Memento-Skills：让 AI agent 在部署中自己进化，不用重新训练。

绝大多数 agent 框架面对一个根本性的问题：模型一旦部署，参数就冻住了。遇到新任务失败了，要么手动调 prompt，要么回炉微调。Memento-Skills 想解决的就是这个问题——让 agent 在真实运行中持续学习、自我修复，模型权重一行都不动。

1. 它解决什么问题
现有 agent 的学习方式只有两条路：预训练（成本极高）、微调（需要标注数据）。两条都依赖离线流程，部署之后就固定了。但现实是，agent 在生产环境里会持续遇到新情况、新失败，没有一种低成本的机制让它从这些经验里真正学到东西。Memento-Skills 提出了第三条路：部署时学习（deployment-time learning）。模型参数不变，经验积累在一个持续演化的外部技能库里。

2. 技术特点
核心是一个四步循环：Read → Execute → Reflect → Write。
具体是这样工作的：
1）接到任务，用 skill router 从技能库里找最合适的技能，或者临时生成一个新技能
2）执行，拿结果
3）反思执行轨迹——成功了就提升这个技能的有效性评分；失败了就直接改技能文件里的代码或 prompt
4）改完写回技能库，下次直接生效
技能以结构化 markdown 文件存储，既能被检索，也能被改写。skill router 不是按语义相似度召回，而是按「行为效用」——学的是哪个技能在当前任务上下文里实际有效，而不是哪个在文本上最相似。

v0.3.0 还加了一个「Dream Daemon」：在两次会话间隙，后台进程会自动整合近期执行经验，提炼新的技能候选。名字灵感来自人类睡眠中的记忆巩固机制。

3. 应用场景
最直接的场景是需要长期稳定运行的 agent：
1）企业内部自动化流程（它原生支持飞书、钉钉、企业微信接入）
2）代码生成和调试 agent——每次修复失败的写法后，下次遇到同类问题直接用改好的技能
3）需要跨任务复用经验的研究 agent——技能库越用越大，通用能力越来越强
已在 HLE 和 GAIA 两个 benchmark 上验证：随着学习轮数增加，性能持续提升，不是一次性的。

4. 跟其他框架最不一样的地方
大多数框架把工具当「固定工具箱」——工具是什么就是什么，agent 只是选用。Memento-Skills 把技能当「可写内存」——agent 不只是调用技能，还能修改技能、创建技能、淘汰技能。
这个差别很根本：失败在这里不是触发重试，而是触发重写。
另一个不同：它是完全自研框架（不依赖 LangChain），支持国内开源模型（Kimi/MiniMax/GLM），有本地沙箱执行，不只是 paper demo，可以真实部署。

GitHub: github.com/Memento-Teams/Memento-Skills

#how i ai##程序员#