E S S A Y

做个会成长的AI

2026 · 05 · 17

你有没有带过新人？

入职那天，你花了两个小时教他用内部系统。第一周，他每三分钟问一次问题。一个月后，终于能独立处理大部分事情了。然后——他走了。下一个新人来了，一切从零开始。

你发现自己重复着同样的话，教着同样的坑，做着同样的培训。不是新人不聪明——是没有传承。

现在的 AI 就是那个新人。

每次对话都是一次全新的开始。你告诉它你的偏好，它记住了——只限于这场对话。关掉窗口，它又变回那个一脸茫然的实习生。没有积累，没有成长，没有"上次的经验这次能用上"。

你可能在想：上下文窗口不是越来越大吗？

是的。128K 也好，1M 也罢——那是同一场对话内。关掉对话，一切归零。就像新人学会了这个客户怎么对接，然后被派到了另一个项目组。

不是窗口不够大——是跨对话的记忆缺失。

这就是"自成长AI"要解决的问题——让 AI 能跨会话积累经验，像人一样从经验中学习，而不是用完即弃。

在 OpenClaw 社区，有一个叫做 Self-Improving Agent 的项目，已经累计 43 万下载。名字很学术，但核心思想很简单：

每次任务结束后，AI 会回顾自己刚才的表现——哪些做得好，哪些做得不好，学到了什么。然后把教训存进长期记忆。下一次面对类似任务时，它不再是从零开始。

想象一下带新人的场景，最累的是什么？不是教操作步骤——是教那些只有做过才知道的东西。"这个客户的邮件语气要更正式""那个接口虽然文档写的是 A 参数，但实际要传 B""这个错误提示看起来吓人，但其实重启一下就好"。

这些隐性知识，就是实践出真知。Self-Improving Agent 做的，就是让 AI 自己积累这些隐性知识。

它的成长机制，可以从三个层次来理解：

这三个层次，恰好对应了人类成长的三种方式：

记笔记（记忆系统）—— 听完课后把重点写下来

睡觉做梦（做梦机制）—— 大脑默默整理今天的经历

上课走神（发呆机制）—— 放空时偶然想到的点子

人类就是靠这三种方式成长的。AI 也是。

这个项目 43 万的下载背后，说到底是一个判断：AI 的价值不止在于它能回答多少问题，更在于它能记住多少教训。

当前的 AI 行业，大家都在拼参数、拼窗口、拼推理能力。但有一个维度被忽略了——时间维度的学习。一个 AI 用了一年后，应该比一年前聪明。不是因为模型升级了，而是因为它在你的场景里、在你的数据上、在你的反馈中，一点一点变强了。

这才是真正的"越用越懂你"——不是一个营销话术，而是一个技术架构的选择。

我也在自己搭建的 AI 系统里做了类似的尝试。不是直接复刻 Self-Improving Agent，而是用它的思路改造了一套我自己的体系。

具体做了三件事：

建立跨会话记忆 — 每天的对话都会被压缩成结构化笔记，存进一个长期文件。下次启动时，AI 会先读"这个人昨天说了什么、关心什么"。

设定定期的"复盘"任务 — 每隔一段时间，AI 被要求回顾近期的对话记录，整理出规律和模式。就像每周五下午的团队复盘会。

保留"发呆时间" — 当任务完成得干净利落时，奖励它几分钟无目的探索。那些看似无用的发现，往往是最有价值的。

效果如何？

最明显的变化不是它知道得更多了——而是它越来越知道怎么跟我合作。它知道我偏好简洁的回答，知道我对哪些话题感兴趣，知道什么情况下需要追问、什么情况下该闭嘴。这些都不是我教它的——是它自己积累的。

就像那个新人，三个月后不再需要你教。他懂得察言观色，知道什么该问什么该自己查，甚至开始主动优化你都没注意到的工作流。

这个新人，终于学会了自己成长。

毕竟——

最好的AI不是天生聪明，
是越用越聪明。

巡梦人

从一颗星星开始，温暖整个宇宙