version: "1.0.0" name: self-refinement description: 将纠错经验沉淀为持久化的 Rules/Skills 更新，构建反馈闭环。当被用户纠正且错误具有模式性时自动触发，或通过 /reflect 命令手动触发回顾。

经验沉淀 (Self-Refinement)

核心定位

从错误中构建反馈闭环：将非结构化的错误经验转化为结构化的持久化上下文（Rules/Skills），防止同类错误在新会话中重复发生。

原理：LLM 没有跨会话的持久记忆——会话 A 中被纠正的错误，在会话 B 中会以相同概率再次发生。唯一的解法是将错误经验外化为持久化的上下文。

触发模式

模式一：自动触发

触发条件：AI 在协作过程中被用户纠正（用户否定了 AI 的输出并给出了正确方向）。

行为：

1. 先完成当前纠正——不打断用户当前的任务流
2. 纠正完成后，在回复末尾简要评估是否需要沉淀经验
3. 如果需要，输出轻量建议（不超过 3 条）

输出格式：

---
💡 **经验沉淀建议**
 
刚才的纠正揭示了一个可沉淀的模式：
 
- **错误模式**：[简述 AI 犯的错]
- **根因**：[规范缺失 / 知识缺失 / 流程遗漏 / 模式错误]
- **建议**：[更新 Rule/Skill 的具体操作]
 
是否需要我执行？（回复"沉淀"执行，或忽略继续当前工作）

设计原则：

• 不打断：建议附在回复末尾，不影响正常工作流
• 轻量化：仅简述，不展开长篇分析
• 建议优先：不自主执行，等用户确认

模式二：手动触发（/reflect）

触发条件：用户通过 /reflect Command 主动发起。

行为：

1. 回顾当前对话历史
2. 识别所有被纠正的错误模式
3. 对每个错误执行完整的诊断闭环
4. 输出结构化的沉淀建议

核心闭环

无论自动还是手动触发，共享同一个核心流程：

Step 1: 识别错误模式

回顾对话中 AI 被纠正的场景，提取：

• 错误输出：AI 说了什么/做了什么
• 正确方向：用户期望什么
• 差距：AI 为什么偏离

Step 2: 诊断根因

Step 3: 检索现有知识

搜索现有 Skills 和 Rules：

• 是否已有相关规则？→ 需要补充/修改
• 完全没有相关规则？→ 需要新建

Step 4: 生成建议

每条建议包含：

### 建议 N: [简短标题]
 
-**根因**：[规范缺失 / 知识缺失 / 流程遗漏 / 模式错误]
-**目标文件**：`[Rules/Skills 文件路径]`
-**操作**：[新建 / 在 X 位置添加 / 修改 Y 内容]
-**具体内容**：
  ```
  [要添加或修改的具体文本]
  ```

建议数量：≤ 3 条。多于 3 条时，按影响范围排序取 Top 3。

Step 5: 用户确认

以上是本次经验沉淀建议，请选择：
- **全部执行** → 我将依次执行所有建议
- **选择执行** → 告诉我执行哪几条（如"执行 1 和 3"）
- **跳过** → 不执行任何建议

Step 6: 执行更新

用户确认后，更新现有文件或创建新文件，并写入对应的 Rules/Skills 更新内容。

强制规则

反模式

参考资料

• 典型沉淀场景示例