行为可观测性（behavior-observability）
什么时候用
- 需要复盘「自主 agent 到底做了什么、哪一步出错、时延花在哪」。
- 元进化/定时任务每小时跑，但没人盯着——靠结构化日志做无人值守审计。
- 对接
agent-eval-harness：把本日志作为健康度度量的数据源。
核心机制
- 结构化事件
emit(type, action, status, agent, risk, parent, duration_ms, payload)： 每条含 id / ts / type / action / status / agent / risk / parent / duration_ms / payload。 - 多维查询
query(type=, status=, agent=, since=)：按需过滤出行为子集。 - 指标聚合
metrics()：总量、按类型、按状态、错误率、平均时延、P95 时延。 - 时间线回放
timeline()：按发生顺序重建行为轨迹，定位异常节点。
用法
python scripts/observability.py --selftest
python scripts/observability.py --emit '{"type":"tool_call","action":"delete /data","status":"error","agent":"agent-7","risk":"critical","duration_ms":5}'
python scripts/observability.py --query '{"status":"error"}'
python scripts/observability.py --metrics
python scripts/observability.py --timeline
与生态集成
safety-guardrails：每次gate()决策 →emit(type="guardrail_decision", risk=level, status=decision)。human-in-loop-review：每次审核结论 →emit(type="review", status=approved/rejected)。agent-eval-harness：直接消费metrics()的错误率/时延做回归告警。super-agent-loop：每个 DAG 节点执行完 →emit一条，形成端到端 trace。
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。