主动式代理(免费版)

将AI代理从被动任务跟随者转变为主动伙伴的架构。覆盖六大支柱、 WAL协议、工作缓冲区、压缩恢复、安全加固、自我改进护栏、 心跳系统与增长循环。可自发提升工作效率. 适用于需要proactive agent相关能力的开发场景,包含结构化的工作流程和可复用的模板,帮助用户快速完成任务并保持代码质量.该技能适用于相关开发场景,包含结构化的工作流程和配置指引.经过深度差异化处置,针对用户反馈和使用痛点进行了改进,提升了实用性和可操作性.

将AI代理从被动等待任务转变为主动预判需求并持续自我改进的架构。多数代理只会等待,这个架构让代理预判需求、主动行动、并随时间变得更好.

输入格式

参数名	类型	必填	说明
input	string	是	主动式代理(免费版)处理的输入数据或指令
options	object	否	附加配置选项,如模式选择、格式偏好等
callback_url	string	否	异步处理完成后的回调通知URL

核心能力

1. 六大支柱架构

• 记忆架构:跨会话上下文持久化,避免重复错误
• 安全加固:技能安装策略、外部代理网络、上下文泄露防护
• 自愈:检测并修复自身故障,无需人工介入
• 验证前报告(VBR):报告前验证实现,不只验证意图
• 对齐系统:ADL反漂移限制与VFM价值优先修改
• 主动惊喜:超越任务预期,提供额外价值

2. WAL协议(写前日志)

扫描每条消息,在响应前写入状态:

• 用户陈述偏好 → 写入记忆 → 再响应
• 用户做决策 → 写入记忆 → 再响应
• 用户给截止日期 → 写入记忆 → 再响应
• 用户纠正你 → 写入记忆 → 再响应
• 原因:若先响应再崩溃/压缩,上下文丢失;WAL保证持久性

3. 工作缓冲区协议

维护工作缓冲区暂存中间状态:

• 格式:当前任务、关键上下文、待办动作、近期决策
• 在响应前更新缓冲区,确保中断可恢复
• 缓冲区作为代理的"短期记忆",区别于长期记忆

4. 压缩恢复

上下文被压缩后自动恢复关键信息:

• 恢复步骤:检测压缩发生 → 读取工作缓冲区 → 重建关键上下文 → 验证一致性
• 防止压缩导致的项目状态丢失
• 从工作缓冲区与长期记忆双源重建

输出格式

完成响应以Markdown格式返回,包含任务状态(成功/失败)、解析摘要和具体输出数据。失败时返回错误码和错误信息,便于定位问题。- 验证返回数据的完整性和格式正确性

• 参考输出格式的配置文档进行参数调优

快速开始

1. 确认运行环境满足依赖说明中的要求
2. 在AI Agent对话中调用本技能,提供必要的输入参数
3. 检查输出结果,根据需要进行后续处理

详细的输入输出格式请参考下方章节说明。

适用场景

场景	输入	输出
上下文持久化	用户偏好/决策	WAL写入记忆+响应
压缩恢复	检测到压缩	从缓冲区重建上下文
自我改进	行为偏差检测	ADL护栏触发+VFM评估

不适用于:需要100%确定性的关键决策、无LLM环境的纯规则系统、完全自主无人工监督的生产环境.

使用流程

1. 配置记忆架构:工作缓冲区、长期记忆、统一搜索
2. 启用WAL协议:确保响应前写入状态
3. 配置心跳系统:确定触发频率与检查清单
4. 设置安全加固:技能安装策略、上下文泄露防护
5. 启用自我改进护栏:ADL反漂移、VFM价值优先

结果验证: 任务完成后,查看输出确认状态。成功时返回摘要和数据;失败时根据错误信息排查,参考恢复章节获取修复步骤.

示例

示例:WAL协议执行

text

用户: "这个项目用 Tailwind,不用原生 CSS"
# ...
代理(内部):
1. 写入工作缓冲区: "Decision: Use Tailwind, not vanilla CSS"
2. 写入长期记忆: 偏好记录
3. 然后响应: "明白,用 Tailwind..."

错误处理

错误场景	原因	处理方式
上下文压缩后信息丢失	未启用WAL或工作缓冲区	启用WAL协议,确保响应前写入;压缩后从缓冲区恢复
自主cron过度活跃	无护栏约束	关键任务改用提示cron,自主cron配ADL护栏与频率限制
意图与实现不符	只验证意图未验证实现	执行VBR协议:报告前运行验证命令并确认输出
工具迁移后引用失效	旧API端点或工具名变更	执行工具迁移清单:搜索引用、查找替代、更新调用、验证

常见问题

Q1: WAL协议为何要在响应前写入?

A: 若先响应再崩溃或压缩,上下文丢失。WAL(写前日志)保证持久性:用户陈述偏好/决策/截止日期/纠正时,先写入工作缓冲区与长期记忆再响应,即使中途断电也能恢复.

Q2: ADL反漂移限制如何工作?

A: ADL(Anti-Drift Limits)监控代理行为是否偏离原始任务。当检测到范围扩展(如"修复bug"变成"重写模块"),暂停并向用户确认。这防止代理自主扩大范围导致不可控修改.

Q3: VFM价值优先修改如何评估?

A: VFM(Value-First Modification)要求任何自我修改必须可证明带来价值。修改前评估预期收益,修改后验证实际效果,无收益则回滚。避免为改而改的无效修改.

已知限制

• 需要LLM支持,无LLM环境无法运行
• 自主行为需配护栏,完全自主无监督有风险
• 记忆架构依赖持久化存储,无存储环境仅能用会话内缓冲

依赖说明

运行环境

• Agent平台: 支持SKILL.md的任意AI Agent（Claude Code / Cursor / Codex / Gemini CLI等）
• 操作系统: Windows / macOS / Linux

依赖项

依赖项	类型	是否必需	获取方式
LLM API	API	必需	由Agent内置LLM提供

API Key 配置

需要配置对应API Key，详见上文环境配置章节

可用性分类

• 分类: MD+EXEC（）

API Key配置方式:

bash

export API_KEY=${API_KEY:?请设置环境变量}

配置后需重启会话或开启新终端生效。API Key应妥善保管,避免泄露到版本控制系统.

升级提示

本免费版提供基础功能。升级到完整版 proactive-agent 获取全部能力和高级特性.