Fat-Cat进化秘密:策略库与能力库如何让AI Agent越用越聪明
Fat-Cat进化秘密:策略库与能力库如何让AI Agent越用越聪明
Fat-Cat 是一个以文档为上下文核心的 AI Agent 框架,它的策略库和能力库就像 Agent 的两块"记忆硬盘",让 AI 能把每次解题经验沉淀下来、反复复用,真正做到越用越聪明。本文将带你读懂这两个库的设计思路与进化闭环,无需深入代码也能快速上手。
为什么 AI Agent 需要"越用越聪明"
传统 AI Agent 有一个通病:一次性、不积累。它每次接到任务都从零开始,遇到问题就硬试,失败了也不会记住教训。结果就是:
- 🔄 重复踩坑:同样的错误反复出现
- 🔒 能力天花板固定:只会跑开发者预设好的固定流程
- 🧠 缺乏反思:缺少"我这样做对吗"的监控机制
Fat-Cat 用两个 Markdown 知识库来解决这些问题——把"经验"变成可检索、可增长、可追溯的资产。
认识 Fat-Cat:文档驱动的 Agent 框架
Fat-Cat 把 LLM 当作 CPU、上下文文档当作内存、外部工具当作外设,整个框架像一台操作系统。它的核心是一个 Markdown 全局文档,每个阶段都往这个文档里补充内容,思考过程对人类完全可见。
从架构图可以看到整条流水线:
| 阶段 | 职责 | 输出文档 |
|---|---|---|
| Stage 1 元认知分析 | 理解意图、识别所需能力 | reasoner.md |
| Stage 2 策略选择 | 从策略库检索并选择方案 | strategy.md |
| Stage 3 步骤分解 | 把策略固化为 SOP | step.md |
| Stage 4 执行 | 调用工具并回填结果 | 执行日志 |
两个知识库分别位于流水线的不同位置:能力库服务于 Stage 1(判断"我会什么"),策略库服务于 Stage 2(判断"我该怎么解")。
策略库:一份可检索的解题手册
策略库文件是 strategy_library/strategy.md,它像一本按分类组织的"战术手册",每一条策略都有编号、适用场景、步骤和示例。
策略库按 P–L 字母分类,覆盖规划、信息管理、探索、决策、执行验证、学习复盘六大方向:
| 编号 | 名称 | 别名 | 典型场景 |
|---|---|---|---|
| P1 | progressive_goal_refinement |
目标分层 | 含糊目标澄清 |
| I1 | evidence_first_research |
证据先行 | 事实查证、资料搜集 |
| D1 | tradeoff_matrix |
利弊矩阵 | 方案评估、优先级选择 |
| E2 | auto_error_recovery |
自动错误恢复 | 代码修复、智能重试 |
| L1 | lessons_learned_log |
经验沉淀 | 项目复盘、持续改进 |
Stage 2 的候选选择智能体 stage2_candidate_agent/Candidate_Selection_agent.py 会按编号(如 P1、D2)快速定位策略,选出 2–3 个候选,再交给 stage2_agent/Strategy_Selection_agent.py 做最终决策。
关键点:这不是死的 if-else,而是活的经验库。新策略被学习后会写回这里,下次遇到同类问题直接命中。
能力库:Agent 的"能力清单"
能力库文件是 ability_library/core_capabilities.md,它回答的是另一个问题:"面对这个任务,我需要哪些能力?"
能力库用 A–H 字母分类,从语言理解、推理思维、知识检索,到工具执行、验证修复、创新设计、跨模态、伦理安全,共 20 多项能力:
| 编号 | 能力 | 说明 |
|---|---|---|
| A1 | language_understanding |
把模糊描述抽象为结构化目标 |
| B1 | multi_hop_reasoning |
多跳推理、问题诊断 |
| C1 | knowledge_retrieval |
事实检索、交叉验证 |
| D2 | code_generation |
代码生成、重构 |
| E4 | auto_correction |
基于错误自动修复 |
Stage 1 元认知分析代理只查阅能力库(不修改它),用来在 reasoner.md 里做"所需能力识别"。这就好比医生先对照一份"检查项目清单",确认自己具备哪些工具。
进化闭环:任务经验如何回流成知识
Fat-Cat 最巧妙的地方,是自动把任务中产生的新经验写回知识库。整个闭环由 workflow/capability_upgrade_workflow.py 编排:
- Stage 1 报告需求:分析任务后,列出所需能力和关键挑战
- 能力升级评估:capability_upgrade_agent/capability_upgrade_agent.py 判断现有能力库能否覆盖,不能则生成新的能力条目
- 策略升级评估:stage2_capability_upgrade_agent/stage2_capability_upgrade_agent.py 判断是否需要新策略,需要则生成补丁写回策略库
- 快照比对 + 自动备份:每次写入前都会备份原文件(
strategy.md.bak-*),保证可追溯、可回滚
也就是说,Agent 解决一个陌生问题的过程,本身就在给知识库"做加法"。下一次再来,命中率更高——这就是"越用越聪明"的底层机制。
三道准入门槛:给新经验设卡
为了避免知识库被垃圾信息污染,策略升级智能体(见 stage2_capability_upgrade_agent/thinking.md)强制执行**"三个问题"阈值**——必须同时回答以下三点,否则直接跳过:
| 问题 | 含义 |
|---|---|
coverage_gap |
现有策略为什么覆盖不了? |
reuse_failure |
哪些现有策略重用了但失败? |
new_value |
新增内容带来什么独特价值? |
再加上"每任务每类别最多新增 1 条""引用至少 2 个现有策略 ID"等配额限制,让知识库的增长是克制且高质量的。
效果如何:基准测试数据
这套"记忆 + 进化"设计到底有没有用?在 HotPotQA、Bamboogle、Med_QA(中文)、MBPP 四个基准上,Fat-Cat 相对 React Agent 基线全面领先:
- HotPotQA:多跳推理提升 +12.58%,得益于元认知分析和策略规划
- MBPP:代码生成达到 95.3%,步骤分解 + Watcher 运行时监控功不可没
- Med_QA:医疗领域提升 +4.0%,能力升级机制让它学会领域策略
- Bamboogle:联网搜索提升 +5.4%,元认知检索更精准
动手实践:向策略库注入你的经验
Fat-Cat 允许你手动注入知识,而不只靠 Agent 自己学:
- 直接添加策略:往
strategy_library/放入符合格式的 Markdown 文档,Stage 2 会通过检索立即使用 - 调整阈值:在 stage2_agent/ 中调整策略匹配置信度,阈值越高,Agent 越倾向触发"能力升级"去搜新知识
- 观察进化:留意
strategy.md.bak-*备份文件,它们记录了知识库随任务不断生长的轨迹
💡 提示:手动注入和自动学习并不冲突——你可以把团队最佳实践沉淀进策略库,让 Agent 站在巨人肩膀上。
总结:把经验变成资产
Fat-Cat 用两个 Markdown 知识库,把 AI Agent 从"一次性执行器"变成"会积累经验的系统":
- 📚 策略库(strategy_library):教 Agent 怎么解,可检索、可增长
- 🧩 能力库(ability_library):告诉 Agent 会什么,作为自我认知清单
- 🔁 进化闭环:任务经验自动回流,三道门槛保证质量
- 🛡️ 可追溯:每次进化都有备份,随时可回滚
对于想让 AI Agent 真正"越用越聪明"的团队,这套文档驱动 + 元认知的设计,是一个值得借鉴的完整范式。

