递归自我改进

SKILL效率

原名 recursive-self-improvement

效率 只读 许可证明确 OpenClaw
安装这个技能

recursive-self-improvement 用于记录任务执行中的错误、用户纠正、经验和能力缺口,适合在 OpenClaw 中希望让 Agent 持续沉淀问题、修正和最佳实践时使用。可结合来源仓库、安装命令和原始 README 继续核验具体用法。安装前建议确认权限范围、维护状态,以及是否会触发联网、命令执行或文件读写。

累计安装 196,158 本周 8,013
GitHub 星标 6 仓库 recursive-self-improvement
下载量 63,463 技能市场下载数
权限级别 只读 安装前请确认风险范围
许可证 许可证明确 MIT-0

安装

ClawHub 市场
在支持 Skills 的客户端里执行,装完问一句「你有哪些技能」验证
openclaw skills install recursive-self-improvement

技能档案

效率
字段来自技能仓库与公开索引,中文说明由本站标注
作者 / 维护方erichy777仓库 recursive-self-improvement · 版本 1.0.0
宿主客户端OpenClaw技能可被这些客户端加载
安装方式ClawHub 市场安装包 erichy777/recursive-self-improvement
权限级别只读安装前请确认风险范围
许可证MIT-0许可证明确,商用前请自行确认条款
仓库可用性available技能仓库当前是否可访问
最近核验2026-05-01上游最后核验时间 · 数据更新 未标注
正文体量4.8 KBSKILL.md 原文大小,越大说明说明书写得越细

能做什么

5 项能力
上游给出的能力概览与适用场景
  • 按任务关键词查找相关 Skills
  • 展示可复制的安装命令
  • 保留来源站点、仓库和原始说明,方便继续核验
  • 补充不同宿主或平台的使用分布数据
  • 展示第三方安全扫描或审计结果
OpenClaw 用户查找和安装 Skill 时用户想查找某类 Agent Skill 时需要根据任务场景推荐可安装能力包时需要对比不同来源的安装命令和来源信息时

权限与风险

只读
装之前先读完这段

安装与使用指南

安装步骤

本站只展示命令,不托管安装包,也不自动执行。

怎么用

安装后应在对应宿主中按原始 README 的触发条件使用;当前草稿只做目录说明,具体调用方式由规则抽取,异常条目再复核。

SKILL.md 全文

4.8 KB
模型实际读到的说明书原文,来自技能仓库

递归自我改进系统

核心模式

系统有两种基本工作模式,根据系统状态自动切换:

1. 修复模式 (REPAIRING)

触发条件: 检测到错误或异常

工作流程:
1. 错误识别(类型/位置/影响)
2. 根因分析
3. 修复方案设计
4. 代码/逻辑变更
5. 单元测试
6. 集成测试
7. 验证通过?→ 是则标记已修复,否则回到步骤1

系统状态: REPAIRING → REPAIRED → STABLE

2. 优化模式 (OPTIMIZING)

触发条件: 系统稳定运行,无错误超过 N 轮

工作流程:
1. 性能指标收集
2. 代码复杂度分析
3. 重构方案设计
4. 迁移计划
5. 分步实施
6. 回归测试
7. 指标对比
8. 是否有提升?→ 是则标记已优化,否则保留原样

系统状态: OPTIMIZING → OPTIMIZED → STABLE

状态标记

  • INITIAL: 初始状态
  • REPAIRING: 修复模式中
  • OPTIMIZING: 优化模式中
  • STABLE: 稳定运行
  • ERROR: 检测到错误
  • OPTIMIZED: 已优化完成

并发执行引擎

系统支持多任务并发执行:

任务池 → 智能调度 → 并发执行 → 结果收集

调度策略:
- 基于任务复杂度
- 考虑历史成功率
- 预测执行时间
- 动态调整并发数

默认配置:
- 并发工作池大小:4
- 超时时间:5秒
- 重试次数:3

自动化测试框架

系统内置测试框架:

测试类型:
- 单元测试:验证单个功能
- 集成测试:验证模块间交互
- 性能测试:验证性能指标

测试覆盖率:
- 目标覆盖率:80%+
- 关键路径覆盖率:100%

性能监控仪表盘

实时监控以下指标:

系统状态:
- 当前版本
- 运行轮次
- 系统模块

性能指标:
- 并发任务数
- 平均执行时间
- 吞吐量(任务/分钟)
- CPU 使用率
- 内存使用率

智能任务调度器

基于历史数据和预测的智能调度:

优先级计算:
1. 任务复杂度评估
2. 历史成功率分析
3. 最近性能趋势
4. 截止时间紧迫性

调度策略:
- 高优先级任务优先执行
- 同优先级任务 FIFO
- 动态调整资源分配

自适应学习引擎

从执行中学习,持续优化:

学习内容:
- 任务执行成功率
- 性能瓶颈识别
- 模式识别

预测能力:
- 任务成功率预测
- 性能趋势预测
- 资源需求预测

错误预测系统

提前识别潜在错误:

预测维度:
- 任务类型模式
- 资源使用模式
- 时间分布模式

预测阈值:
- 低置信度:60%
- 中置信度:80%
- 高置信度:90%

异常恢复系统

智能错误处理和恢复:

内置策略:
- TIMEOUT: 重试 + 指数退避
- MEMORY_ERROR: 并行化处理
- CONCURRENCY_LIMIT: 动态调整并发数

恢复流程:
1. 错误检测
2. 策略匹配
3. 执行恢复
4. 验证结果

运行记录格式

每次运行记录使用标准格式:

{
  "timestamp": "2026-02-05T21:55:00Z",
  "mode": "REPAIRING | OPTIMIZING | STABLE",
  "action": "fix | refactor | validate | monitor",
  "previous_state": "状态名称",
  "current_state": "状态名称",
  "details": "详细描述",
  "results": {
    "key1": true/false,
    "key2": "value"
  }
}

版本管理

系统自动管理版本:

版本格式: vN.M

升级规则:
- v1.0: 基础框架
- v2.0: 添加并发、测试、监控
- v3.0: 添加智能调度、学习引擎、错误预测
- v4.0: 添加恢复系统、完整生态

升级条件:
- 完成 N 轮优化
- 累计改进 10+ 项
- 持续稳定运行 24 小时

使用建议

何时使用:
- 需要持续改进的复杂系统
- 有明确性能指标的项目
- 需要自动化测试和验证的流程
- 多模块并行处理的任务

最佳实践:
1. 初始化时定义明确的性能基线
2. 每次优化后进行回归测试
3. 定期检查错误预测和建议
4. 保留优化历史用于分析

配置参数

可在配置文件中调整:

{
  "optimization": {
    "min_stable_rounds": 3,
    "max_concurrent_tasks": 8,
    "timeout_seconds": 5
  },
  "testing": {
    "target_coverage": 80,
    "critical_coverage": 100
  },
  "monitoring": {
    "metrics_interval": 60,
    "alert_thresholds": {
      "cpu": 80,
      "memory": 90
    }
  }
}

资源

安全信息

审计结论
未标注不代表已通过审计
安全审计VirusTotal、ClawScan、Static analysis第三方安全审计平台给出的结论

热门专题

按场景挑技能
全部专题 →

技能内容以作者仓库为准;分类、权限级别与许可证状态的中文说明为中文整理,最近核验 2026-05-01。