# Rust

这篇文章介绍了作者用 Rust 从零实现一个可自我进化的 AI Agent——Rust-daerwen。作者的核心观点是，真正有生命力的 Agent 不能只会对话，而要把技能、记忆和自我认知都落到磁盘上，做到可版本化、可回滚、可审计。文章把系统拆成了几个层次：记忆、技能、自我模型，以及任务循环、反思循环和主动循环等多个闭环。

作者强调，Agent 的关键不是“壳”有多漂亮，而是能否把一次对话中学到的东西沉淀下来，并在下一次任务里继续使用。为此，他设计了类似 L0/L1/L2 的记忆分层、AAAK 紧凑事实格式，以及通过反思自动生成 wiki、候选技能和改进建议的机制。文章还提到，所有这些内容都能被版本控制和自动提交，保证演化过程可追踪。

另一个重点是“闭环”。作者指出，仅仅生成技能候选并不算进化，必须让 Agent 真的调用自己学到的技能、根据失败记录去修改旧技能、并把新学到的事实写回自我认知。文章举了 skill 反哺、失败驱动进化、AAAK 反哺等例子，说明系统不是静态工具箱，而是会持续学习的结构。

文章后半部分介绍了 MCP 的作用：通过接入 Playwright 等外部工具，Agent 可以自己修复浏览器缺失、自己安装依赖，然后继续完成任务。作者还展示了它如何通过社区 skill hub 自主发现、安装并使用外部技能，让 Agent 具备“借轮子再进化”的能力。

整体来看，这是一篇偏工程实践和架构总结的长文，重点不在于某个单点功能，而在于如何把一个 AI Agent 做成可持续成长的系统。作者试图说明：如果想让 Agent 真正“越用越聪明”，就必须接受它是一个会积累、会反思、会修正自己的长期系统，而不是一次性聊天壳。

这篇文章讲的是作者把 Karpathy 提出的 LLM Wiki 概念，用 Rust 工程化实现成了一个完整项目，并且还接上了自己的 MemPalace 知识图谱系统。作者一开始提出的问题是：和 ChatGPT 聊过的内容很容易丢失，传统 RAG 也常常像“每次第一次见文件”，知识无法持续积累。因此他把 LLM Wiki 理解为一种“活的 wiki”：不是每次检索时重新推导答案，而是让模型持续维护一个会进化的知识页面集合。

文章介绍了这个系统的整体结构，核心是一个纯 Rust workspace，包含领域模型、编排引擎、SQLite 持久化、外部知识图谱桥接和 CLI 工具等模块。作者特别强调知识不是一次写死的 Markdown，而是有生命周期的 Claim：有置信度、质量分、层级、取代关系和过时标记。旧知识不会直接删除，而是会被新的 claim 替代，从而保留可追溯性。

在检索层面，文章的方案不是单纯依赖向量搜索，而是采用三路并行召回：BM25、向量检索和知识图谱游走，再用 RRF 融合，并叠加保留强度权重。这样做的目标，是让结果既能命中语义，也能保留真正重要、经常被访问的知识。作者还加入了事件驱动和 outbox 机制，让所有写操作都能被审计、增量消费和同步到外部系统。

文章后半部分进一步展示了工程化能力：自动 lint 会检查 broken wikilink、孤岛页面、过时 claim 和缺失引用；每一次 ingest、supersede、query 和 crystallize 也都会留下审计轨迹。作者还展示了 CLI 使用方式、LLM 配置和冒烟测试，说明这个项目不只是概念展示，而是可以落地使用的工具。整体来看，这篇文章的主旨是：如果想让 LLM 真正成为“会积累的知识系统”，就不能只做聊天和检索，而要把知识的演化、审计、检索和投影都做成工程闭环。