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。
Memory
super-agent-integration
Try it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。
What it does
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。
The skill document
super-agent-integration —— 端到端自主闭环真实跑通
目标：把此前 12 轮反复标记为"未真实跑通"的最后一公里补上——不是再建一个能力， 而是把已建成的「四引擎 + 评测」拼成一次真实可运行、可被度量的端到端闭环。
为什么需要
单一能力（规划 / 自验证 / 记忆 / 反思 / 执行内核 / 评测）逐个建成不等于"能端到端自主干活"。 真正的分水岭是：把它们串起来真实跑一次，且用评测量化"这次跑得健不健康"。 本技能就是那根把零件拧成发动机的总装线。
闭环编排（全链路，真实调用各引擎）
scripts/integration_runner.py 在运行期真实 import 下列引擎并逐一调用（导入失败即显式报错，绝不静默降级成空转）：
- 规划（planner）：目标写进跨引擎记忆总线
MemoryBus.write("planner","goal",...) - 执行内核（super-agent-bootstrap）：
SuperAgent().run(goal, items)跑通 感知→执行→自验证→反思重规划 - 自验证（reason-verify）：对汇总论断调用
reason()做可靠性评分（reliability） - 反思重规划（reflection-replanner）：若自验证不达标，用
Replanner.replan()增补针对性补救步骤 - 跨引擎记忆贯通（memory-cross-engine）：每个结果
MemoryBus.write("memory",...)并与目标link - 回归评测（agent-eval-harness）：
EvalHarness跑 4 个分类用例，量化pass_rate与是否回退 - 健康度综合：
health = 0.35*verify_gate + 0.30*eval_pass_rate + 0.20*reason_rate + 0.15*replan>=1health >= 0.85→ 判定"闭环可用"
用法
# 自检（真实跑通一次端到端闭环并断言健康度）
python scripts/integration_runner.py --selftest
# 真实跑一次
python scripts/integration_runner.py --goal "将条目分类并汇总" --items "量子计算" --items "苹果股价" --workdir ./run1
输出
健康度报告（JSON）：verify_gate / replan_count / reason_verify_rate / eval_pass_rate /
eval_regressed / memory_engines / memory_entries / health_score / verdict。
设计要点
- 真能跑：
integration_runner.py --selftest用含未知条目的样例真实触发一次反思重规划， 断言 verify_gate=True、replan>=1、eval_pass_rate=1.0、memory 覆盖全部输入、health>=0.85。 - 不空转：各引擎为硬依赖，导入失败即报错，确保闭环是真实串联而非话术。
- 可被度量：用 agent-eval-harness 量化通过率并检测回归，使"是否真超越"可观测。
自进化学习系统
本技能自身也遵循自进化：每次使用 record 回写成败、用户偏好，并据错误模式自动复盘改进。
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
超级智能体端到端闭环编排器。把分散的元能力(规划/执行/自验证/反思/记忆) 熔成一条可执行的自主闭环：拓扑挑选就绪节点→执行→可靠自验证门控→ 结果写入记忆→失败/卡死触发反思诊断。实体化"超级智能体闭环编排"。
由 model-distillation 从教师技能 super-agent-integration 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。
由 model-distillation 从教师技能 super-agent-bootstrap 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。
Comprehensive knowledge capture and retrieval system for URLs, video/article/paper extracts, social media posts, and agent research outputs. Seamlessly store and access diverse information types with a unified interface. Ideal for preserving and reusing valuable data from any source, ensuring no ins
1 installs
智能体回归评测：用一组回归测试用例驱动 agent 并量化通过率，与历史基线比对自动标记能力 回退，让超级智能体是否真在超越一线大模型变得可度量、可审计、可防止退化。