v3.0 · 开源发布 · MIT 协议

不从错误中学习的 Agent，
注定重蹈覆辙。

AI Agent 持续进化系统 — 每日经验沉淀 + 每周错误反思。无需微调，无需 API，纯 Markdown 结构化记忆。

⭐ 在 GitHub 上查看 📦 下载 ZIP

🧠 4

确定性脚本

📊 30d

衰减半衰期

🏷️ 21

病理标签

📚 7

学术参考

⚡ 核心亮点

凭什么不一样

四项机制让 mu-self-evolve 区别于裸记忆文件和基于 API 的方案。

🔍

别光听 AI 自己说

Agent 说「我学到了！」——但 Python 脚本先查实际数据：复现了几次？跨了几个任务？只有验过的规则才能进永久记忆。

数据验证

🪶

记忆会像人脑一样遗忘

30 天没人碰的记忆分数减半。被引用的记忆保持新鲜。证明有用的记忆永久豁免——它们已赢得自己的位置。

自动遗忘

🏷️

每个错误都有病历

不只是「出错了」——每条错误标注 WHERE（哪一步？）和 WHY（为什么？）。一眼看出规律：「80% 的错误都在 API 调用，根因都是 token 过期。」

21标签+自定义

🧪

清道夫会给自己做体检

如果清理机制本身坏了，在默默删好记忆呢？注入已知属性的假测试条目，验证系统是否正确处理每条。任何不匹配 = 发现 bug。

5/5 PASS 保障

🔀 工作流

五条进化路径

从每日沉淀到每周反思到按需验算。

🧠

每日进化

六步流程：读日记 → 分类录入 → VFM验算 → 更新记忆 → 质量回顾 → 发摘要。

每日定时

📅

周度反思

6a-6g：错误扫描、叙事生成、规则提议、记忆蒸馏、归档、评分淘汰、主动Skill合成。

每周五

⚡

即时记录

实时自动检测对话中的纠正、错误、功能需求、正向反馈信号。

实时触发

🔍

手动验算

用 pattern-key 运行 vfm_verify.py，获取基于复现、跨任务、解决率的置信度评分。

按需触发

🧪

淘汰审计

运行 bias_audit.py（缺陷注入测试）+ eviction_score.py（评分清理），保持系统健康。

每周

🛠️

主动 Skill 合成

当同一领域≥3条经验聚类时，自动生成 Skill 草案（骨架+脚本框架），交人工确认。

周五6g

📊 对比

横向对比

与裸记忆文件、云端记忆 API、向量数据库对比。

能力	mu-self-evolve	Raw Memory	Cloud API	Vector DB
每日自动沉淀	✅	❌	❌	❌
确定性验算	✅	❌	✌️	❌
时间衰减淘汰	✅	❌	✌️	✌️
病理归档	✅	❌	❌	❌
评委偏差审计	✅	❌	❌	❌
主动 Skill 合成	✅	❌	❌	❌
跨环境支持	✅	N/A	❌	❌
无需外部 API	✅	✅	❌	❌

🛠️ 快速开始

三步开始进化

克隆、初始化、设置定时。就这样。

📦

步骤1：克隆

git clone https://github.com/muippt/mu-self-evolve.git

🔧

步骤2：初始化

cd mu-self-evolve && python3 scripts/env_detect.py --init

自动检测 OpenClaw、Claude Code 或其他环境。

⏰

步骤3：定时

openclaw cron add --name "🧬 Daily Evolution" --cron "30 19 * * *"

Claude Code 用系统 crontab。

不从错误中学习的 Agent，注定重蹈覆辙。