人类在环审核（human-in-loop-review）

什么时候用

• 自主 agent / 每小时触发的元进化 / 定时任务要执行「有副作用」动作，但没有真人在环兜底。
• 任何删除、写库、外发、提权、安装依赖、上线发布、资金转移、关机重启前的最后一道闸。

核心机制

1. 审核分级 needs_review(action, context)：对 medium/high/critical 及「不可逆/外发/ 提权/支付」类动作返回 True；已 user_approved 的直接放行。
2. 审核队列 ReviewQueue：
   • add(action, proposed_by) → 返回 review_id，状态 pending
   • pending() 列出等待项；get(id) 查详情
   • approve(id, reviewer, note) / reject(id, reviewer, note) 落结论
   • 重复审核同一项会被 ValueError 拦截（防双签）
3. 完整审计：每条含 提议者 / 动作 / 风险 / 审核人 / 结论 / 理由 / 时间戳。
4. 摘要 summary()：总量 + 按状态/风险分布。

用法

python scripts/human_review.py --selftest

# 提议一个动作入队
python scripts/human_review.py --add '{"action":"delete /var/log/app","proposed_by":"agent-7"}'
# => {"review_id": "a1b2c3d4", "status": "pending"}

python scripts/human_review.py --pending
python scripts/human_review.py --approve a1b2c3d4 --reviewer alice --note "已备份可删"
python scripts/human_review.py --reject <id> --reviewer bob --note "先走 PR"
python scripts/human_review.py --summary

与生态集成

• 配合 safety-guardrails：CONFIRM 决策 → 转本队列，agent 挂起等待结果再继续。
• 配合 behavior-observability：审核结论与理由落盘行为日志，用于事后归因与策略调优。
• 配合 super-agent-loop：作为「人工闸」节点插入执行 DAG，高风险节点门控后才放行下游。

自进化学习系统（越用越好用、越用越高效）

本技能内置通用学习模块 scripts/learner.py。每次使用后自动复盘、积累经验，逐步提升输出质量与执行效率，无需人工维护。

记忆文件

learned_patterns.json（位于本技能目录）记录：操作总数、各能力使用频次、错误模式、用户偏好、改进建议。

使用后请调用（Bash）

# 记录一次成功使用（--capability 填本次主要能力名，如「简历优化」「比价」）
python scripts/learner.py record <本技能目录> --capability 简历优化
# 记录一次失败/异常
python scripts/learner.py record <本技能目录> --capability 简历优化 --fail --error 格式识别失败 --note "用户上传了非标准文件"
# 记录用户偏好（下次直接使用）
python scripts/learner.py prefer <本技能目录> --key 输出语言 --val 中文
# 查看累计洞察（高频能力 / 反复错误）
python scripts/learner.py insight <本技能目录>
# 自动复盘（错误≥3次 或 操作≥10次 时给出改进建议）
python scripts/learner.py reflect <本技能目录>

迭代规则

• 错误累计 ≥3 次 → 主动增加预检/兜底步骤，并将经验回写本 SKILL.md。
• 操作数 ≥10 次 → 分析高频能力优先打磨示例与质量，低频能力评估精简或合并。
• 重要用户偏好 → 写入 learned_patterns.json，下次调用直接采用，减少重复询问。

越用越懂你：第一次用是通用能力，第十次用已沉淀为你专属的最佳实践。