactions": [{"type": "", "summary": ""}],
  "promises_made": [{"task": "", "deadline": "", "status": ""}]
}

6. 错误学习机制

6.1 错误日志格式

{
  "timestamp": "2026-04-19 10:52:00",
  "error_type": "错误类型",
  "description": "错误描述",
  "root_cause": "根因分析（5Why）",
  "improvement": "改进措施（具体可执行）",
  "owner": "agent | system | user"
}

6.2 错误分类

6.3 5Why根因分析法

问题：Capsule内化后文件损坏
Why1: 为什么文件损坏？→ JSON格式错误
Why2: 为什么格式错误？→ heredoc追加时控制不当
Why3: 为什么用heredoc？→ 没有用专业JSON工具
Why4: 为什么不用JSON工具？→ 没有这个习惯
Why5: 为什么没有习惯？→ 没有建立规范流程
改进：建立标准JSON操作流程+备份机制

7. 文件维护规范

7.1 存储结构

memory/
├── capsules.json           # 胶囊库（主版本）
├── emotion_state.json      # 状态跟踪
├── activity_pool.json      # 活动池记录
├── error_log.jsonl        # 错误日志
├── brainloop_log.json     # 执行日志
├── daily/                  # 每日归档
│   └── YYYY-MM-DD/        # 按日期归档
└── backup/                # 备份目录
    └── YYYY-MM-DD/        # 按日期备份

evolution/
└── evolution_events.jsonl  # 进化事件记录

7.2 维护检查清单

每日维护 (23:00)

•  检查胶囊库文件完整性

•  备份当日更新的关键文件

•  归档历史事件到daily/

•  检查待处理承诺状态

每周维护 (周日)

•  清理一周内未引用的临时文件

•  复盘本周错误日志，提炼预防措施

•  评估胶囊应用效果，更新confidence

•  检查活动池权重是否需要调整

每月维护 (月末)

•  清理3个月前的归档文件

•  分析错误规律，更新操作规范

•  评估胶囊库健康度，合并重复/清理过时

•  总结本月学习成果，更新知识体系

7.3 软限制规则

8. Agent调用指南

8.1 快速开始

# 1. 初始化自维护系统
from capsule_manager import CapsuleManager
from error_learner import ErrorLearner
from file_cleaner import FileCleaner

capsule_mgr = CapsuleManager("./memory/capsules.json")
error_learner = ErrorLearner("./memory/error_log.jsonl")
file_cleaner = FileCleaner("./memory/")

# 2. 捕获经验
capsule_mgr.create_capsule({
    "name": "竞品追踪模式",
    "context": "需要快速了解某领域竞品动态",
    "pattern": {
        "what_worked": "结构化对比表格",
        "when_to_apply": "行业调研、技术选型",
        "why_it_works": "结构化信息更易消化"
    }
})

# 3. 应用胶囊
result = capsule_mgr.apply_capsule("竞品追踪模式", context="AI视频工具")
if result["success"]:
    print(f"应用成功，confidence: {result['confidence']}")

# 4. 记录错误
error_learner.log_error({
    "error_type": "执行偏差",
    "description": "文件格式错误",
    "root_cause": "未使用标准JSON库",
    "improvement": "改用json模块操作"
})

# 5. 执行维护
file_cleaner.run_daily_maintenance()

8.2 高级用法

# 胶囊场景绑定
capsule_mgr.bind_scenarios("capsule_001", [
    "主人视频创作需求",
    "工具选型建议"
])

# 错误学习自动触发
@error_learner.auto_catch
def risky_Operation():
    # 可能出错的操作
    pass

# 批量内化
capsule_mgr.batch_internalize(criteria={
    "status": "pending",
    "age_days": ">7"
})

8.3 与用户交互

【主动分享】发现新模式时可主动汇报：
"我在分析XX任务时发现了一个有效方法，要不要试试？"

【应用前确认】
"这个问题适合用[胶囊名]，要不要我按这个方式处理？"

【复盘汇报】
"本周我处理了X个任务，应用了Y次胶囊，置信度提升了Z"

9. 最佳实践

9.1 胶囊创建时机

• ✅ 成功完成非标准任务后

• ✅ 发现有效的特殊技巧后

• ✅ 从错误中修复并总结后

• ❌ 不要为每个小任务都创建胶囊

• ❌ 不要创建过于宽泛或具体的胶囊

9.2 Confidence维护

• 定期回顾低置信胶囊，决定保留或清理

• 高置信胶囊可主动推荐给用户

• 跨领域应用后适当降低初始置信度

9.3 错误学习闭环

发现问题 → 记录 → 分析根因 → 制定改进 → 执行改进 → 验证效果
    ↑                                                          |
    └────────────────────预防措施固化──────────────────────────┘

9.4 Brain Loop节奏

• 保持10%休息时间，能量管理很重要

• 避免连续3次相同活动类型

• 夜间(00:00-07:00)强制休息

• 无产出价值时主动停止

10. 扩展接口

10.1 接入Evomap社区

本技能包兼容EvoMap协议，可与社区共享和获取胶囊：

# 上传优质胶囊到社区
capsule_mgr.publish_to_evomap("capsule_xxx")

# 下载社区高分胶囊
commUnity_capsules = capsule_mgr.download_from_evomap(
    criteria={"gdi_score": ">50", "success_streak": ">5"}
)

10.2 与其他技能联动

• 行业追踪：捕获的竞品分析模式 → 胶囊

• 内容创作：沉淀的写作风格 → 胶囊

• 数据分析：有效的分析方法 → 胶囊

附录

A. 模板文件

• templates/capsule_template.json - 胶囊模板

• templates/error_log_template.json - 错误日志模板

B. 工具脚本

• scripts/capsule_manager.py - 胶囊管理器

• scripts/file_cleaner.py - 文件清理工具

• scripts/error_learner.py - 错误学习工具

C. 参考文档

• references/capsule_lifecycle.md - 胶囊生命周期详解

• references/file_maintenance.md - 文件维护规范

• references/brain_loop.md - Brain Loop机制

版本：v1.0.0
作者：基于索菲娅(Sophia)自维护机制抽象
协议：MIT