HumanLayer Skillsmemory file 如何在每次运行时注入 agent 上下文【免费下载链接】skills项目地址: https://gitcode.com/GitHub_Trending/skills53/skills你是否发现定时运行的 AI 编码 agent 每次都像失忆一样犯着同样的错误HumanLayer Skills是 HumanLayer 出品的 Claude Code 技能集其中的design-control-loop技能给出了一个巧妙的答案用一个版本控制的memory file如.github/agent-memory/task-slug.md在每次运行时确定性地注入 agent 上下文让人类反馈在多次运行之间持续生效。这篇文章带你完整拆解这套机制。为什么 agent 需要 memory file定时 agent 循环sensor → controller → actuator有一个天然弱点每次运行都是一个全新的 agent它不知道上次人类纠正过什么。SKILL.md的 Phase F 说得直白——A scheduled loop drifts without steering没有引导的定时循环会漂移。HumanLayer 的设计给了人类两条都在回路上的反馈通道memory/feedback file版本控制的 markdown 文件每次运行都载入 actuator 的上下文PR 上的/iterate评论维护者评论后agent 据此更新 PR并把可沉淀的反馈写回 memory file。相关文件SKILL.mdmemory file 长什么样memory file 就是一个普通 markdown 文件骨架来自 references/memory-template.md核心内容只有两个约定开头声明用途这是人环控制human-on-the-loop的引导通道每次运行都会加载编辑它改变的是未来行为而不仅仅是当前 PR一个## Guidance列表只放持久性指导永久性范围约束、已知误报区域、会改变未来选择的评审意见——而不是临时指令或单次运行日志。模板原文的措辞很值得玩味Keep durable guidance only — not one-off instructions or single-run logs.注入机制每次运行时它如何进入上下文这是本技能最关键的工程细节。在 references/workflow-template.yml 的 Actuator 步骤中workflow 只做了一件简单的事——读文件、拼进提示词MEMORY_CONTENT$(cat .github/agent-memory/task-slug.md)随后MEMORY_CONTENT被插值进 heredoc 构造的PROMPT与任务指令、controller 选中的工作目标一起作为## Agent Memory段落传给编码 agent CLI。这个设计的三个要点✅确定性注入不依赖 agent自己去找而是由 workflow 在 controller 之后、actuator 之前强制拼接每次运行都生效✅位置约定文件放在.github/agent-memory/task-slug.md与 workflow 一一对应进入版本控制、可 review、可回滚✅薄编排workflow 只是编排器agent 的行为判断放在技能与 memory 中提示词骨架见 references/prompt-template.md。/iterate人类反馈如何写回 memory file只读不写memory file 就永远是空的。HumanLayer 用/iterate补齐了写入这一环实现在 references/agent-iteration.ts维护者在 agent 创建的 PR 上评论/iterate 反馈workflow 通过 PR body 中的隐藏标记路由到正确的 workflowagent-iteration.ts --command prompt构建迭代提示词其中包含当前 PR 上下文 当前 Agent Memory 全文agent 更新 PR 代码并把持久性反馈蒸馏distill回 memory file——提示词明确要求保持简洁、可读不要追加原始对话或单次 PR 细节。这样形成一个正反馈闭环人类纠正一次 → agent 学习一次 → 未来每次运行都受益。真实案例React Doctor 的 memory 用法references/example-control-loop.md 给出了一个生产级单仓库中react-doctor循环的完整示例其 memory 条目包括修复useEffect问题时始终使用no-use-effect技能只在特定文件需要豁免时才忽略规则不要全局忽略。这类条目正是会改变未来选择的评审偏好的典型也正是 memory file 想要沉淀的内容。写好 memory file 的 3 条实践原则原则说明 只存持久指导范围排除、误报区域、评审偏好单次指令请留在 PR 评论里✂️ 保持精简由 agent 蒸馏而非追加流水账否则上下文越注越长、成本越高 单一事实来源规则别在 skill、prompt、memory 三处重复——规则归 skill持久反馈归 memory全流程一览从反馈到注入人类 /iterate 评论 → agent 更新 PR 并蒸馏反馈 ↓ memory file 更新进入版本控制 ↓ 下一次定时运行workflow cat 文件 → 拼入 PROMPT → 注入 agent 上下文 ↓ agent 带着历史教训执行 → 循环越跑越准配套参考控制回路组件与设计问题见 references/control-loop-taxonomy.md其中Memory被列为控制回路的标准部件之一——持久评审反馈与已知误报引导未来运行。总结HumanLayer Skills 的 memory file 机制本质是用版本控制 确定性插值解决了 agent 的跨运行记忆问题——注入靠 workflow 的一行cat成长靠/iterate的蒸馏。对想在 CI 里跑定时编码 agent 的团队来说这是一个可以直接抄走的轻量模式。【免费下载链接】skills项目地址: https://gitcode.com/GitHub_Trending/skills53/skills创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
