feedback-memory

自学习 Agent 搭建

一种简单实用的模式，让 AI Agent 记住你的业务，并从你给出的每条纠正意见中学习。无需框架：一个存放品牌文件的文件夹、你现有的数据库，以及一张反馈表。

我在韩国经营一家由我独自打理的教育业务，就是这么做的。Agent（Claude Code、Codex）负责起草帖子和回复。我通过手机审批、编辑或拒绝。每项决定都会存入数据库，下一份草稿在写下任何内容之前，都会先读取这些记录。

这个仓库提供了最简模式和提示词。完整指南是一份免费的 23 页实战手册（链接见文末）。

当这个 Agent 带着一个目标运营一家业务 72 小时后，结果如何？数据见：DEV 上的复盘文章。简而言之：产品从来不是问题所在。

一分钟体验

在浏览器中运行，无需安装： https://ssap-pa.github.io/self-learning-agent-setup/（通过 PGlite 运行 Postgres + pgvector，通过 Transformers.js 运行 all-MiniLM-L6-v2 嵌入模型，全部在浏览器标签页中运行，无需 API 密钥）。

本地运行：

git clone https://github.com/ssap-pa/self-learning-agent-setup
cd self-learning-agent-setup/demo
npm install
npm run demo

它会启动一个内存中的 Postgres（PGlite + pgvector），载入某家虚构蜡烛店三天的反馈（一条编辑、一条拒绝、一条普通批准），然后打印 Agent 在起草下一批内容前会读取的内容。无需数据库或 API 密钥。npm test 会以相同方式运行测试。

Day 3  new comment: "How long does shipping to Canada take for the lavender set?"
       before drafting, the agent reads:
         Feedback on similar past tasks (most similar first):
         - task: "Do you ship to Canada? Love the lavender candle" -> edited to: "We do! Canada usually takes 5-7 days." (why: don't promise speed, give the real shipping time)

Day 3  new comment: "Could you gift wrap a candle for a birthday?"
       before drafting, the agent reads:
         Feedback on similar past tasks (most similar first):
         - task: "Can you gift wrap the vanilla set for my mom?" -> rejected (why: we don't gift wrap, offer the gift note instead)

Day 3  new comment: "What wax do you use?"
       before drafting, the agent reads:
         (nothing yet: no feedback on anything similar)

演示程序通过对单词进行哈希来嵌入文本，因此这里的“相似”指的是有共同单词。运行 EMBED=openai OPENAI_API_KEY=... npm run demo 可使用真实嵌入，也可以通过 pg 将 Loop 连接到你自己的 Postgres / Supabase。

在 Claude Code、Cursor 或 Claude Desktop 中使用（MCP 服务）

feedback-memory 是一个基于同一循环构建的小型 MCP 服务。你的 Agent 会在起草前调用 recall_corrections，并在你批准、编辑或拒绝后调用 record_decision。所有数据都存储在 ~/.feedback-memory 中的本地 Postgres（PGlite + pgvector）里，因此无需托管任何内容。

Claude Code，作为插件使用（最简单的方式）。你的常驻规则会在会话开始时加载（以及在 /clear 或压缩后再次加载），并且钩子会将最相关的过往更正添加到每条提示词中，因此即使 Claude 不调用工具，这些规则也会生效：

/plugin marketplace add https://github.com/ssap-pa/self-learning-agent-setup.git
/plugin install feedback-memory@ssap-pa

（如果已为 GitHub 配置 SSH 密钥，也可以使用简写 /plugin marketplace add ssap-pa/self-learning-agent-setup。）

在一次使用该插件的实际运行中，Claude 没有调用任何工具，却仍将一条新的“运往加拿大需要多久？”评论回复为“感谢询问。薰衣草套装通常需要 5-7 个工作日运抵加拿大。”：回复采用了过往编辑中记录的运输时间（原因：不要承诺速度），并遵守了存储的规则，没有使用感叹号。

Claude Code，仅使用 MCP 服务：

claude mcp add feedback-memory -- npx -y github:ssap-pa/self-learning-agent-setup

Claude Desktop，一键安装：下载 feedback-memory.mcpb 并打开。OpenAI 密钥字段为可选项。

Cursor，或手动配置 Claude Desktop（在配置 JSON 的 mcpServers 下）：

"feedback-memory": { "command": "npx", "args": ["-y", "github:ssap-pa/self-learning-agent-setup"] }

然后告诉 Agent 何时使用它，例如在 CLAUDE.md / AGENTS.md 中添加两行：

Before drafting anything I'll review, call recall_corrections with the task and follow what comes back.
When I approve, edit or reject your draft, call record_decision with my reason.

