Warp 自改进 Agent 架构深度解读：基于 Claude Skills 的反馈闭环实践

Warp 自改进 Agent 架构深度解读：基于 Claude Skills 的反馈闭环实践

来源：Anthropic 官方博客，2026 年 8 月 26 日发布，作者 Michael Segner。
Warp：融资 $73M，80 万月活开发者，财富 500 强 56% 在用，Claude Code 会话 1000 万+。

问题：Agent 的反馈在会话结束后消失

Warp 是一个 AI 驱动的终端和 Agent 开发环境，基于 Claude Platform 构建。团队在内部代码审查 Agent 上遇到了一个典型痛点：Agent 给出了无用评论和低质量输出。

尝试过的中间方案

方案 效果 局限
手动重写 Prompt 输出更可用 不可扩展——每次失败都要手改
改进 AGENTS.md 上下文文件 有帮助 远非完整修复
根本问题 反馈在会话结束时消失，关键上下文从 Agent 循环中丢失 —

Warp 团队最终意识到，无论 Agent 的用途是什么，对它的反馈通常在会话结束后就消失了。解决方案：基于 Agent Skills 的框架创建自改进 Agent，让反馈随时间积累，持续优化输出。

核心：双层 Skill 自改进架构

Warp 演化出的自改进 Agent 架构由两个 Skill组成，中间嵌入人类反馈：

                    ┌─────────────────────┐
                    │  外层 / Improver Skill │
                    │  （观察者 Agent）        │
                    │  - 定时调度（非每任务）   │
                    │  - 拉取累积的人类反馈     │
                    │  - 对比 Agent 建议 vs   │
                    │    人类响应              │
                    │  - 提议对 Base Skill     │
                    │    的小型聚焦编辑         │
                    └──────────┬──────────┘
                               │ 提议 PR
                               ▼
                    ┌─────────────────────┐
                    │  内层 / Base Skill    │
                    │  （功能领域知识）        │
                    │  - PR 打开时执行        │
                    │  - 持有领域知识和指令     │
                    │  - 生成 Agent 输出      │
                    └──────────┬──────────┘
                               │ Agent 输出
                               ▼
                    ┌─────────────────────┐
                    │  人类反馈              │
                    │  - 在 PR/Issue 上评论   │
                    │  - 具体说明为什么好/差   │
                    │  - 低摩擦捕获           │
                    └─────────────────────┘

内层 / Base Skill

持有功能领域知识和指令。例如 PR 打开时，Warp 的代码审查 Agent 使用 Base Skill 和上下文生成审查意见。

关键：Skills 是纯文件——Agent 非常擅长更新它们。更新可走正常的 PR/代码审查工作流；合并后，下一次运行内层 Skill 即继承改进。

人类反馈

"一个人可以说'这是个好评论'，但也可以给出详细原因——比如'你建议重命名这个变量，但我们代码库的全局变量命名约定是特定的'——这告诉 Agent 下次怎么做对。"——Zach Lloyd，Warp 创始人

反馈越具体越好。二元赞踩不够——需要解释为什么。

外层 / Improver Skill

作为观察者 Agent按计划运行（非每任务触发）。它拉取累积的人类反馈，对比 Agent 建议了什么 vs 人类如何回应，然后对 Base Skill 提出最小化聚焦编辑。

"文件化 Skills 是编码 Agent 知识的方式——不把知识直接放 Prompt 里，而是让 Agent 在工作过程中查阅。框架其实很简单：一个领域特定 Skill + 一个改进者 Skill。简单性就是这个方法的美。"——Zach Lloyd

Warp 现在在整个开源仓库上运行这个模式——独立的规格编写 Agent、审查 Agent、分诊 Agent，每个都有自己的自改进循环。

实战案例：Issue Triage Agent

触发流程

用户提交 GitHub Issue
        │
        ▼
GitHub Action 触发 Agent
        │
        ▼
  ┌─────────────────────────────────┐
  │  内层 Skill（Triage 领域知识）     │
  │  - 分析 Issue 复杂度和可行性       │
  │  - 分配标签（label）              │
  │  - 建议修复方向                   │
  └──────────────┬────────────────┘
                 │ Agent 输出
                 ▼
  维护者在 Issue 上留反馈
  （解释期望什么 + 为什么期望）
                 │
                 ▼
  ┌─────────────────────────────────┐
  │  外层 Skill（Improver Agent）      │
  │  在 Oz 平台上定时运行：              │
  │  1. 认证 GitHub                   │
  │  2. 运行 Skill 自带 Python 脚本    │
  │     拉取带反馈的近期 Issues         │
  │  3. 汇总为 JSON 文件               │
  │  4. 读回上下文                     │
  │  5. 识别具体反馈信号               │
  │  6. 提议最小编辑                   │
  │  7. 开 PR 编辑内层 Skill            │
  └─────────────────────────────────┘
                 │
                 ▼
  人类审查 → 批准 → 合并
  → 下次 Triage 继承新知识

具体案例

在某次 Issue 分诊中，内层 Skill 表现不错但漏了一个标签 ready to spec（表示贡献者可以开始编写产品和技术规格）。一位 Warp 维护者在 Issue 上直接留了反馈——关键是他解释了期望什么以及为什么期望：

"当 Issue 描述了一个真实问题，即使确切的 UI/UX 形态尚未定义，也应该标 ready to spec。"

Improver Skill 识别了这个反馈信号，提出对内层 Skill 的最小编辑：在满足条件时自动应用 ready to spec 标签。它开了 PR 编辑内层 Skill，PR 描述解释了哪些信号促使了变更以及改了什么。人类审查、批准、合并后，下一次运行 Triage Skill 就继承了新知识。

