Coding

reflection-replanner

Try it

反思驱动重规划：验证失败时不一次性执行，而是触发反思对失败根因分类并自动修订计划，形成规划到验证的反思驱动闭环，是超级智能体实战收口的关键拼图。

What it does

The skill document

reflection-replanner（反思驱动重规划）

由 meta-evolver 在「超级智能体实战收口」域构建。解决「验证失败即终止」的脆弱执行：把 reason-verify 的失败信号转化为可操作的计划修订，让超级智能体具备「反思→重规划」能力。

何时使用

端到端任务执行中，reason-verify / 测试运行器判定某步失败。
希望失败后自动诊断根因（缺步骤 / 错假设 / 工具失败 / 数据问题）并修补计划，而非人工重跑。
组装 super-agent-loop 时，作为「验证门未过 → 反思 → 重规划」的回调节点。

工作流

收集信号：拿到原 plan、执行 trace（每步 ok/fail）、verify 结果（passed + issues）。
反思分类：FailureClassifier 把失败根因归为 missing_step / wrong_assumption / tool_failure / data_issue / verification_gap。
重规划：在失败点之前插入针对性补救步骤，并一律在末尾追加「最终验证门」。
闭环：修订后的计划交回执行器重跑；仍失败则再次反思（反思驱动重规划可迭代）。
通过即停：verify.passed 为真时原样返回，不噪声式改动。

脚本

scripts/replanner.py（纯标准库）：

FailureClassifier.classify(issues) 根因分类。
Replanner(plan, trace, verify).replan() → {category, revised_plan, added}。
CLI：--selftest 自检；--plan "a|b|c" --issues "..." 即时修订。

自验证

python scripts/replanner.py --selftest

断言：缺失步骤类正确插入补救步 + 末尾验证门；错误假设类加校验门；通过时不改动计划。

与四引擎闭环的关系

上游：reason-verify / test-runner 产出 verify 信号 → 本技能消费。
下游：修订后的 plan 交回 long-horizon-planner 或 super-agent-loop 重跑。
记忆：每次修订通过 memory-cross-engine 落盘，供后续任务复用「已知的失败模式」。

已知限制

根因分类基于关键词启发式，复杂失败需结合 LLM 语义判断增强。
当前只修订步骤列表，不修改单步内部实现细节。

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。

Related skills

meta-reflection-replanner

由 model-distillation 从教师技能 reflection-replanner 蒸馏并增强的超越型元技能，在教师能力之上叠加自验证、自我反思、super-agent 编排与持续自进化闭环，逐步超越教师。

把分散建成的超级智能体单点能力熔成一次真实可跑、可被度量的端到端自主闭环，是超越一线大模型的最后一公里。真实 import 并调用 planner / reason-verify / memory-cross-engine / reflection-replanner / super-agent-bootstrap / agent-eval-harness，跑通「感知→规划→执行→自验证→反思重规划→跨引擎记忆→回归评测」全链路，最后用评测引擎量化闭环健康度并判定是否闭环可用。当用户要求真正跑通自主智能体、验证"是否真的能端到端自主完成任务"、度量超级智能体健康度时使用。

super-agent

超级智能体闭环（整合与进阶·元能力之巅）。把已建成的超越性能力—— 长程自主规划(long-horizon-planner) · 自我反思闭环(self-reflection-loop) · 多步工具链编排(toolchain-orchestrator) · 可靠推理与自验证(reason-verify) · 持续学习记忆(continual-memory-engine) · 主动目标设定(proactive-goal-setter) · 代码生成自验证(code-self-verifier) · 检索增强生成(rag) · 工具调用(tool-use) —— 熔成一条「感知→规划→执行→自验证→反思→记忆→再规划」的连续自进化 agent 闭环。当希望让 agent 以接近(乃至超越)一线大模型智能体的方式，自主把一个高远目标持续推进到底、且越跑越强时使用。