看看这个智能体自学习方案如何
AI 智能体跑了几百次任务，还是会在同一个错误上反复摔倒。不是你用的模型不够好，是你根本没给它装「经验管理系统」。
最近我把自己的Beneva智能体服务引擎的自学习模块做了个彻底重构，核心产物叫「历史宝典」。这玩意儿最厉害的地方是两阶段检索：每次都从几千条历史经验里精确提取最相关的 3-8 条注入上下文，无关的凭你 priority 再高也不进来。这条「硬规则」是整个系统不膨胀的关键防线——score_entry 函数里如果 why_selected 为空数组，直接返回 None。
经验管理的三层分法也很有意思。以前喜欢让 AI 每次对话后自动生成 skill，阈值低到 2 次工具调用就触发，skill 目录堆满低质量 draft。现在 skill 不是自动创建的，是从历史宝典里「孵化」出来的——一条经验反复被命中、反复验证积累到足够置信度后才被升级为正式 skill。
重构净效果：删了 1431 行旧代码、加了 576 行新代码。减法比加法难做，但系统确实干净了——经验只有一个入口（evolution review）、一个存储（历史宝典）、一个注入点（per-turn context injection）。
如果你也在搭 agent 系统，先从三步开始：统一存储结构、设计检索信号、让经验自进化。最怕的不是设计得不好，是根本没想到这一层。