Warp CEO 的 Claude 实战：用双 Skill 把人类反馈编译为 Agent 改进

原文链接：https://mp.weixin.qq.com/s/vIJ5uP5dcUd87Smi2BuP-w
原始案例：https://claude.com/blog/how-warp-builds-self-improving-agents-on-claude
来源：Datawhale 对 Warp CEO 案例的整理
获取时间：2026-09-01

核心结论（一句话）

可持续改进不是让 Agent 从一次对话自动“记住”，而是将可解释的人类反馈交给独立 improver，生成可审查、可回滚的最小 Skill 变更，并以验证与人类审批决定是否进入默认行为。

分类提炼

场景：code review、issue triage、spec-writing 等可反馈 Agent
类型：基于文件的 Skill 改进工作流与客户案例
标签： #主题/AI-Agent #主题/自我改进 #主题/Skill #主题/人类反馈 #主题/Harness #场景/公众号长文

知识节点

反馈蒸发：只在会话里纠正 Agent 不会改变下一轮行为，导致同类错误重复出现。
双Skill闭环：base skill 承担任务执行，improver skill 按计划聚合反馈并提出更新建议。
最小变更PR：候选经验应收敛为对具体 Skill 的小型 PR，而不是无边界重写 prompt。
程序性知识：稳定的任务规范应放入可版本化、可审查、可复用的 Skill，而非动态 Memory。
解释型反馈：反馈同时说明期望行为和理由，才能使 Agent 在相邻场景中泛化。
渐进披露：Skill 应保持小，详细资源与脚本按需引用，避免把完整知识库一次塞入上下文。
验证门禁：反馈源、回归证据和人工 review 共同防止错误经验成为长期默认规则。
共享改进器：共性改进逻辑可由少数 improver 复用，领域差异再叠加局部权重。

关联图谱

上游（基于 / 来自）

[[01-ai-agents/Skill-Self-Evolution]]：提供从任务轨迹归纳、验证和优化 Skill 的研究路径。
[[01-ai-agents/腾讯-AI-Agent-Skill-测评方案落地]]：为候选改动提供基线、评分器和稳定性检查方法。

下游（应用于 / 验证于）

[[01-ai-agents/若飞-Agent-记忆与可验证自我改进怎么设计]]：把反馈候选如何准入、读取、发布和回滚扩展为受治理经验系统。
[[01-ai-agents/一篇讲透Agent自进化飞轮怎么搭-评测→记忆→落地→控制]]：将这类 Skill PR 放入评测、记忆、候选发布和控制面的全链路飞轮。

同级（横向 / 并列）

[[01-ai-agents/Lilian-Weng-Harness-Engineering-自我改进]]：从 Harness 视角解释为何评测与不可编辑的控制边界应位于自改进循环之外。

正文要点

Warp 的案例说明，部分正确的 code review Agent 仍可能因噪声严重损害体验；手动调 prompt 或增加 AGENTS.md 只能局部修补，核心缺口是反馈未跨会话沉淀。
base skill 保存领域指令，improver skill 从积累的人类反馈、原始建议及任务上下文中识别系统性问题，并只建议最小的 base skill 编辑。
Skill 作为文件资产进入正常 PR 流程。这样每次“学到”的规则都有变更说明、review、批准、版本历史与回滚路径。
ready to spec 漏标案例表明，带理由的维护者反馈可被转成精确的判定条件；improver 将它制成候选规则，而非把单个事件直接写成永久结论。
高质量 Skill 写原则并解释原因，保持短小并按需加载资源；反馈入口则应嵌入已有工作环境，减少人为收集成本。
自我改进应预设反馈会错。可验证任务优先建立 harness 和确定性检查；不可验证任务限制专家反馈，并让最终审查保持人类控制。

备注

Warp 的“约 80% 正确率”、产品用户规模、融资额、运行范围与改进效果来自客户案例转述，未独立复核。
该模式适合稳定、可验证、低副作用的任务先行。直接将反馈自动写入高风险或开放式任务规范，可能放大偏差。

相关链接

[[01-ai-agents/一篇讲透Agent自进化飞轮怎么搭-评测→记忆→落地→控制]]
[[01-ai-agents/若飞-Agent-记忆与可验证自我改进怎么设计]]
[[01-ai-agents/Skill-Self-Evolution]]
[[01-ai-agents/腾讯-AI-Agent-Skill-测评方案落地]]