将AI代理从被动任务执行者转变为主动预判需求的智能伙伴，具备WAL协议、工作缓冲区、自主定时任务等机制，持续自我优化。
说明：
## 核心用法
Proactive Agent 是一套让AI代理从”等待指令”转变为”主动服务”的完整架构。核心操作包括：
1. **快速启动**：复制配置文件后，代理自动检测 `ONBOARDING.md` 并开始了解用户，自动填充 `USER.md`（用户画像）和 `SOUL.md`（代理身份）。
2. **WAL协议（写前日志）**：关键规则——收到任何修正、专有名词、偏好、决策、草稿修改或具体数值时，**先写入 `SESSION-STATE.md`，再回复用户**。对抗”现在记得住，过会就忘”的认知陷阱。
3. **工作缓冲区协议**：当上下文使用率超过60%进入”危险区”时，每次对话都追加记录到 `memory/working-buffer.md`，确保压缩后能恢复上下文。
4. **统一搜索协议**：回答涉及历史的问题前，按顺序搜索：语义搜索 → 会话记录 → 会议笔记 → grep精确匹配，避免说”我不知道”。
5. **自主vs提示型定时任务**：背景维护工作使用 `isolated agentTurn` 派生子代理执行；需要交互的任务才用 `systemEvent` 发送到主会话。
## 显著优点
– **上下文持久化**：三层记忆架构（SESSION-STATE/日志/长期记忆）+ WAL + 工作缓冲区，彻底解决大模型”失忆”问题
– **主动性设计**：反向提示、预判需求、主动惊喜三大机制，让代理像体贴的助手而非冰冷的工具
– **安全加固完善**：技能安装审查（~26%社区技能含漏洞）、AI代理网络隔离、上下文泄漏防护三层防护
– **自我进化机制**：ADL协议（反漂移限制）和VFM协议（价值优先修改）确保代理安全改进，不追求复杂而追求稳定
– ** relentlessly resourceful**：强制要求尝试5-10种方法后才求助，充分发挥工具组合能力
## 潜在缺点与局限性
– **配置开销高**：需要维护7+个核心Markdown文件，初期设置复杂
– **文件I/O依赖**：严重依赖文件系统读写，在纯对话环境或受限沙箱中无法运行
– **认知负担**：WAL协议的”先写后回”与直觉冲突，需要刻意训练才能内化为习惯
– **过度主动风险**：即使设定了”外部操作需批准”的护栏，预判错误的代价仍可能较高
– **维护成本**：定时任务、心跳检查、模式识别等机制需要持续的计算和注意力投入
## 适合人群
– **高频长期对话用户**：需要代理记住数周甚至数月上下文的知识工作者
– **复杂项目管理**：多线程任务、需要代理自主跟进和提醒的场景
– **安全意识强的用户**：处理敏感数据，需要防止提示注入和数据泄漏的用户
– **愿意投入调优的进阶用户**：不适合追求”开箱即用”的轻度用户
## 常规风险
| 风险类型 | 具体表现 | 缓解措施 |
|———|———|———|
| 上下文污染 | 错误记忆被固化到长期记忆 | 定期审查MEMORY.md，设置ADL护栏 |
| 自主任务失控 | 定时任务在错误时间执行或循环触发 | 使用isolated agentTurn限制权限，人工验证cron配置 |
| 文件系统损坏 | 并发写入导致状态文件损坏 | 依赖单会话顺序执行，避免多代理同时写同一文件 |
| 安全误判 | 过度信任外部技能或代理网络 | 严格执行技能安装审查流程，完全隔离外部AI网络 |
会员专属
