\ud83e\udd9e Nm Abstract Metacognitive Self Mod — 元认知优化

Night Market Skill — 移植自 claude-night-market/abstract。要获得包含 agents、hooks 与 commands 的完整体验，请安装 Claude Code 插件。 # Metacognitive Self-Modification（元认知自我修正） 分析过往技能改进的有效性，并精炼改进过程本身。这是 Hyperagents 论文的核心创新：不仅改进技能，更要改进“如何改进技能”。 ## 上下文触发器（自动调用） 当下列情况发生时，应自动调用本技能： 1. 检测到回退：稳态监控器发现某技能的评估窗口以 pending_rollback_review 状态结束。所做的改进让情况变得更糟——我们需要理解原因。 2. 低有效率：当 ImprovementMemory.get_effective_strategies() 与 get_failed_strategies() 相比，有效率低于 50%，则改进过程本身需要精炼。 3. 改进后仍恶化：当 PerformanceTracker.get_improvement_trend() 对最近被改进的技能返回负值。 4. 定期检查：每 10 次改进周期后（通过 ImprovementMemory 中的 outcome 计数跟踪）。 ### Hook 集成 稳态监控器在技能越过标记阈值时会发出 "improvement_triggered": true。此时，在调度 skill-improver 之前，先检查是否需要进行元认知分析： ``python from abstract.improvement_memory import ImprovementMemory from pathlib import Path memory = ImprovementMemory( Path.home() / ".claude/skills/improvement_memory.json" ) # 检查是否需要进行元认知分析 effective = memory.get_effective_strategies() failed = memory.get_failed_strategies() total = len(effective) + len(failed) needs_metacognition = False # 触发条件 1：低有效率 if total >= 5 and len(effective) / total < 0.5: needs_metacognition = True # 触发条件 2：定期检查（每 10 个 outcome） if total > 0 and total % 10 == 0: needs_metacognition = True # 触发条件 3：最近回退 if failed and failed[-1].get("outcome_type") == "failure": needs_metacognition = True if needs_metacognition: # 在下一轮改进前运行元认知分析 # Skill(abstract:metacognitive-self-mod) ` ## 何时使用（手动） - 在一批技能改进后评估哪些有效 - 改进结果出现回退时 - 定期（每月）精炼改进策略 - 当 skill-improver agent 看似无效时 ## 何时不使用 - 日常技能改进（直接使用 skill-improver） - 首次创建技能（使用 skill-authoring） ## 工作流 ### 第 1 步：加载改进数据 读取 improvement memory 与 performance tracker 数据： `bash # 检查是否存在改进记忆 MEMORY_FILE=~/.claude/skills/improvement_memory.json TRACKER_FILE=~/.claude/skills/performance_history.json if [ ! -f "$MEMORY_FILE" ]; then echo "未找到改进记忆。" echo "先运行 skill-improver 以生成改进数据。" exit 0 fi ` 使用 Python 加载 JSON 文件： `python from abstract.improvement_memory import ImprovementMemory from abstract.performance_tracker import PerformanceTracker from pathlib import Path memory = ImprovementMemory(Path.home() / ".claude/skills/improvement_memory.json") tracker = PerformanceTracker(Path.home() / ".claude/skills/performance_history.json") ` ### 第 2 步：分类改进结果 对记忆中的每条改进结果进行分类： - 有效：after_score - before_score >= 0.1 - 中性：-0.1 < improvement < 0.1 - 回退：after_score < before_score `python effective = memory.get_effective_strategies() failed = memory.get_failed_strategies() # 计算有效率 total = len(effective) + len(failed) if total > 0: effectiveness_rate = len(effective) / total ` ### 第 3 步：提取元模式 分析“哪些类型的改进成功/失败”： 成功模式： - 添加错误处理（降低失败率） - 添加示例（提高用户评分） - 添加安静/详细模式（减少摩擦） - 简化工作流步骤（缩短耗时） 失败模式： - 过度工程（添加过多选项） - 破坏现有工作流（回退） - 未经验证就增加复杂度 - 因冗长添加导致 token 预算溢出 对每种模式，记录为因果假设： `python memory.record_insight( skill_ref="_meta", # 用于元洞察的特殊引用 category="causal_hypothesis", insight="错误处理改进成功率为 85%", evidence=["skill-A v1.1.0: +0.3", "skill-B v2.1.0: +0.15"] ) ` ### 第 4 步：分析改进趋势 使用 PerformanceTracker 识别： - 持续改进的技能（正趋势） - 尽管尝试改进仍恶化的技能 - 改进最有效的领域 `python for skill_ref in tracker.get_all_skill_refs(): trend = tracker.get_improvement_trend(skill_ref) if trend is not None: if trend > 0.05: # 持续改进——哪些地方奏效？ pass elif trend < -0.05: # 尽管改进仍恶化——需调查 pass ` ### 第 5 步：生成策略建议 基于元分析，为 skill-improver 生成建议： 1. 优先级公式调整：若某类问题改进成功率更高，则提高其权重。 2. 方法选择：若“添加错误处理”成功率 85%，而“重构工作流”仅 30%，则倾向错误处理。 3. 阈值调整：若优先级低于 3.0 的改进持续失败，则提高最低阈值。 4. 规避规则：记录未来改进需避免的反模式。 ### 第 6 步：存储元洞察 将所有发现记录回 ImprovementMemory，使用特殊 _meta 技能引用： `python # 记录策略建议 memory.record_insight( skill_ref="_meta", category="strategy_success", insight="建议：优先添加错误处理与示例，而非重构工作流", evidence=[f"成功率：error_handling={eh_rate:.0%}, restructure={rs_rate:.0%}"] ) ` ### 第 7 步：更新 skill-improver 策略 若发现显著元洞察，向 skill-improver agent 提出具体修改： - 更新优先级公式中的权重 - 为已知反模式添加规避规则 - 基于实证数据调整阈值 - 添加已证明有效的新改进模式 重要：仅提出修改建议，勿自动应用。用户必须批准对改进过程的修改。 ## 输出 ` Metacognitive Self-Modification Report 改进数据： 总分析结果数：15 有效改进：11（73%） 回退：2（13%） 中性：2（13%） 成功模式： 1. 添加错误处理：5/6 成功（83%） 2. 添加示例：3/3 成功（100%） 3. 添加安静模式：2/2 成功（100%） 失败模式： 1. 重构工作流：1/3 成功（33%） 2. 大量 token 添加：0/1 成功（0%） 性能趋势： 改进中：8 项技能（正趋势） 稳定：4 项技能（无趋势） 恶化：1 项技能（尽管尝试改进仍负趋势） 建议： 1. 错误处理改进优先级权重 ×2 2. 优先级低于 8.0 时避免重构工作流 3. 新增内容限制在 200 token 以内，防止预算溢出 4. 下一轮改进周期聚焦恶化技能 X 元洞察已存储：improvement memory 新增 5 条记录 ` ## Related - abstract:skill-improver — 本技能分析并为其提出修改的 agent - abstract:skills-eval — 评估框架，其标准可由元洞察精炼 - abstract:aggregate-logs` — 改进指标的数据来源