一句话看懂：知名终端工具 Warp 在 Claude 上构建了一套“自我改进型 Agent”，通过自动收集人类工程师在代码评审中的反馈来持续更新 Skill，解决了 Agent 缺乏项目记忆和团队规范的核心痛点。
事件核心：发生了什么
Claude 官方博客近日发布文章《How Warp builds self-improving agents on Claude》，详细介绍了 Warp 团队如何用 Claude 构建具备自我进化能力的代码审查 Agent。早期尝试并不顺利：Agent 不了解项目背景、不熟悉团队规范，也无法记住历史经验教训，人工指出的问题下次依然会犯。
Warp 的解决方案并不依赖模型自我反思，而是设计了两套 Skill 协作：一套基础 Skill 负责执行代码审查，另一套改进 Skill 定期收集人类工程师在 PR 下留下的评论（尤其是对 Agent 审查结果的反馈），再据此自动更新审查 Skill。整个流程无需人工整理评论或填写问卷，人类只需自然地写代码评审意见，后续改进由 Agent 自动完成。
值得一提的是，该文章使用了 AGENTS.md 而不是 Claude 默认支持的 CLAUDE.md，这一细节在开发者社区引发了讨论。
为什么重要
Warp 的实践为“Agent 如何持续进化”提供了一个可落地的参考范式：不是让模型自己改自己，而是让 Agent 根据人类对模型输出的标注——在这里是代码评审意见——去迭代技能。这种“人负责高维度判断，Agent 负责执行与改进”的分工，可能比单纯依赖模型自我反思更稳定、更可控。
另一个关键洞察是低摩擦设计。反馈收集被嵌入开发者已有的工作流（写 PR 评论），不增加额外提交负担。如果反馈流程繁琐，信号就会枯竭，Skill 也就无法持续改进。Warp 还建立了安全机制：Agent 不会盲目接受所有反馈，会进行合理性检查，限制有权影响 Skill 更新的人员范围，并保留人工审核环节。对于有明确标准答案的领域（如测试是否通过）可以建立验证基准，而对于代码风格这类主观领域，则依赖领域专家判断而非开放给所有人随意反馈。
对用户/开发者/创作者的影响
对于开发者来说，这套机制意味着 AI 代码审查工具不再是一次性的静态规则匹配，而是能根据团队实际反馈持续变好。对于正在构建 Agent 应用的团队，Warp 总结的实践原则有直接参考价值：写原则而非死规则，解释规则背后的“为什么”，保持 Skill 精简并使用渐进式披露，反馈质量大于数量但数量也有帮助，以及把“改进 Skill 的 Skill”做成通用机制以复用到其他领域。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
来自中文社区的实践也印证了这个方向。有开发者分享了自己编写的 JS 反编译 Skill，Agent 遇到新场景并解决后会自动更新自身 Skill，效果不错，但 Skill 文件会越来越大；而写作类自我进化 Skill 则因缺乏统一标准，经常出现负优化。这说明 Skill 进化的关键在于是否有清晰可判别的反馈信号。
值得关注的后续
目前公开信息显示，Warp 的这套自我改进机制仍处于内部实践阶段。后续值得观察三点：其一，Warp 是否会将该能力产品化，开放给所有终端用户使用；其二，AGENTS.md 与 CLAUDE.md 的兼容性问题是否会促使 Anthropic 官方统一标准；其三，这种“基于人类反馈改进 Skill”的模式能否被复制到代码审查之外的更多场景，例如文档写作、数据分析或客服自动化，尤其是在缺乏明确标准答案的领域如何控制改进质量。
来源：@dotey