HumanLayer Skills：memory file 如何在每次运行时注入 agent 上下文
HumanLayer Skillsmemory file 如何在每次运行时注入 agent 上下文【免费下载链接】skills项目地址: https://gitcode.com/GitHub_Trending/skills53/skills你是否发现定时运行的 AI 编码 agent 每次都像失忆一样犯着同样的错误HumanLayer Skills是 HumanLayer 出品的 Claude Code 技能集其中的design-control-loop技能给出了一个巧妙的答案用一个版本控制的memory file如.github/agent-memory/task-slug.md在每次运行时确定性地注入 agent 上下文让人类反馈在多次运行之间持续生效。这篇文章带你完整拆解这套机制。为什么 agent 需要 memory file定时 agent 循环sensor → controller → actuator有一个天然弱点每次运行都是一个全新的 agent它不知道上次人类纠正过什么。SKILL.md的 Phase F 说得直白——A scheduled loop drifts without steering没有引导的定时循环会漂移。HumanLayer 的设计给了人类两条都在回路上的反馈通道memory/feedback file版本控制的 markdown 文件每次运行都载入 actuator 的上下文PR 上的/iterate评论维护者评论后agent 据此更新 PR并把可沉淀的反馈写回 memory file。相关文件SKILL.mdmemory file 长什么样memory file 就是一个普通 markdown 文件骨架来自 references/memory-template.md核心内容只有两个约定开头声明用途这是人环控制human-on-the-loop的引导通道每次运行都会加载编辑它改变的是未来行为而不仅仅是当前 PR一个## Guidance列表只放持久性指导永久性范围约束、已知误报区域、会改变未来选择的评审意见——而不是临时指令或单次运行日志。模板原文的措辞很值得玩味Keep durable guidance only — not one-off instructions or single-run logs.注入机制每次运行时它如何进入上下文这是本技能最关键的工程细节。在 references/workflow-template.yml 的 Actuator 步骤中workflow 只做了一件简单的事——读文件、拼进提示词MEMORY_CONTENT$(cat .github/agent-memory/task-slug.md)随后MEMORY_CONTENT被插值进 heredoc 构造的PROMPT与任务指令、controller 选中的工作目标一起作为## Agent Memory段落传给编码 agent CLI。这个设计的三个要点✅确定性注入不依赖 agent自己去找而是由 workflow 在 controller 之后、actuator 之前强制拼接每次运行都生效✅位置约定文件放在.github/agent-memory/task-slug.md与 workflow 一一对应进入版本控制、可 review、可回滚✅薄编排workflow 只是编排器agent 的行为判断放在技能与 memory 中提示词骨架见 references/prompt-template.md。/iterate人类反馈如何写回 memory file只读不写memory file 就永远是空的。HumanLayer 用/iterate补齐了写入这一环实现在 references/agent-iteration.ts维护者在 agent 创建的 PR 上评论/iterate 反馈workflow 通过 PR body 中的隐藏标记路由到正确的 workflowagent-iteration.ts --command prompt构建迭代提示词其中包含当前 PR 上下文 当前 Agent Memory 全文agent 更新 PR 代码并把持久性反馈蒸馏distill回 memory file——提示词明确要求保持简洁、可读不要追加原始对话或单次 PR 细节。这样形成一个正反馈闭环人类纠正一次 → agent 学习一次 → 未来每次运行都受益。真实案例React Doctor 的 memory 用法references/example-control-loop.md 给出了一个生产级单仓库中react-doctor循环的完整示例其 memory 条目包括修复useEffect问题时始终使用no-use-effect技能只在特定文件需要豁免时才忽略规则不要全局忽略。这类条目正是会改变未来选择的评审偏好的典型也正是 memory file 想要沉淀的内容。写好 memory file 的 3 条实践原则原则说明 只存持久指导范围排除、误报区域、评审偏好单次指令请留在 PR 评论里✂️ 保持精简由 agent 蒸馏而非追加流水账否则上下文越注越长、成本越高 单一事实来源规则别在 skill、prompt、memory 三处重复——规则归 skill持久反馈归 memory全流程一览从反馈到注入人类 /iterate 评论 → agent 更新 PR 并蒸馏反馈 ↓ memory file 更新进入版本控制 ↓ 下一次定时运行workflow cat 文件 → 拼入 PROMPT → 注入 agent 上下文 ↓ agent 带着历史教训执行 → 循环越跑越准配套参考控制回路组件与设计问题见 references/control-loop-taxonomy.md其中Memory被列为控制回路的标准部件之一——持久评审反馈与已知误报引导未来运行。总结HumanLayer Skills 的 memory file 机制本质是用版本控制 确定性插值解决了 agent 的跨运行记忆问题——注入靠 workflow 的一行cat成长靠/iterate的蒸馏。对想在 CI 里跑定时编码 agent 的团队来说这是一个可以直接抄走的轻量模式。【免费下载链接】skills项目地址: https://gitcode.com/GitHub_Trending/skills53/skills创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
