Agent 的自我进化技能系统

“不只是给 Agent 加技能，而是让技能能够随时间自我改进”

SKILL.md 似乎已经成为了 Agent 技能的标准格式，但我们还没有真正解决围绕它的最根本问题：

技能通常是静态的，而它们所处的环境却不是！

几周前还正常运行的技能，可能会在代码库变化、模型行为改变、或用户请求的任务类型发生转移时悄悄开始失败。在大多数系统中，这些失败是不可见的——直到有人注意到输出质量变差，或者完全无法工作。

要让技能文件夹真正有用，缺失的那块拼图就是：开始把技能当作活的系统组件来对待，而不是固定的 prompt 文件。

这正是 cognee-skills 背后的核心理念——

不只是如何更好地存储或路由技能，而是如何让它们在失败或表现不佳时自我改进！

直到今天，技能的使用方式一直是：

1. 写一个 prompt
2. 保存到文件夹
3. 需要时调用

这种方式效果出人意料地好，但不幸的是只适用于演示……到了一定程度后，我们开始撞上同一堵墙：

• 某个技能被选中的频率过高
• 另一个看起来不错但实际执行时失败
• 某条具体指令反复出错
• 某个工具调用因为环境变化而中断

而最糟糕的是，没人知道问题出在路由、指令、还是工具调用本身，这导致了大量的手动维护和排查。我们这个实现所达成的，就是闭合整个循环，让技能能够随时间自我改进。

下面简要介绍一下底层的工作原理。

1. 技能摄入（Skill Ingestion）

目前你的技能文件夹大概长这样：

my_skills/
          summarize/
                      SKILL.md
          bug-triage/
                     SKILL.md
          code-review/
                     SKILL.md

上周我们展示了，通过 cognee 可以给所有内容赋予更清晰的结构——不仅因为看起来更整洁，还因为它让搜索更加高效。我们还可以用语义含义、任务模式、摘要和关系来丰富不同字段，帮助系统更智能地理解和路由信息。所有这些都通过 cognee 的 “Custom DataPoint” 来存储。

下面是你的技能可能呈现的可视化效果：

动态图谱视图链接：https://cognee-graph-skills.vercel.app/

2. 观察（Observe）

如果系统对技能运行时发生的事情没有记忆，技能就无法改进。因此，在每个技能执行完成后，我们会存储数据以了解：

• 尝试了什么任务
• 选择了哪个技能
• 是否成功
• 发生了什么错误
• 用户反馈（如有）

通过观察，失败变成了系统可以推理的对象。如果你不知道技能运行时发生了什么，你就无法改进它。考虑到我们在结构化图上操作，这可以通过一个额外的节点来实现，收集所有的观察数据。这一切都可以通过 cognee 的 “Custom DataPoint” 来管理，用户可以指定想要填充的所有字段。

3. 检视（Inspect）

当积累了足够多的失败运行（甚至在一次重要失败之后），就可以检视该技能周围的关联历史：过去的运行记录、反馈、工具故障和相关的任务模式。因为所有这些都以图的形式存储，系统可以追溯导致不良结果的反复出现的因素，并利用这些证据来提出技能的改进版本。

运行 → 反复出现的弱表现 → 检视

4. 修正技能 → .amendify()

一旦系统有足够的证据表明某个技能表现不佳，它就可以提出对指令的修正方案。该方案可以由人类审核，也可以自动应用。目标很简单：

• 减少系统增长时维护技能的摩擦。

与其手动搜索代码库中损坏的 prompt，系统可以查看技能的执行历史——包括过去的运行、失败、反馈和工具错误——并建议有针对性的修改。

修正可能包括：

• 收紧触发条件
• 添加缺失的条件
• 重新排列步骤
• 更改输出格式

这是技能从静态 prompt 文件转变为进化组件的关键时刻。系统不再需要你打开 SKILL.md 文件猜测该改什么，而是基于技能实际运行表现的证据来提出补丁。

5. 评估与更新技能（Evaluate & Update）

然而，一个自我改进的系统不应该仅仅因为它能修改自己就被信任。任何修正都必须经过评估。新版本是否真的改善了结果？是否减少了失败？是否在其他地方引入了错误？

因此，循环不能仅仅是：

• 观察 → 检视 → 修正

而必须遵循更严谨的周期：

• 观察 → 检视 → 修正 → 评估

如果修正没有产生可衡量的改进，系统应该能够回滚。因为每次更改都记录了其理由和结果，原始指令永远不会丢失，自我改进变成了一个结构化的、可审计的过程，而不是不受控制的修改。当评估确认有改进时，修正就成为技能的下一个版本。

结论

当周围的系统不断变化时，技能不能保持静态。随着模型、代码库和任务的演进，固定的 prompt 文件不可避免地会退化。我们引入了一种直观的方式来自动完成这一过程，同时不放弃对技能本身的任何控制和监督。

PyPi 构建：https://pypi.org/project/cognee/0.5.4.dev2/

Cognee 项目：https://github.com/topoteretes/cognee

Discord 社区：https://discord.gg/pMFAz242

原文由 Vasilije (@tricalt) 发布于 X。原文链接。