关键设计

  • Skill 自带脚本：Improver Skill 自带 Python 脚本拉取带反馈的 Issues——Skills 可以引用资源文件而非每次重写代码
  • PR 描述解释变更：不是黑箱——PR 描述清楚说明哪些反馈信号促使了什么变更
  • 人类关闭循环：最终合并步骤由人类完成，保持对实际变更的控制

六条 Skill 编写最佳实践

1. 写原则，不是规则

"像指导一个聪明人那样构建 Skill，而不是像给计算机编程。"——Zach Lloyd

反面 正面
详尽的变量命名规则（规则） "寻找重复代码"（原则）

原则让 Agent 推理而非执行死板指令，泛化能力更强。

2. 解释 Why

提供规则背后的原理，让 Agent 能够对问题进行推理，而非遵循僵硬指令。

3. 让反馈零摩擦

在人们已经工作的地方捕获反馈——直接在 PR 或 Issue 上评论。自动捕获，无需额外提交步骤。

"低摩擦是让信号持续流动的关键。太难了你就得不到反馈，就没法改进 Skill。"——Zach Lloyd

4. Skill 保持小 + 渐进式披露

好的 Skill 文件不大——它引用资源文件和脚本，而非一次性把所有内容塞进上下文。

5. 反馈质量 > 数量，但数量有帮助

反馈类型 价值
少量详细领域专家反馈 极高——包含 Agent 无法获取的领域知识
大量粗略赞踩反馈 低——不说明"为什么"
大量详细反馈 最高——Warp 有数百人贡献，数千次代码审查

"来自资深工程师的小量详细领域反馈，比大量粗略反馈更有价值。"——Zach Lloyd

6. 在 Improver Skill 上投入额外精力

写 Improver Skill（观察者 Agent）的投入回报超出当前 Agent 循环——因为 Improver Skill 在不同用例间高度可复用。

"代码审查 Agent 的 Improver Skill 和任何其他 Agent 的 Improver Skill 没有太大区别。"——Zach Lloyd

五个常见问题

Q1：Skill 和 Memory 混淆了？

Skills Memory
本质 程序性、稳定 自动写入
内容 "如何做 X" Agent 在推理时写
运行无关 是——跨运行一致 否——永不停变化
变更方式 刻意的人类审批 Agent 自主更新

Q2：需要一个还是多个 Improver 循环？

折中方案：模板化基础循环捕获 Agent 间的共性，叠加领域特定权重。少数 Improvers 各自负责一个；上百个应该共享。

Q3：反馈是错的怎么办？

假设反馈会是错的。不要让 Agent 盲目接受——给它上下文做 sanity-check、过滤谁的反馈算数、在过滤或最终审查阶段保持人类在环。

Q4：你的领域可验证吗？

先建验证 Harness，再让 Agent 对标调优：生成参考语料 → 对比输出与参考 → 修复 → 重复。

Q5：不可验证的领域呢？

在有 Golden Output 的地方用确定性评估。必须用人类反馈时，限制在领域专家——不要开闸放水。

Q6：怎么知道整个系统在改进？

追踪人类已经在看的全局指标——合并时间、贡献者数量、成本——反馈给 Improver Agent。部署走 crawl-walk-run 渐进策略。

技术栈全景

层 技术 说明
终端 Warp AI 驱动终端和 Agent 开发环境
核心语言 Rust + Golang 高性能终端 + 后端服务
CI/CD GitHub Actions 触发 Triage Agent
Agent 编排 Oz（内部平台） 定时调度 Improver Agent
LLM 平台 Claude Platform Agent 推理引擎
Skill 存储 Git 仓库中的文件 版本化、可审查、可合并

规模数据

指标 数值
融资 $73M
月活开发者 800,000
财富 500 强渗透 56%
Claude Code 会话总量 10,000,000+
每周 Claude Code 会话 400,000+
Warp Agent 对话总量 40,000,000+

与 Claude AI-Native SDLC Playbook 的关联

本文的 Self-Improving Agent 架构与上一篇 Claude AI-Native SDLC Playbook 中的Skills 体系直接呼应：

Playbook 概念 Warp 实践
Skills = 策略即代码 Base Skill 编码领域知识，版本化在 Git
治理即代码 Improver Skill 提议变更走 PR 审查流程
人类聚焦判断 人类审批 Skill 变更，关闭循环
制品链 = 审计轨迹 Skill 文件的提交链 = 改进历史

Warp 的实践是 Claude AI-Native SDLC Playbook 中 Skills 理念的最佳工程验证——不是理论，而是支撑 80 万开发者的生产系统。

总结

Warp 的自改进 Agent 架构核心思想极其简洁：Agent 的反馈不应随会话消失，而应编码为版本化的 Skill 文件，随时间积累改进。

三个核心洞察

  1. 双层 Skill 架构：内层做执行（领域知识），外层做改进（观察+提议），中间嵌人类反馈
  2. Skill 是纯文件：Agent 擅长更新文件，更新走正常 PR 审查，人类保持控制
  3. Improver 高度可复用：不同领域的 Improver Skill 差异不大，投入一次多次复用

适用范围

任何 Agent——无论什么任务——只要从一开始就构建反馈循环（捕获人类反馈→转为 Skill 更新→扩展为跨组织的能力系统），就能随时间持续改进。Warp 已在 spec-writing、review、triage 三个 Agent 上验证了这一模式，支撑数百人贡献、数千次代码审查的开源仓库。

来源：How Warp builds self-improving agents on Claude — Anthropic Blog
作者：Michael Segner
发布日期：2026 年 8 月 26 日

posted @ 2026-08-29 09:47  iTech  阅读(15)  评论(0)    收藏  举报