self-improving-agent
Améliorer les compétences d’IA avec une mémoire d’apprentissage
Les agents d’IA répètent souvent les mêmes erreurs d’une tâche à l’autre. Cette compétence enregistre les leçons, extrait des schémas et guide les futures mises à jour des compétences.
Télécharger le ZIP de la compétence
Importer dans Claude
Accédez à Paramètres → Capacités → Skills → Importer une compétence
Activez et commencez à utiliser
Ressources lisibles par les agents
Utilisez ces liens lorsqu’un Agent IA, un crawler ou un script a besoin d’un contexte propre au lieu de lire toute la page.
Tester
Utilisation de « self-improving-agent ». Une session de débogage a montré que les chaînes de callbacks causaient un comportement d’actualisation obsolète.
Résultat attendu:
La compétence résumerait l’épisode, nommerait le schéma réutilisable, définirait la confiance et recommanderait des mises à jour pour les consignes de débogage.
Utilisation de « self-improving-agent ». Un utilisateur signale qu’un nouveau schéma a causé des exigences PRD confuses.
Résultat attendu:
La compétence réduirait la confiance, créerait une note de correction et recommanderait de limiter le schéma jusqu’à validation.
Utilisation de « self-improving-agent ». Une équipe souhaite examiner tous les schémas appris pendant la semaine.
Résultat attendu:
- Schémas regroupés par compétence cible.
- Éléments à faible confiance marqués pour revue.
- Consignes obsolètes ou dupliquées signalées.
Audit de sécurité
Risque élevéStatic analysis produced many alerts, but most blocker-level items are false positives from markdown examples, diagrams, and research links. The confirmed risk is high because this community skill requests broad file-editing and Bash capabilities, teaches self-modification of skills, and documents hooks that can log tool input and command output.
Problèmes à risque élevé (2)
Problèmes à risque moyen (1)
Problèmes à risque faible (3)
Facteurs de risque
⚙️ Commandes externes (3)
🌐 Accès réseau (3)
📁 Accès au système de fichiers (3)
Motifs détectés
Score de qualité
Ce que vous pouvez créer
Améliorer les playbooks d’agents d’équipe
Convertir les leçons récurrentes des tâches en consignes de compétences réutilisables avec des marqueurs de source.
Suivre les leçons de débogage
Enregistrer les correctifs récurrents et promouvoir les schémas fiables dans les consignes de débogage.
Examiner la qualité des compétences au fil du temps
Utiliser des modèles de validation et des scores de confiance pour décider quels schémas restent utiles.
Essayez ces prompts
Examine la dernière session de compétence. Liste ce qui s’est passé, ce qui a fonctionné, ce qui a échoué, et une leçon réutilisable.
Compare ces sessions récentes. Extrais les schémas applicables à plusieurs tâches, puis attribue une confiance et des compétences cibles.
Trouve les consignes qui ont contribué à cet échec. Propose un marqueur de correction, des étapes de validation et les compétences affectées.
Audite la mémoire sémantique et épisodique. Identifie les schémas obsolètes, les consignes contradictoires, les preuves manquantes et les mises à jour nécessitant une approbation humaine.
Bonnes pratiques
- Examiner chaque changement de compétence proposé avant de l’appliquer à des dépôts partagés.
- Maintenir les scores de confiance liés à des preuves claires et aux retours des utilisateurs.
- Désactiver la journalisation des hooks lorsque l’entrée ou la sortie d’un outil peut contenir des secrets.
Éviter
- Ne pas appliquer automatiquement des changements étendus de compétences à partir d’un seul exemple faible.
- Ne pas journaliser la sortie des commandes provenant d’environnements sensibles.
- Ne pas traiter les citations de recherche comme une preuve qu’un schéma est valide.