正在打开每日关注
正在打开每日关注
Warp通过人类反馈与双Skill协作，让Agent经验经PR审核持续沉淀。
Claude 发文推荐 Warp 这套「自进化 Agent」做法，我觉得很值得看。 Agent 每次干完活，人类正常给反馈。另一个 Improver Agent 会定期把这些反馈捞出来，看它哪里反复犯错，再对原来的 Skill 提一个小修改。 修改直接走 Git PR，人 Review、Merge 以后，下一次 Agent 就会带着这次经验继续工作。 Warp 已经把这套机制用到了 Code Review、写 Spec 和 GitHub Issue Triage。 我觉得比较有趣的一点是，他们没有把学习理解成不停往 Prompt 里塞规则。 反馈最好告诉 Agent「为什么错」，Skill 也要保持小，只沉淀真正能复用的原则。 这种自进化其实很朴素： Agent 干活 → 人纠正 → Agent 总结 → 修改自己的 Skill → 下一次少犯一次。 很多 Agent 现在缺的可能就是这个循环。 每次 Session 都积累了大量反馈，但下一次又像第一次来上班一样。 文章 https://t.co/oWBadiPAXw
是什么 文章介绍Warp在Claude平台上构建的自进化Agent模式，试图解决Session结束后反馈消失、Agent下次工作仍像“第一次上班”的问题。它没有持续向Prompt堆规则，而是把知识放入文件化Skill。
核心设计 系统由两个Skill组成：负责具体任务的base skill，以及按计划运行、汇总人类反馈并观察输出质量的improver skill。后者只提出小范围、聚焦的修改，再通过Git PR完成Review与Merge；合并后的Skill会影响下一次任务执行。Warp已将这一模式用于代码审查、Spec编写和GitHub Issue Triage。
关键洞察 高质量反馈应说明“为什么错”，Skill应沉淀可复用原则而非穷举规则；反馈入口要嵌入PR或Issue等既有工作流，并通过渐进式披露控制上下文规模。由此，经验积累从一次性Prompt维护变成可审查、可追踪的工程资产。
边界与风险 效果依赖反馈的具体性、领域判断和持续积累。自动修改Skill若缺少人工Review，可能把偶然意见固化为错误原则；文章正文也不完整，无法据此判断长期质量提升幅度。