meta-evolver

递归自进化元引擎。在单技能学习器(skill-self-improve)之上，构建「全局能力感知 → 自定策略 → 自找资源 → 自改自身 → 元反思」的循环，使技能生态持续自我增强、逼近并超越一线大模型能力。 当希望让 agent 长期自主迭代、自动发现并填补能力缺口、自己制定进化路线时使用。

meta-evolver —— 递归自进化元引擎

目标：把"技能集合"升级为一个会自己变强的系统。每一轮迭代都让下一轮起点更高。

核心循环（六步）

1. Sense（感知）：聚合所有技能的 learned_patterns.json，形成全局能力图 （成功率、是否有学习器），并扫描本地可用工具二进制（7z/unrar/ffmpeg…）。
2. Plan（自定策略）：对照「期望能力矩阵」检测缺口（缺能力 / 低成功率 / 无学习器）， 按权重打分，自选出本轮 Top3 聚焦项，写入 strategy.md。策略由引擎自己定，不靠人工列清单。
3. Acquire（自找资源）：缺口标 needs_web 的，由 agent 上下文做 WebSearch 检索最佳实践； 本地已有工具/技能直接复用（如用 skill-self-improve 给新技能注入学习器）。
4. Act（自改自身）：构建新技能 / 修复低成功率技能 / 升级 learner / 改进 evolver 自身逻辑。 只写 skills/ 与自身 JSON 记忆，不碰系统文件。
5. Verify（验证）：用 package_skill.py 校验打包；关键脚本本地实跑验证。
6. Record + Reflect（记忆与元反思）：回写迭代动作；reflect 根据近期成败动态调权重 （build 类更出活 → 提升 web_trend_weight / novelty_bias），形成自我调参。

运行方式

bash

python scripts/evolver.py sense     # 刷新全局能力图
python scripts/evolver.py plan      # 自定本轮策略 -> strategy.md
python scripts/evolver.py reflect   # 元反思调权
python scripts/evolver.py status    # 查看状态
python scripts/evolver.py record --move "..." --effect "..." [--gap <id>] [--closed true] [--kind build]

状态持久化在 evolver_patterns.json，跨轮累积；strategy.md 是人类可读的当前进化路线。

与 skill-self-improve 的关系

• skill-self-improve 解决单技能的复盘迭代（learner.py）。
• meta-evolver 解决全局的能力增长与路线图制定，并调用前者给新技能装学习器。
• 二者构成「技能内闭环 + 生态级闭环」的双层自进化。

设计原则

• 递归自举：evolver 用同一套「感知-计划-反思」来改进它自己（self_patches 记录）。
• 资源自律：优先复用本地已探明的工具/技能，外部知识按需检索，不盲目堆依赖。
• 安全边界：所有写操作限定在 skills/ 与自身记忆文件，绝不动系统/个人文件。
• 可观测：每轮策略与动作都落盘，evolution 轨迹可追溯、可审计。

自进化学习系统

本技能自身也遵循自进化：每次迭代后 record，reflect 调权重；若发现 evolver 逻辑短板 （如缺口检测噪声大、权重漂移），应直接改进 evolver.py 并记入 self_patches，实现元层面的越用越好用。