self-improve 是 Aura Frog 插件的自我改进技能，面向 Claude 执行时阅读的 AI 参考文档，核心是一个完整的学习闭环：先从 Supabase 分析已收集的学习数据，再应用学到的改进。
用途 该技能分为 Analyze（分析）与 Apply（应用）两个阶段。Analyze 运行在 Apply 之前，其 v_improvement_suggestions 输出会作为 Apply 阶段的输入。
分析能力 分析阶段查询 5 个 Supabase 视图：v_agent_success_rates（按任务类型统计智能体表现）、v_common_patterns（已识别模式）、v_improvement_suggestions（可执行建议）、v_workflow_trends（每周工作流趋势）、v_feedback_summary（反馈统计）。在此基础上进行 AI 模式识别，找出前 3 个成功模式、前 3 个失败模式、前 3 个优化机会以及智能体建议，并输出学习分析报告，内容包括成功模式、失败模式、优化机会、智能体建议表和建议的规则更新清单。
分析用法 /af learn analyze（完整分析）、--period 30d（最近 30 天）、--focus agents（智能体表现）、--focus workflows（工作流模式）、--focus feedback（用户反馈）。
分析环境变量 AF_LEARNING_ENABLED=true、SUPABASE_URL=https://your-project.supabase.co、SUPABASE_SERVICE_KEY=your-service-role-key。
分析与应用的衔接 分析完成后，改进可经 /af learn review 审阅、/af learn apply --auto（仅高置信度自动应用）或 /af learn save 保存为待处理。
应用能力 应用阶段包括四类改进：规则更新（rules/*.md，例如把覆盖率阈值从 80 提高到 85）、智能体路由（agent-detector 配置，例如为 .tsx 加载 framework-expert 的 refs/react.md）、工作流调整（workflow 配置，例如增加 Phase 2 超时）、知识库（knowledge entries，例如 TDD 为 API 减少 40% bug）。
应用流程 先查询 v_improvement_suggestions 中 applied = FALSE 的记录，确定目标文件、生成修改并计算影响，随后展示 diff、置信度、频率和证据供用户选择应用、跳过或修改，最后创建备份、应用修改、在 Supabase 标记已应用并记录变更日志。
应用用法 /af learn apply（审阅并应用待处理项）、--auto（自动应用置信度不低于 0.8 的高置信项）、--preview（仅预览不应用）、--id <pattern_id>（应用指定模式）。
安全防护与回滚 除非同时满足 --auto、置信度不低于 0.8、频率不低于 5，否则需要审批。每次变更都创建备份和日志，可通过 /af learn rollback <change_id>（指定变更）、/af learn rollback --list（列出近期变更）、/af learn rollback --all（回滚当天全部变更）回滚。应用前会进行语法检查、冲突检测和影响评估。
配置项 learning.self_improve 下可设置 enabled、auto_apply_threshold: 0.8、min_frequency: 5、backup_dir: backups/、max_auto_per_day: 10。
适用场景与限制 适用于已启用 Aura Frog 学习机制、配置 Supabase 并积累学习数据的项目，用于持续优化规则、路由与工作流。依赖 Supabase 数据与相关服务密钥；自动应用受阈值和每日上限约束。更多人类可读说明可参见 docs/architecture/HIERARCHICAL_PLANNING.md 或 docs/getting-started/。