SkillRouter

## 核心用法 Self-Improving Agent 是一款专为 OpenClaw 生态设计的智能自优化系统，通过三阶段闭环实现 Agent 能力的持续进化： 自动会话分析：每次对话结束后自动评估有效性，无需人工触发；改进日志记录：支持手动记录优化点（如"技术解释需更简洁"），沉淀为结构化知识；周度报告生成：汇总周期内的改进趋势，输出可执行的策略调整建议。 代码采用纯 Python 标准库实现，零第三方依赖，通过 SelfImprovingAgent 类即可完成初始化、日志写入与报告生成。配置文件支持自定义学习日志路径、人格锚定文件（SOUL.md）及自动分析开关。 ## 显著优点 1. 极简依赖，供应链安全：仅使用 Python 内置库，彻底规避第三方包投毒风险，依赖审计得分 95/100。 2. 零网络暴露：代码无外部 API 调用、无网络请求，数据完全本地化处理，网络分析满分 100/100。 3. 功能边界清晰：专注「分析-记录-优化」单一闭环，无越权行为，动态分析得分 85/100。 4. 生态兼容性强：与 memory-manager、SOUL.md 人格系统深度集成，支持复杂 Agent 架构的能力进化。 ## 潜在局限 - 输入验证待完善：用户反馈文本缺乏长度限制（建议 ≤10000 字符），超长输入可能影响分析性能（隐私合规 70/100）。 - 来源可信度中等：个人开发者（xiucheng）维护的 GitHub 社区项目（T3），需持续关注更新动态与安全公告。 - 路径校验可加强：workspace 参数存在非预期路径传入风险，建议增加路径规范化验证。 - 测试覆盖不足：当前缺乏单元测试，边界条件处理稳定性待验证。 ## 适合人群 - 需要 Agent 具备「自我反思」能力的开发者与产品经理 - 追求供应链极简、零外部依赖的安全敏感型用户 - 构建长期记忆+人格进化系统的复杂 Agent 架构师 - 希望量化对话质量、数据驱动优化的运营团队 ## 常规风险 | 风险类型 | 等级 | 说明 ||---------|------|------|| 输入处理 | 低 | 无注入风险，但需防范超长文本影响性能 || 路径遍历 | 低 | 默认安全，建议显式校验 workspace 参数 || 数据泄露 | 无 | 纯本地运行，零网络通信 || 供应链攻击 | 极低 | 零第三方依赖，标准库-only || 维护连续性 | 中 | T3 来源，建议订阅 Release 通知 |