memory-cross-engine（跨引擎记忆贯通）
由 meta-evolver 在「超级智能体实战收口」域构建。解决四引擎（规划↔记忆↔验证↔反思） 各自为政、上下文无法贯通的问题——让一次任务内的决策、记忆、校验共享同一份结构化记忆。
何时使用
- 组装端到端超级智能体闭环，需要 planner / memory / verify 引擎共享上下文。
- 长程任务中希望「规划产出的目标」能被「验证引擎」直接引用、「记忆引擎」沉淀的偏好能反哺「规划」。
- 调试超级智能体时发现各引擎重复获取、彼此不知道对方已产出的事实。
工作流
- 各引擎写入：规划引擎写 goal/step、记忆引擎写 fact/preference、验证引擎写 check/criterion，均带 engine 标签。
- 跨引擎关联：用
link把相关条目连成图（如 目标↔偏好↔校验标准）。 - 跨引擎检索：用
retrieve按查询跨引擎拉取最相关条目（单字+二元组 relevance，规避 CJK 分词缺失）。 - 按引擎过滤：
retrieve --engines planner只取某引擎视角，支持局部重规划。 - 全局视图：
view查看各引擎条目数与关联密度，监控贯通度。
脚本
scripts/memory_bus.py（纯标准库）：
MemoryBus类：write(engine, type, payload, links)/link(a, b)/retrieve(query, topk, engines)/cross_engine_view()- CLI：
--selftest自检；write/link/retrieve/view子命令。 - 记忆落盘
memory_bus.jsonl，可持久化跨会话。
自验证
python scripts/memory_bus.py --selftest
断言：三引擎条目贯通检索、关联数正确、验证引擎可检索、引擎过滤生效。
与四引擎闭环的关系
- 上游：
long-horizon-planner产出目标 → 写入 bus(engine=planner)。 - 中游：
continual-memory-engine沉淀偏好 → 写入 bus(engine=memory)，并被规划检索引用。 - 下游：
reason-verify/reflection-replanner产出校验标准与修订 → 写入 bus(engine=verify)，反哺下一轮规划。 - 由此构成「规划→记忆→验证→再规划」真正共享上下文的自主闭环。
已知限制
- 当前为轻量 JSONL 存储，未做向量化；大规模记忆建议切换 embedding 检索。
- relevance 用字符级重叠，长文档需先摘要再写入。
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。