新闻详情

新闻详情

首页 / 资讯中心 / 详情

如何让AI自己“积累经验“:Kiro Crew自进化技能与Markdown知识包完整指南

发布时间:2026/11/15 7:56:28来源:尧图网络
如何让AI自己“积累经验“:Kiro Crew自进化技能与Markdown知识包完整指南
如何让AI自己积累经验Kiro Crew自进化技能与Markdown知识包完整指南【免费下载链接】KiroCrewA persistent workspace for development work that self-improves and continues beyond one session.项目地址: https://gitcode.com/gh_mirrors/ki/KiroCrewKiro Crew 是一个能自我进化的 AI 开发工作区它内置的技能Skills系统把 AI 的每次成功经验沉淀为 Markdown 知识包下次会话自动复用——相当于让 AI 给自己写操作手册经验越用越厚。本文带你看懂这套自进化机制的工作原理、三种经验沉淀方式以及如何一步步开启它。为什么 AI 需要积累经验用过大模型的同学都有同感每次新开会话AI 都失忆——你昨天调教好的调试流程、踩过的坑它今天全忘了。Kiro Crew 的思路是把记忆从聊天记录升级为结构化的技能包 技能就是一个文件夹里的一页 Markdown任何人都能看懂、能改 渐进式加载平时只占几行上下文真正用到时才展开全文♻️ 可以自动沉淀AI 做完任务后能主动把可复用的流程结晶成技能这正是项目描述里 self-improves and continues beyond one session超越单次会话持续自我改进的落地方式。技能包长什么样一个 Markdown 文件搞定每个技能就是一个目录核心是一份带 YAML 头信息的 SKILL.md。最简结构如下my-skill/ ├── SKILL.md # 必需技能说明 ├── scripts/ # 可选辅助脚本 ├── references/ # 可选参考资料 └── assets/ # 可选模板资源SKILL.md由两部分组成部分作用YAML frontmattername技能名、description一句话描述AI 靠它判断何时启用、triggers触发关键词、always是否每次会话都注入Markdown 正文给 AI 的具体操作指令比如何时使用 / 步骤 / 常见坑完整的字段说明见 skills/README.md官方标准文档见 docs/reference/kiro-cli/skills.md。一个真实例子内置的 goal-loop 技能 教 AI 如何围绕一个目标自主循环工作——自己发现问题、拆成看板卡片、逐个执行直到满足完成定义。通读它的正文你会发现它本质上就是一份写给 AI 的 SOP 手册。渐进式披露省上下文的三档加载Kiro Crew 加载技能分三层见 memory-skills-hooks.md 规格会话开始→ 只读每个技能的名称和描述一行一句成本极低描述匹配命中→ 才加载完整指令指令中需要时→ 才去读references/里的补充文档这意味着你可以积累上百个技能而不会把上下文窗口撑爆。三种让 AI积累经验的方式1️⃣ 自动沉淀会话结束后自动生成技能候选开启skills.auto_create_from_sessions后AI 在会话收尾时会检查本次工作是否包含可复现的流程比如一类错误的固定排查法、一组固定命令。如果值得沉淀它就自动生成一个技能草稿放进待审批队列auto/.pending/目录。关键设计生成 ≠ 生效。新技能必须经过人工在面板的 Pending review 里点批准才会激活如果技能里带了脚本脚本还会先做静态校验。相关规则详见 auto-improvement 规格 与 memory-skills-hooks.md。2️⃣ 主动结晶一句话把当前会话变成技能内置的 crystallize 技能 是手动档。会话进行中你只需说把刚才这套排查流程保存成技能AI 就会回顾整个会话包括子代理的成果提炼出适用场景 / 步骤 / 坑点三段式技能默认走待审批队列只有当你明确说创建 live 技能时才直接生效。它还内置了防重复检查——如果已有相似技能会刷新旧技能而不是造一个近似品。3️⃣ 自我改进循环连改进自己都自动化最激进的是内置的 Auto-Improve 应用见上文配图它先校准一把尺子可测量的指标证明指标真的能分辨好坏之后才让 AI 循环产出改进候选经确定性闸门筛选后以草稿 PR 形式交给人审。规格文档 auto-improvement.md 里有一句话点出了整个设计哲学每个决策都是确定性的 Python 代码每个提案都来自 AI——AI 永远不给自己的工作打分。想体验完整闭环可以直接读 goal-loop 或 self-nudge-loop 两个技能它们演示了AI 围绕目标自主循环 用 Markdown 文件记录状态的完整打法。快速上手5 分钟开启经验积累步骤操作① 查看技能会话中执行/context show或用面板的 Skills 页② 显式调用技能名即斜杠命令如/pr-review 重点看鉴权改动③ 写第一个技能在~/.kiro/skills/全局或项目.kiro/skills/下建目录放入SKILL.md无需重启新会话即生效④ 开启自动沉淀面板 Settings → Skills 打开 auto-create或kirocrew config set skills.auto_create_from_sessions true⑤ 审批候选面板 Skills → Pending review批准即生效随时可回滚 两条实用建议description决定技能何时被 AI想起务必写清适用场景技能正文保持步骤 坑点结构越接近你写给同事的 SOPAI 执行得越稳。内置技能一览Kiro Crew 自带了一批生产级技能全部位于 src/kiro_crew/builtin_skills/例如crystallize—— 把会话结晶为技能上文介绍goal-loop—— 目标驱动的自主循环five-whys / llm-council—— 结构化分析方法papyrus 系列—— LaTeX 文档编译诊断与写作工作流这些技能随安装包分发到每台机器的技能目录你可以照着它们的写法沉淀自己的第一批经验。总结Kiro Crew 的自进化答案不复杂却很扎实技能 Markdown 知识包人可读、可审、可改渐进式加载让经验积累不挤占上下文自动沉淀 主动结晶 自改进循环三条路从顺手记一下到全自动跑循环都覆盖人始终在环自动生成的技能走审批队列AI 不给自己打分把 AI 从一次性打工者变成会记笔记的手艺人从写下第一个SKILL.md开始。【免费下载链接】KiroCrewA persistent workspace for development work that self-improves and continues beyond one session.项目地址: https://gitcode.com/gh_mirrors/ki/KiroCrew创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/15 4:54:16

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/15 2:04:12

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/14 10:11:15

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/14 17:14:38

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/14 16:35:50

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/15 4:06:36

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