Meta Agent Optimizer Free

SKILL.md

---
name: "meta-agent-optimizer-free"
description: "AI Agent学习/错误/特性三类日志闭环记录，从纠正与错误中提取可复用知识。"
license: Proprietary
allowed-tools: read exec
compatibility: "Requires LLM with tool-use capability"
metadata:
  displayName: "Meta Agent Optimizer"
  version: "1.0.0"
  summary: "AI Agent学习/错误/特性三类日志闭环记录，从纠正与错误中提取可复用知识。"
  tags:
    - "元代理优化"
    - "学习日志"
    - "错误沉淀"
    - "知识复用"
  source: "SkillHub"
  converted_at: "2026-07-22T17:58:36"
---

> **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
```text
┌─────────────────────────────────────────────────────────────────┐
│                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：

```bash
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：

```bash
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
```markdown
**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
```markdown
**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
```markdown
**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：

1. **先搜索**：`grep -r "keyword" .learnings/`
2. **关联条目**：在Metadata中添加`See Also: ERR-20260110-001`
3. **提升优先级**：如果问题持续复发
4. **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**：
```text
[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**：
```text
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**：
```text
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
1. **蒸馏**：将学习浓缩为简洁规则或事实
2. **添加**：至目标文件的适当章节
3. **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）：
```markdown
- 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
```bash
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
1. **立即记录** - 问题发生后上下文最新鲜
2. **具体明确** - 未来的Agent需要快速理解
3. **包含复现步骤** - 特别是错误
4. **关联相关文件** - 让修复更容易
5. **建议具体修复** - 不只是"调查"
6. **使用一致分类** - 启用过滤
7. **积极提升** - 如有疑问，添加到CLAUDE.md
8. **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：
1. 用`grep -r "keyword" .learnings/`搜索已有条目
2. 在新条目的Metadata中添加`See Also`关联
3. 递增`Recurrence-Count`
4. 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
本skill基于原始作品改进，保留原始版权声明：

- 原始作品：Self-Improvement Skill（self-improving-agent）
- 原始license：MIT
- 改进作品：元代理优化器（免费版） © 2026
- 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%

原始MIT license允许使用、复制、修改和分发，需保留版权声明。本改进作品在保留原始版权声明的基础上添加自有署名，完全符合MIT license要求。

## 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