一句话看懂：AI 终端公司 Warp 在 Claude 平台上用一套基于 Agent Skills 的“双技能”架构，把用户反馈自动转化为智能体的技能更新，让代码审查等智能体在使用中持续自我改进。这套模式已被用于其全开源仓库，并对外开放方法论。
事件核心：发生了什么
Warp 是成立于 2020 年的 AI 终端与智能体开发环境公司，创始人兼 CEO 为 Zach Lloyd，目前已完成 7300 万美元融资，月活开发者 80 万，财富 500 强中 56% 的公司使用其产品。其内部代码审查智能体曾因输出质量低、评论无用而遭工程师抱怨。团队尝试手动重写提示词、补充 AGENTS.md 等止损方案，但都难以规模化。
最终 Warp 在 Claude 平台上构建了一套自我改进循环：底层基础技能（base skill）保存领域知识和执行指令；外层改进技能（improver skill）作为观察者按计划运行，拉取人类对智能体输出质量的反馈，与智能体建议逐条比对，生成对基础技能的小而聚焦的修改建议。这些修改以普通文件形式存在，可走 PR/代码审查流程合并，合并后下一次任务即自动继承改进。目前 Warp 已在其整个开源仓库中运行该模式，覆盖规格编写、代码审查、故障分类等不同智能体。
为什么重要
行业普遍做法是把知识写死在系统提示词中，反馈在会话结束后即丢失。Warp 的核心突破在于将“自我改进”从一次性优化变为可累积、可审查的循环。它把 Agent Skills——基于文件的技能编码——作为知识的持久层，让反馈不再依赖重新设计提示词，而是通过标准代码工作流完成更新。
这套方案对智能体工程有明显参考价值：文件即知识，智能体善于更新文件而非重写提示词；反馈闭环不需要重新训练大模型，而靠结构化的人类反馈精炼技能。Warp 将其描述为“非常简单的框架”，这使同样的模式可以被其他团队低成本复制。
对用户/开发者/创作者的影响
对开发者而言，这套模式可直接用于内部工具：当智能体输出不理想时，用“改进技能”收集反馈并自动更新基础技能，能显著减少人工重写提示词的工作量。Warp 还给出了具体写作建议——写原则而非规则、解释规则背后的原因、让反馈给出更容易——这些都有助于普通团队在 Claude Code 或类似平台上搭建自己的自改进智能体。
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。
对企业采购方而言，这一案例表明基于文件技能的知识更新比重新提示或微调更轻量，且可审计、可回滚，适合有代码审查流程的团队。对创作者而言，Warp 的反馈机制设计同样适用于内容生成智能体，用结构化反馈替代一次性评分，可让输出持续贴合个人风格。
值得关注的后续
目前公开信息显示，Warp 尚未单独发布这套框架的通用版，其现有实践绑定在内部智能体编排平台 Oz 上。值得关注三点：一是 Warp 是否将这套“base + improver”模式打包成可复用的公开开源模板或 Skill 市场；二是 Claude 平台的 Agent Skills 是否会被更多团队用于多步任务，形成类似生态；三是 Warp 公布的数据中，40M 次 Agent 对话、400K 周均 Claude Code 会话量是否还会随这套自我改进系统加速增长。
