Cognee-Skills

Cognee-Skills

Cognee-Skills

Cognee-Skills是一个将传统静态SKILL.md文件升级为动态、可自进化系统组件的AI Agent技能框架。由Vasilije（@tricalt）于2026年3月12日发布，建立在cognee开源知识引擎之上。

核心能力

  • 技能自进化：通过观察失败、追溯根因、自动修正和评估迭代，实现技能的自我优化
  • OODA闭环：观察(Observe)-判断(Orient)-决策(Decide)-行动(Act)的完整循环
  • 知识图谱记忆：将技能作为"活节点"存入Neo4j知识图谱，结合向量索引实现结构化与非结构化记忆
  • 影子评估：在评估数据集上并行运行新旧版本，量化改进效果并防止退化

五步闭环

  1. Skill Ingestion：解析SKILL.md文件夹，生成TaskPattern、SkillResource等图谱节点
  2. Observe：每次执行后记录任务输入、执行结果、具体错误、用户反馈和上下文快照
  3. Inspect：失败累积到阈值时触发图遍历分析，定位共同失败模式
  4. Amend：通过.amendify()函数基于历史失败证据生成最小化修改建议
  5. Evaluate & Update：影子A/B测试验证后版本化上线，支持回滚

与传统方案对比

维度 传统SKILL.md DSPy LangGraph cognee-skills
记忆类型 无 临时优化 状态机 持久图谱+向量
失败追踪 手动日志 无 部分 全链路观察节点
自动修正 无 编译器优化 无 .amendify()
评估闭环 无 单次 无 影子A/B测试
生产可维护性 极差 中 中 高（审计+回滚）

与现有维基概念的关联

  • [[ai-junior-engineer]]：cognee-skills的自进化能力可视为"AI初级工程师"的自我提升机制，减少人工"技术主管"的指导负担
  • [[context-engineering]]：通过自动化观察和修正来管理上下文，是高级上下文工程实践
  • [[大模型作为论证机器]]：影子评估环节用数据（成功率）而非模型自身的"论证"来验证修正有效性
  • [[verification-and-rework-cost]]：通过自动化观察、检查和评估，降低技能失效带来的隐性维护成本

已知局限

  • 自动修正依赖LLM生成补丁，可能引入新幻觉或错误
  • 影子评估消耗额外Token，需通过采样策略控制成本
  • 新技能冷启动需要人工标注种子观察数据
分享到