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"。
记忆
super-agent
试用超级智能体闭环（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。
它能做什么
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。
技能文档
super-agent —— 超级智能体闭环
把分散的「超越性」元能力熔成一条可持续运转、且自我增强的 agent 主循环。 这是从「强模型」迈向「超级 agent」的关键整合跃迁：单点能力再强，不串成闭环也 只是工具；闭环一旦成型，agent 就能自主把遥远目标拆成可续做的路线、边做边验证、 做完即反思、反思即记忆、记忆即下一轮更聪明的规划。
闭环六阶段（loop.py 真实编排）
| 阶段 | 调用能力 | 作用 |
|---|---|---|
| ① 感知 Sense | meta-evolver skill-self-improve | 刷新全局能力图、读取记忆与当前状态 |
| ② 规划 Plan | long-horizon-planner + proactive-goal-setter | 生成长程路线图、选定本轮最该推进的目标 |
| ③ 执行 Execute | toolchain-orchestrator + tool-use + rag | 编排工具链、调用工具、检索外部知识 |
| ④ 自验证 Verify | reason-verify + code-self-verifier + self-eval | 命题矛盾检测、事实锚定、代码自测、rubric 自评 |
| ⑤ 反思 Reflect | self-reflection-loop | 对照目标评估、定位偏差、产出改进意图 |
| ⑥ 记忆 Memorize | continual-memory-engine | 把经验/偏好/失败模式固化，跨会话越用越强 |
闭环可断点续跑（状态落盘），天然具备 long-horizon 属性。
使用
# 启动一次完整闭环推进（自动调用既有超越性技能脚本）
python super-agent/scripts/loop.py \
--goal "把我的技能生态做成可售卖的 ClawHub 店铺并持续获客" \
--max-steps 6 --out run_report.json --state state.json
# 仅生成路线图（委托 long-horizon-planner）
python super-agent/scripts/loop.py --goal "..." --plan-only
集成契约
loop.py通过真实子进程调用既有技能脚本：long-horizon-planner/scripts/planner.py（路线图）、reason-verify/scripts/verify.py（自验证）。找不到时优雅降级为内置逻辑， 保证闭环在任何环境下都能跑通。- 每个阶段产出结构化事件，最终聚合成
run_report.json：含各阶段状态、发现的偏差、 下一步动作、置信度——可直接喂给下一轮，构成持续自进化轨迹。
自我进化
本技能自带 learner.py 自进化闭环（由 skill-self-improve 注入）。每次运行后，
把「哪类目标最难推进 / 哪个阶段最易失败 / 哪些能力组合最有效」记入 learned_patterns.json，
下一次自动调优编排策略。
相关技能
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。
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 次安装
由 model-distillation 从教师技能 agent-society-protocol 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。