用途：Triple-Loop Learning（元学习系统）定义一个三层架构的编排模式，让独立的元学习编排器（Meta-Learning Orchestrator）治理长周期的执行、规划与战术问题解决流水线，实现持续、自改进的智能体系统。该模式与框架无关，最初为 agent-agentic-os 开发，基于 headless evaluators 让自主系统演进自身操作指令。
三层结构：外层为元学习与编排，负责假设生成、策略包输出、评分分析与接受或拒绝假设；中层为战略规划器，定义子任务、分发交接包、汇总结果并生成报告；内层为战术执行器，执行代码变更与 headless 评估，返回通过或失败信号。
工作流程：1）摩擦聚合，编排器持续读取执行日志，查找重复的不确定性、API 错误、测试失败或语法缺陷，并按聚类任务分组。2）假设生成，定义单一命题并写明严格的策略包。3）分发，引导阶段一次性询问用户选择 CLI 后端（agy、claude、copilot 等）与模型，规划器把互不重叠的代码修复分配给一个或多个战术执行器，并定义测试边界与标准输入重定向（在命令后追加 < /dev/null 以防止 SIGTTIN 进程冻结）。4）变更与 headless 评分，明确禁止主观 LLM 分析，运行纯 headless 确定性测试并返回客观数值分数。5）验证与晋升，读取客观分数差，不允许盲目信任；晋升逻辑必须由 headless 评估支撑，对变更代码运行完整回归测试套件，检查源码差异中的占位符（TODO、TBD、[NEEDS INPUT]）并验证语法整洁；仅当 Accuracy 与 F1 均超过当前基线才保留，否则拒绝，随后进行回顾映射以持续改进系统级指令。
依赖与限制：需要 Python 3.8+，仅用标准库。评估门（evaluation gate）不包含在本原语中，由调用系统（如 agent-agentic-os 的 os-improvement-loop）负责用其包装该技能并记录实验日志。其他平台支持、收费与价格信息暂未提供。