工具：recall_corrections、record_decision、add_rule（始终优先返回的常驻规则）、list_memory、forget。在服务的环境中设置 OPENAI_API_KEY，即可按含义匹配（text-embedding-3-small）；不设置时，则会离线对单词进行哈希（并进行轻量词干提取，因此“shipping”可以匹配“ship”），且只匹配共同出现的单词。每个正在运行的客户端使用一个数据库文件夹（如果运行多个客户端，请设置 FEEDBACK_MEMORY_DIR），因此请选择一种方式安装，不要同时将其安装为插件和独立 MCP 服务。npm test 会通过 stdio 运行端到端测试，npm run bundle 会构建 Claude Desktop 安装包。

如果觉得有帮助，可以给仓库点个星，帮助其他人发现它；也可以提交问题，告诉我哪些地方无法正常工作，帮助我修复。

问题

任何人都可以付费使用与你相同的模型。别人无法购买的是：

1. 你的 Agent 对你的业务的了解，以及
2. 你给它的每一条更正记录。

大多数人通过聊天提供反馈，却没有保存下来。下一次会话又从零开始，你还得第十次修正“令人惊艳的花朵”。

第一层：知识层（它知道什么）

类型	示例	存储位置
常量	品牌、语气、客户、创始人故事	brand/ 文件夹中的 Markdown 文件
变量	价格、库存、名额、日程	网站的数据库，实时读取
大量知识	经验教训、电子书、常见问题	同一数据库，嵌入后用于搜索（RAG）

重要规则：

• 关于你是谁的信息放在文件中，关于当前事实的信息放在数据库中。 文本文件中的价格会过时，Agent 可能会自信地引用上个月的促销信息。
• Agent 只能说出管理页面中存储的信息。 “还剩 3 个名额”需要有一个名额字段。
• 在代码中强制执行。 只写在 AGENTS.md 中的规则可能会被跳过。自行运行的程序应直接调用数据库并进行搜索。

第 2 层：学习循环（它如何改进）

1. 存储每次批准（+1）、拒绝（−1）和编辑（0，并附上修改内容），并关联到作出判断的运行记录。
2. **生成候选规则。**重复出现的反馈会变成一条待提议的规则，而不是已生效的规则。
3. 评分：针对每个目标使用一套评分标准。
4. 比较候选规则与当前行为。
5. 启用或舍弃。

另外有两个细节，让它真正对我有用：

• 规则与记忆。“你的语气听起来像机器人”始终适用（规则）。“葬礼订单不要用表情符号”只在情况符合时适用（记忆）。不断重复出现的记忆会升级为规则。
• **按含义搜索反馈。**关键词搜索会漏掉措辞不同的反馈。嵌入向量可以找出来自相似情境的修改建议。

还有人工参与的部分：Telegram 机器人会把每份草稿发送到我的手机，并附上 批准 / 拒绝 / 编辑按钮；点击记录会写入学习数据库（而不只是机器人的日志）。请确认这些操作确实会被记录。我的系统一开始会悄悄漏记批准记录。

此处包含

• schema.sql：Postgres / Supabase 表（runs、包含情境和原因嵌入向量的 feedback、rules），以及用于相似度搜索的 match_feedback()，使用 pgvector
• demo/loop.ts：约 100 行 TypeScript 核心循环：存储每个决定，并将类似过往任务的反馈提取到下一条提示词中。支持 pg 或 PGlite
• demo/demo.ts 和 demo/loop.test.ts：一分钟演示和测试
• prompts.md：我用 Claude Code / Codex 构建和检查各层时使用的提示词

从小处着手

• 先针对一个目标运行，并设置较低的限制（我的做法：连续两周，每天发 1 条帖子，最多回复 3 条）。
• 持续启用审批，直到再也没有需要修改的地方。
• 衡量购买量或注册量，而不是点赞数。

更多

• 需要在多台机器或团队间使用，或想通过手机审批？ 免费插件会把记忆保存在一台机器的一个文件夹中。Self-Learning Agent Kit 则会在你自己的 Postgres / Supabase 上运行同一套循环，让每台机器和每位队友共享同一份记忆；它还提供 Telegram 机器人，让你通过手机审批 / 编辑 / 拒绝（每次点击都会在任何内容发布前记录），根据反复出现的原因提议规则，并提供 Python 和 TypeScript 版本的库 + CLI、一个 MCP 服务，以及自带的 Claude Code 插件（其钩子会通过 OpenAI 嵌入向量按含义读取共享数据库）、一个端到端示例和 28 项测试（$39）：https://payhip.com/b/grc25
• 更喜欢视频？ 一节免费的 22 分钟课程，我会用 Agent 构建这个系统（韩语音频，英文字幕，无需账号）：https://ssapable.com/courses/ai-agent?lang=en&utm_source=github&utm_medium=readme#free-preview
• 免费实用指南（23 页，PDF）： 完整操作讲解，包含一个实际示例和一份 7 天计划：https://payhip.com/b/QHgfJ
• 本书： Just Say "Do It"，一本 11 步指南，介绍如何用 AI Agent 经营一人企业（我的韩语课程的英文版）：https://payhip.com/b/xmZvu。美国太平洋时间 10 月 4 日（星期日）之前可随意付费，$0 也可以；如果你读了，在该页面留下真实评价会很有帮助。
• 想根据你的业务进行定制设置？ 全包式自动化蓝图：https://payhip.com/b/BzSRC

---

文本和图表（此 README、prompts.md、img/）© 2026 AI SSAPABLE，依据 CC BY-NC 4.0 许可共享。LICENSE 中的 MIT License 适用于以下代码：schema.sql、demo/、docs/、mcp/、hooks/、bundle/ 和 .claude-plugin/。