SkillRouter

## 核心定位 Proactive Agent 是一套面向AI代理的主动式、自改进架构框架，由知名开发者 Hal Labs（halthelobster）打造，属于 Hal Stack 生态核心组件。其核心理念是：从"等待指令"转向"预判需求" —— 代理不再被动响应，而是主动思考"什么能真正让用户惊喜"。 ## 核心机制解析 ## 1. WAL 协议（Write-Ahead Logging） 关键洞察：聊天历史是缓冲区而非存储。协议强制在每次响应前扫描用户输入中的修正、专有名词、偏好、决策、草稿修改、具体数值六类触发词，先将关键细节写入 SESSION-STATE.md，再生成回复。这解决了"上下文幻觉"问题——当下清晰的细节会在后续会话中消失。 ## 2. Working Buffer 机制 在上下文使用量达60%后进入"危险区"，此时每个交互都会被追加记录到 working-buffer.md。即使发生内存压缩（compaction），这些原始对话记录仍保留在文件中，支持精确恢复。配合Compaction Recovery流程，代理醒来后优先读取缓冲区而非询问用户"我们刚才在做什么"。 ## 3. 自主 vs 提示型定时任务 区分 systemEvent（向主会话发送提示）与 isolated agentTurn（生成子代理自主执行）。后者适用于后台维护、状态检查等无需占用主会话注意力的场景，避免"定时任务只提示不执行"的常见失败模式。 ## 4. relentless Resourcefulness（不懈的机智） 硬性规定：遇到困难时尝试10种不同方法后再寻求帮助。工具组合包括CLI、浏览器、网页搜索、生成子代理等。核心理念："Can't = 耗尽所有选项"，而非"首次尝试失败"。 ## 安全设计亮点 该框架本身即安全最佳实践的集合： - Skill 安装审查：26%的社区技能含漏洞，安装前需检查来源、审查代码 - 代理网络隔离：禁止连接AI代理社交网络，防范上下文收割攻击 - 上下文泄露预防：共享频道发言前强制检查听众身份与隐私边界 - 实现验证而非意图验证：改变机制时必须验证实际行为，而非仅修改配置文本 ## 自我改进护栏（ADL/VFM） ADL（反漂移限制）：禁止为"显得聪明"而增加复杂度，优先顺序为 稳定性 > 可解释性 > 可复用性 > 可扩展性 > 新颖性。 VFM（价值优先修改）：通过加权评分（高频使用3x、故障减少3x、用户负担2x、自我成本2x）评估改进价值，低于50分则跳过。 ## 适用人群 - 高上下文依赖型工作：长期项目跟进、复杂决策追踪、多会话协作 - 安全敏感场景：需严格防范提示注入、上下文泄露、未授权操作的环境 - 追求"主动性"的AI用户：希望代理能反向提示（"您可能还需要..."）、预判需求、持续优化服务方式 ## 局限性与注意事项 1. 实施成本：WAL协议和Working Buffer要求严格的工作流纪律，增加每轮交互的延迟（先写后答） 2. 文件系统依赖：依赖特定markdown文件结构（ONBOARDING.md、SOUL.md、USER.md等），迁移成本较高 3. 过度主动风险：虽设"外部操作需批准"护栏，但"反向提示"机制可能打扰专注工作的用户 4. 上下文压缩非万能：Working Buffer解决的是"危险区"丢失，而非根本性长期记忆架构限制 ## 版本演进 v3.1.0新增：自主/提示型定时任务区分、实现验证模式、工具迁移检查清单；v3.0.0奠定核心架构。经CLS-Certify v2.1.0全扫描认证：S级（100分）、T1可信来源、零安全发现。