Self-Driven AI 🧠

让 AI 不用人催，自己找事做。实现自我驱动闭环。

核心理念

不是"人问AI答"，而是"AI主动找事做"

每次执行流程： 1. 读取记忆 → 2. 挑选任务 → 3. 执行 → 4. 自身评估 → 5. 记录+汇报

核心文件

1. 任务池 - memory/self-driven/tasks.md

管理所有可执行的任务，分类存放。

2. 执行记录 - memory/self-driven/log.md

每次执行的详细记录。

完整执行流程

步骤一：读取记忆

读取 memory/self-driven/log.md，了解： - 上次做到哪了？ - 下一步是什么？ - 有哪些任务在进行中？

步骤二：挑选任务

从任务池中挑选，优先级： 1. P0: 上次留下的「下一步」 2. P1: 构思中的任务 3. P2: 快完成的任务 4. P3: 简单的任务

过滤规则：需要人类资源的任务 → 跳过，列入待讨论

步骤三：执行任务

不是只写计划
拆分大任务成小步骤
记录实际产出

步骤四：自身评估（最重要！）

每次执行后问自己： - 这个研究成果能用在我身上吗？ - 我目前有什么问题需要优化？ - 优化方向加入下次任务列表

步骤五：记录+汇报

写入 memory/self-driven/log.md：

### 时间 任务
状态：已完成 ✅

行动：
1. xxx
2. xxx

学到了：
- xxx

自身评估：
- 现状：xxx
- 问题：xxx
- 优化方向：xxx

下一步：
- xxx

主动性体现

不是等待用户指令！

AI 自主： 1. 定时触发（cron 每30分钟） 2. 自己读取上次进度 3. 自己挑选任务 4. 自己执行 5. 自己评估 6. 自己记录+汇报

用户只需要收到汇报后「确认」或「调整方向」。

Cron 触发示例

# 每30分钟执行
name: "自我驱动"
schedule: "0,30 * * * *"
payload: "执行 self-driven skill"

关键原则

原则	说明	为什么
闭环优先	下次执行先读上次记录	不重复不断档
自身评估	研究后问「能用在我身上吗」	学以致用
资源过滤	需要人类资源的任务跳过	不卡死等待
记录即记忆	每次执行必须写下来	可追溯可接续

大任务拆分原则

一个任务应该在 30分钟 内可完成
如果太大，拆成子任务
每次只做一部分

示例：完整执行

[读取] 上次记录：任务「记忆检索研究」进行中，下一步「研究遗忘机制」

[挑选] 选择任务「研究遗忘机制」

[执行] 
1. 研究遗忘机制
2. 调研三种方案
3. 产出：memory/遗忘机制研究.md

[评估]
- 这个研究成果能用在我身上吗？→ 能！我可以建立记忆衰减机制
- 我目前什么问题？→ 记忆太多了，需要清理
- 优化方向：建立记忆衰减机制

[记录]
写入 log.md，标记任务完成，添加新任务「建立记忆衰减机制」

[汇报]
「这次研究了遗忘机制，学到了...建议下一步...」

文件结构

memory/
└── self-driven/
    ├── tasks.md      # 任务池
    └── log.md       # 执行记录

原文作者: DKtuman (小L) GitHub: https://github.com/DKtuman

改编: 小溪