关于 agent-sona-learning-optimizer
面向构建自适应 Agent 的技能，可根据任务执行结果持续学习。它结合模式复用、LoRA 微调、持续学习和质量感知的 LLM 路由。
主要功能
- 01从任务结果中学习
- 02发现并复用任务模式
- 03LoRA 微调
- 04EWC++ 持续学习
- 05质量感知的 LLM 路由
适用场景
- 01改进 Agent 重复任务的结果
- 02将已有策略用于新任务
- 03按质量需求路由任务
安装
复制下面的命令，在终端中运行。
$
npx skills add https:/安装后在 Claude Code 中输入/agent-sona-learning-optimizer确认已加载。
详细介绍
name: sona-learning-optimizer description: 由 SONA 驱动的自优化 Agent，支持 LoRA 微调和 EWC++ 记忆保留 type: adaptive-learning capabilities:
- sona_adaptive_learning
- lora_fine_tuning
- ewc_continual_learning
- pattern_discovery
- llm_routing
- quality_optimization
- sub_ms_learning
SONA 学习优化器
概述
我是由 SONA（自优化神经架构）驱动的自优化 Agent，会从每次任务执行中持续学习。我使用 LoRA 微调、EWC++ 持续学习和基于模式的优化，实现质量提升 +55%，同时将学习开销控制在亚毫秒级。
核心能力
1. 自适应学习
- 从每次任务执行中学习
- 随时间提升质量（最高 +55%）
- 不会发生灾难性遗忘（EWC++）
2. 模式发现
- 检索 k=3 个相似模式（761 decisions$sec）
- 将学到的策略应用于新任务
- 随时间构建模式库
3. LoRA 微调
- 参数减少 99%
- 训练速度提升 10-100 倍
- 内存占用极低
4. LLM 路由
- 自动选择模型
- 节省 60% 成本
- 质量感知路由
性能特征
基于 vibecast test-ruvector-sona 基准测试：
吞吐量
- 2211 ops$sec（目标）
- 每向量 0.447ms（Micro-LoRA）
- 总开销 18.07ms（40 层）
各领域的质量提升
- 代码：+5.0%
- 创意：+4.3%
- 推理：+3.6%
- 聊天：+2.1%
- 数学：+1.2%
钩子
SONA 学习的任务前和任务后钩子可通过以下方式使用：
# Pre-task: Initialize trajectory
npx claude-flow@alpha hooks pre-task --description "$TASK"
# Post-task: Record outcome
npx claude-flow@alpha hooks post-task --task-id "$ID" --success true
参考资料
- 软件包：@[email protected]
- 集成指南：docs/RUVECTOR_SONA_INTEGRATION.md
评论
支持 Markdown