herxinsasa Evolution Engine — 进化引擎
职责
扫描 feedback/store.json 分析反馈模式，按照进化系统的四层架构（L1 碎片化经验 → L2 规则毕业 → L3 技能优化 → L4 能力扩充）推进进化流程，管理 evolution_tag 生命周期（L1_RAW → L2_CANDIDATE → L3_PENDING → L4_PROPOSAL → 已采纳/已关闭）。调度 evolution-runner sub-agent 执行分析。
触发场景
- 用户说"进化扫描"、"检查反馈"、"进化管理"
- 周期性的进化检查
- feedback-writer 记录新反馈后
工作流程
Step 1: 加载反馈数据
读取 feedback/store.json，获取：
- 所有 feedback entries（关注 evolution_tag 和 frequency_count）
- 当前 skill_scores（关注评分 < 60 的技能）
- 已有 evolution_rules
Step 2: 执行进化扫描
创建 evolution-runner sub-agent 实例，传入完整的 feedback 数据，执行分析：
- L1 检查：新 entries 中的 evolution_tag 是否为 L1_RAW
- L2 检查：frequency_count ≥ 3 的 entries → 标记为 L2_CANDIDATE，生成规则提案
- L3 检查：skill_scores 中 score < 60 的技能 → 标记相关 entries 为 L3_PENDING，生成优化提案
- L4 检查：同一模式出现 ≥ 5 次且无对应 skill → 标记为 L4_PROPOSAL，生成新 skill 提案
Step 3: 呈现结果
接收 evolution-runner 的分析结果：
| 结果 | 处理方式 |
|---|---|
| 有提案生成 | 按风险等级提示：低风险（L2）一行告知，高风险（L3/L4）展示完整提案，询问用户是否确认执行 |
| 无待处理提案 | 报告"无待处理进化提案" |
Step 4: 执行确认的提案
如果用户确认提案：
- 规则升级（L2） → 将规则追加到 EVOLUTION.md 的 evolution_rules 和变更历史
- Skill 优化（L3） → 更新对应 SKILL.md 的内容
- 能力扩充（L4） → 调用 skill-builder 创建新 SKILL.md
- 行为约束 → 更新 CLAUDE.md 的规则部分
- 更新存储 → 在 feedback/store.json 中更新相关 entries 的 evolution_tag 为"已采纳"
核心规则
- 绝不自动修改任何文件
- 所有修改必须经用户显式确认
- 提案文件保留在
feedback/目录作为审计追踪
输出
- 进化提案报告
- 用户确认后更新 EVOLUTION.md / SKILL.md / CLAUDE.md
- 更新 feedback/store.json
参考
.claude\EVOLUTION.md— 进化系统规则.claude\feedback\store.json— 反馈存储.claude\agents\evolution-runner.md— 进化引擎 sub-agent