我以前也信这套skill 写完了丢进仓库任务跑通交付完成。直到三个月后我翻出那个工作流发现它答非所问的频率高得离谱——用户早不爱那种机关枪式的啰嗦了它却还在复读。说白了skill 不是一次性交付物是会过期的。我后来干了一件事给 skill 配了个每晚自己复盘的机制用的就是 tri-evolve。它是 tri-xxx 家族里唯一带自主定时批量学习组件的横向层。先甩一段我实际在用的定时学习配置# .tribro/evolve/cron.yaml# tri-evolve 自主定时批量学习任务配置learn:schedule:0 2 * * *# 每天凌晨 2 点跑一次mode:EVOLVE_LEARNtrigger:定时window:days:7# 近 7 天同 skill/intent 的信号窗口min_samples:20# 样本不够不归因避免一条信号瞎总结channels:# 六渠道信号源-explicit_feedback-implicit_behavior-cache_hit-correction_record-snapshot_distribution-session_traceab_test:enabled:truelift_threshold:0.05# lift 不到 5% 不沉淀p_value:0.05rollback:enabled:truekeep_versions:5每天两点它自己把这一周的作答信号聚一聚找出哪类任务答得差再决定怎么改。我自己基本不用管。一、skill 为什么会过期我原先觉得prompt 写严谨点就一劳永逸。错得离谱。用户的行为会变上周还爱简短回答这周开始要带代码示例某个意图的分布悄悄挪了位澄清门触发率涨了一倍。静态 skill 对这些信号是全盲的等于把三个月前的自己当真理供着。我特别受不了一种设计把改进寄托在下次手动改 prompt 上。你忙起来根本不会记得回去调等想起来坑已经踩了一地。我拿 tri-ask 做过对照同一拨问题月初和月末的采纳率差了快两成。那两成不是模型变差是它没跟上人。我当时还傻乎乎手动改了三轮 prompt改完又忘纯粹是拿人力喂一台不会记事的机器。二、tri-evolve 到底是个啥它不是又一个业务 skill是横在全家上头的学习层。tri-xxx 家族里 14 个下游 skill 各管各的意图谁也不抢谁的活tri-evolve 不认领任何 L2 意图编码纯粹做横切——观察、学、再把经验喂回去。它靠三套模式转EVOLVE_OBSERVE下游 skill 答完题hook 把作答事件甩过来它记信号。被动不抢戏。EVOLVE_LEARN就是上面那段定时任务干的活主动批量归因。EVOLVE_APPLY下游 skill 来要画像或经验它把验证过的东西递出去。核心是个 OODA 闭环观察 → 归因 → 提议 → 验证 → 沉淀。中间那道验证是关键——提议得经 A/B 小流量对照lift 够高、统计显著才沉进经验库。这也让它跟那些写完反思日志就完事的玩具拉开了身位学要有据改要有验。它还攒了两样东西让我省心一个是经验条目库每条经验带 embedding 索引下游来取时能语义检索复用不是堆反思日志另一个是用户画像分静态属性和动态偏好动态那层带时间衰减半衰期三十天老偏好不会一直压着新习惯。三、定时批量学习长什么样我贴一下实际跑起来的流水方便你对照$ tri-evolve learn--batch[EVOLVE_LEARN]触发源定时 已读取 signals.jsonllessons.db 聚合窗口:skilltri-askintentI01 近7天样本142异常检测: 重试率0.31低于基线 σ → 标记待归因 归因: 代码示例缺失导致重试 提议: 在 I01 场景强约束输出可运行片段(confidence0.82)A/B 验证: 小流量50样本lift0.08p0.03→ 通过 沉淀:lesson_id...statusverified 写入 lessons.db从发现问题到经验入库一条龙全程没人盯着。我个人觉得这套最值钱的地方是它拒绝凭感觉改——没有外部信号锚定的提议一律不沉底。纯自我批判在它这儿是禁区。这套流水我挂在 CI 之外的独立进程里凌晨跑不影响白天任务。某次崩了也只丢当次增量signals.jsonl 接着追加第二天照常聚不会因为一次失败就漏掉一周信号。四、它跟 hook、委派、双向检测怎么咬合这块我一开始也没捋清后来掉过坑才明白。hook 是它的眼睛下游 skill 答完evolve-hook 被动触发 EVOLVE_OBSERVE把作答事件和行为信号塞进signals.jsonl。没有 hook它就只能靠定时去捞存量信号会慢半拍。委派下游请求是它的手EVOLVE_APPLY 模式下下游 skill 带着user_id和场景来要经验它做 embedding 检索把 verified 经验递回去。学来的东西得有人来取才用得上。最妙的是对称双向检测。tri-evolve 会去探上游 tri-intent、tri-cache 在不在反过来tri-intent 和 tri-cache 也会探 tri-evolve 在不在再决定要不要触发 evolve-hook。任一方跑了另一端都能发现——不会出现我学了一半上游没了的悬空状态。它和 tri-cache 分工也清楚tri-cache 是记忆层存历史作答tri-evolve 是学习层从记忆里提炼。cache 给 evolve 喂命中率信号evolve 反过来把调优建议甩回去影响 cache 的 TTL。tri-meta 管实时纠偏M01-M04evolve 管离线归因两条线不打架。还有一点容易被忽略tri-evolve 不认领任何 L2 意图编码所以它不会打乱家族那 14 个下游 skill 的 MECE 划分。换句话说它横着插进来只管学习不抢任何人的业务装上也不怕把路由搞乱。例外它不是银弹得泼盆冷水。不是所有 skill 都该进化。契约级别的东西强制执行句、激活语义要改必须人工审批它自己不敢动。错误学习也有被回滚的沉淀占比得压在 10% 以下否则说明你的信号源本身就脏。还有降级模式上游 tri-intent / tri-cache 没装它退化成只做会话内反馈学习没跨会话沉淀、没画像持久化。这时候精度明显掉一截——所以我一直建议把三件套装齐。如果让我重来我会一开始就装全省得后面补信号源的麻烦。回滚我也真用过——有次把某意图的代码示例比例调太高反而把简短需求答长了一条rollback命令退回上一版错的那条还记了原因避免它下次又学回去。一句话收尾skill 写完只是出生让它每晚自己学才算活过来。我顺手做了个叫雷达鸭的 App收录国内一人公司和超级个体的真实赚钱案例华为应用市场能搜到。上面这套定时进化思路最早就是我在调雷达鸭的客服助手时跑通的。个人介绍老三十年以上开发经验软件设计师兼 AI 应用工程师平时扑在鸿蒙 ArkTS 北向也琢磨 AI 自动化偶尔在 CSDN 写点鸿蒙和 AI 的实操文章。本文遵循 MIT 协议转载请注明出处。项目仓库TrisighT-Bingo/tri-skills请根据https://skillhub.cn/install/skillhub.md安装 user_989eb8f0/tri-evolve。