自我改进循环¶

OLAV 最独特的设计之一：它会从自己的错误中学习。每次操作——无论成功还是失败——都被记录下来，成为改进的依据。

功能声明

ID	声明	状态
C-L2-24	`/trace-review` 分析失败模式并写入 LanceDB 记忆	✅ v0.10.0

核心思路¶

传统的 AI 助手犯了错，下次可能还会犯同样的错。OLAV 不同——它把错误转化为"经验教训"，存入向量记忆库，下次遇到类似情况时自动参考，避免重蹈覆辙。

日常使用 OLAV
    ↓
审计日志自动记录：每次工具调用、错误、Token 消耗、用户问题
    ↓
运行 /trace-review 或让 Config Agent 分析
    ↓
LLM 识别失败模式 → 提取"约束"（下次该避免什么）→ 写入 LanceDB 记忆
    ↓
未来的查询在执行前搜索记忆 → Agent 自动规避已知陷阱

/trace-review：一键触发改进¶

在交互模式（TUI）中运行：

olav        # 启动交互模式
/trace-review

它会做什么：

查询 audit.duckdb，找出最近 7 天内的失败运行
逐一分析每次失败的工具调用轨迹和错误信息
将失败记录分批发送给 LLM，提取约束（下次应该怎么做）
将学到的约束写入 LanceDB 向量记忆库
之后的每次运行，Agent 会在行动前搜索记忆库，自动避开已知问题

输出示例：

Analyzed 12 failed runs

Extracted constraints (written to LanceDB memory):
  1. 调用 execute_sql 时必须使用 schema.table 格式，不能只写表名
  2. list_services 工具不接受参数，传入参数会导致 TypeError
  3. 用户说"最近的错误"时，应查看过去 48h 而非 24h

这些约束是持久的——即使重启 OLAV，Agent 也会在下次运行时自动查询这些记忆。

通过 Config Agent 触发分析¶

除了 /trace-review，你也可以用自然语言让 Config Agent 分析：

olav --agent config "分析最近的失败记录并建议改进"
olav --agent config "哪些工具被调用得最多？"
olav --agent config "有哪些查询是当前工具无法处理的？"

改进了什么¶

方面	改进方式
工具使用错误	约束写入 LanceDB，Agent 在每次运行前自动查询并避免
路由盲区	Config Agent 识别出没有 Agent 能很好处理的查询类型
系统提示词	根据失败模式，Config Agent 建议修改 AGENT.md
工具描述	如果路由不准确，可能是 `@tool` 函数的 docstring 不够清晰

设计哲学¶

OLAV 将提示工程（Prompt Engineering）视为一个运维问题——由真实使用数据驱动，而非凭直觉调整。

每次失败都是证据
每条约束都是一课
工作空间随着使用时间的增长，越来越贴合你的实际使用模式

你不需要成为 Prompt 工程专家。正常使用 OLAV，它会自己变得更好。