你用 Hermes 和 OpenClaw 构建了一套 Agent 工作流，但建得越多，你就越没时间优化它们。

这就是"潜意识 Agent"存在的意义。和人类的潜意识一样，它在后台持续思考如何改进，帮助你的 Agent 每次运行都比上一次更聪明——brainstorm、debate、refine，然后把结果写回系统。

这就是"猜测改进"和"持续进化"的区别。

意味着更少的：

  • 后台焦虑
  • 手动运维
  • 重复调试
  • 心理负担

和更多的：

  • 交付
  • 实验
  • 积累

大多数 Agent 系统以同样无聊的方式崩溃

  • 需要人盯着
  • 会漂移
  • 在模糊探索上烧 token
  • 有产出，但没有 momentum

这就是陷阱。你花在管理系统上的精力，比使用它还多。

潜意识 Agent 翻转了这个逻辑。

不再问"这个 Agent 现在该干什么"，而是持续问：

  • 我们学到了什么？
  • 什么失败了？
  • 下一步该试什么？
  • 需要什么护栏？
  • 什么应该冻结，直到它赢得信任？

这就是一个省时间、省精力、省 token、让整个技术栈有点魔力的系统。

小而执拗的循环

1. 系统收集上一次运行的证据 2. 生成候选想法 3. 用更聪明的 Agent 对这些想法进行辩论和反驳 4. 综合出一个可接受或拒绝的建议 5. 把结果写入状态 6. 下一次运行从更新后的状态开始，而不是从零开始

最后一步才是真正的解锁。大多数系统的"记忆"是松散、模糊的。这套系统的记忆方式是：保留胜利方向、被拒绝的路径、以及下一次改进，持续写在持久化的工作空间里。

所以机器不只是回答，它学会如何更好地回答。

这是人们通常会跳过的那部分。

一个自改进 Agent 系统需要什么

至少需要一个协调器来控制整个周期：

  • 加载 brief
  • 获取当前状态
  • 运行 ideation
  • 运行 critique
  • 运行 synthesis
  • 写入产物
  • 移交结果

系统需要记忆能穿越进程重启。通常意味着：

  • JSON：当前摘要和治理规则
  • JSONL：只追加的历史
  • Markdown：人类可读的输出
  • 稳定的目录结构，让后续运行能从上一次结束的地方继续

没有持久化状态，系统无法改进。它只是在重复同样的对话。

何时运行这个循环

  • cron 调度
  • 新指标到达后
  • live signal 变化后
  • 手动 review 请求后

对给定工作流每天运行多少次要现实。太多运行会导致过度偏离原始原则。

输出传输

循环产生的输出需要送到有用的地方：

  • Discord（作者的配置）
  • Telegram
  • 文件路径
  • Dashboard
  • 任务队列

传输层要和推理层分离。这防止模型和某个输出通道紧耦合。

不同阶段用不同模型

  • 便宜的本地模型用于 ideation
  • 更强的模型用于 challenge 和 synthesis
  • 执行模型用于产物生成或最终写入

这个组合才能保持成本可控和质量在线。

如果系统可以直接发货而无需人类检查，那你已经不是在建助手循环，而是在建自动驾驶仪。这个模式把审批放在最后，让系统聪明但不鲁莽。

文件系统写入方式

循环需要以可预测的方式写回文件系统。比如：

  • ideas/ideas-internal.jsonl
  • debate/debate-log.jsonl
  • winning-concept.md
  • improvement-backlog.md
  • run-summary.json

这些就是系统的记忆。

最小可行架构

your-system/ runner/ run.js cron.js transport.js state/ governance.json memory.jsonl outcomes.jsonl latest-summary.json runs/ current-run/ ideas/ debate/ recommendation/ winning-concept.md improvement-backlog.md run-summary.json targets/ content-daily.js briefs/ content-daily.md

目录可以重命名，但保持分离：

  • runner 代码
  • 持久化状态
  • per-run 产物
  • target 定义
  • 人类可读的 briefs

护栏规则

  • 证据优先
  • 显式状态而不是模糊观点
  • 最后有一个人类审批门
  • 零确认的 cluster 不能自动升级
  • 一个 seed 可以通过手动 review 门重新进入
  • 下一次运行必须把学习写回状态

伪代码

load brief load recent state load recent memory load governance rules ideas = generate_candidate_directions(brief, state) curated = select_strongest(ideas) for idea in curated: debate = challenge_and_defend(idea, brief, state) if debate converges: synthesize = produce_final_recommendation(debate, brief, state) if human_approval_required: write_artifacts(synthesize) persist_learning(synthesize, state) deliver_output(synthesize) else: stop

关键顺序：

  1. 检查状态
  2. 生成选项
  3. 挑战弱想法
  4. 选出一个强方向（如果可能）
  5. 持久化结果
  6. 让下一次运行更聪明

跳过持久化，循环就坏了。

可配置的部分

让 LLMs 可以自定义的部分：

  • 什么算证据
  • 显式状态是什么
  • 何时冻结输出
  • 何时允许重新进入
  • 审批门长什么样
  • 下一次运行应该改进什么

如果你在构建 AI agents、vibecoding 工具或任何自动化工作流，潜意识层值得一试。它帮你从"我的 agents 产出东西"到"我的 agents 改进自己"。这是一个更强的起点。