Self Improving Agent要收费吗？免费额度给多少？

Self-Improving-Agent 是 ClawHub 排名第一的 AI 技能，主打让代理沉淀交互经验、解决“不长记性”，但公开渠道未披露具体收费与免费额度，需以平台页面为准。文章还梳理了 Warp 双 Skill 闭环、Prime Agent 自主改写脚手架、IBM ALTK-Evolve 学习记忆等自我改进路线，建议先用最小场景实测再决定是否付费。

关于 Self-Improving-Agent 收不收费、免费额度多少，目前公开可查的信息里没有明确的定价与额度说明。它作为 ClawHub 平台上排名第一的 AI 技能被广泛讨论，但具体的收费方案、免费试用次数这类数字，官方渠道之外的说法都不足为凭，建议以官网或平台页面实际显示为准。

不过既然问到了这个技能，索性把它是什么、能解决什么问题、以及这条”让 Agent 自我进化”的赛道现在走到哪一步，一并说清楚。毕竟很多人搜”收费”之前，其实还没搞明白它到底值不值得用。

Self-Improving-Agent 到底是什么

它是 ClawHub 平台上最受欢迎的 AI 技能之一，核心定位很朴素：让 AI 代理具备”学习能力”。官方语境里反复出现的一个说法是解决 AI”不长记性”的痛点——你和它聊完一轮，关掉窗口，下次再开它还是白纸一张；同一个偏好你说过三遍，它照样忘。

Self-Improving-Agent 想做的，就是把这个断层补上：让代理在与用户的持续交互中沉淀经验，而不是每次都从零开始。这也是它被归类为”AI Agent 自我学习进化”技能的原因。

• 技能形态：作为 ClawHub 上的一个技能（Skill）存在，而不是独立大模型
• 解决的问题：AI”不长记性”，交互经验无法沉淀
• 平台地位：ClawHub 排名第一的技能
• 收费情况：公开信息未披露具体价格与免费额度，以官网为准

如果你只是想先上手试试，站内也有 Self-Improving-Agent 使用教程 这类入口内容可以参考，先跑通流程再谈成本会更实际。

为什么”自我改进”突然成了热词

这不是一个技能在战斗。2026 年下半年，整个行业都在往这个方向压注，几条线索摆在一起看会比较清楚。

工程侧：把学习闭环做进产品

Warp 的双 Skill 闭环是个典型样本。2026 年 8 月 26 日，Anthropic 官方博客发布客户案例《How Warp builds self-improving agents on Claude》，8 月 29 日被 RSS 监控源收录，随后有 4 家以上媒体跟进深度解读。它讲的正是”Agent 越用越聪明”这件事怎么在真实产品里落地——不是靠换更大的模型，而是靠两个 Skill 形成闭环，把使用过程变成训练信号。

另一条路走得更激进。Prime Intellect 团队（Seth Karten、Alex L. Zhang、Kevin Thomas、Sebastian Müller）在 2026 年 8 月 5 日公布了 Prime Agent，特点是AI 代理可自主改写脚手架——不只是记住偏好，而是直接动自己的运行结构。这个思路的想象力更大，风险也更大。

记忆侧：把”学到的”存下来

自我改进的前提是记忆。IBM Research 在 2026 年 10 月 20 日通过 Hugging Face 官方博客发布了 ALTK-Evolve 在客服场景的最新成果，主打”学习记忆”，并称其让 GPT-4.1 登顶客服基准榜首。研究代码托管在 GitHub 上。这条线的价值在于：它证明了记忆机制不是锦上添花，而是能直接换算成分数的。

国内这边，北京通用人工智能研究院（BIGAI）产业平台孵化的通衍灵智在 2026 年 10 月 19 日经《量子位》公众号、腾讯新闻、网易科技同步披露了”持续自进化 Personal AI”技术路线，押注 Personal LoRA——用轻量化的个人适配层来承载”越用越懂你”。面向的是企业与个人用户两端。

预测侧：时间表被提前了

Anthropic 联合创始人 Jack Clark 在 2026 年 10 月 12 日的 Import AI 第 476 期里给出了一个新判断，把”自我改进”的预测时间提前到 2027 年；10 月 25 日 The Decoder 等媒体集中报道扩散。预测这种事听听就好，但一线研究者愿意把时间表往前挪，本身就说明工程进展超出了他们自己的预期。

几条路线放在一起对比

回到收费这个问题

说实话，这类问题最难回答的地方在于：技能类产品的定价往往不在技能页上，而在它依附的平台规则里。Self-Improving-Agent 是 ClawHub 的技能，它的成本结构可能涉及平台侧的额度、调用次数、或者底层模型的消耗，这些都不是一句”免费”或”收费”能概括的。

所以给几条实操建议：

1. 先看平台页面：技能详情页通常会标注是否需要授权或额度，这是最权威的口径；
2. 别信二手数字：网上流传的”免费多少次””每月多少钱”如果没有官方出处，基本可以直接忽略；
3. 先用最小场景验证：拿一个你反复解释过三遍以上的偏好去测，看它第二次是否还记得——这比任何参数表都能说明它值不值；
4. 关注底层消耗：自我改进类技能往往需要额外调用，真正的成本可能藏在模型侧而非技能侧。

另外提醒一句：如果你在意的是”能不能免费用”，那 Self-Improving-Agent 未必是最优起点。像 Prime Agent 这类偏研究性质的方案，公开的是方法与代码路径；IBM 的 ALTK-Evolve 研究代码托管在 GitHub 上，学术用途的可及性反而更明确。当然，这几类东西的适用场景完全不同，别混着比。

我的看法

“自我改进”这个词现在有点被用滥了。真正有含金量的，是那些能说清楚改进了什么、用什么信号改进、改进结果怎么验证的方案。Warp 的案例之所以被反复解读，是因为它给出了完整闭环；IBM 的成果之所以站得住，是因为它有基准分数兜底。相比之下，一个技能页面上的宣传语，信息密度要低得多。

至于收费，我的态度是：愿意为”记得住”付费是合理的，但前提是它真的记得住。先测，再付。

相关问题

Self-Improving-Agent 和普通 AI 记忆功能有什么区别？
普通记忆多是存偏好、存事实；自我改进类技能强调的是把交互经验反馈到行为上，不只是”记住”，而是”改做法”。

ClawHub 是什么平台？
一个聚合 AI 技能的平台，Self-Improving-Agent 是其中排名第一的技能。平台侧的额度与授权规则需以其页面说明为准。

Prime Agent 可以自己改写脚手架，会不会失控？
这是这类方案最受关注的风险点。公开信息只说明了它具备自主改写能力，安全边界与限制条件需要看团队后续披露。

Personal LoRA 路线适合个人用户吗？
通衍灵智的路线明确面向企业与个人两端，思路是用轻量适配层承载个人化。具体可用形态与门槛以官方披露为准。

2027 年真的会实现自我改进的 AI 吗？
这是 Jack Clark 在 Import AI 中给出的预测判断，属于个人观点而非既成事实，工程落地节奏还要看后续验证。

参考链接

• Self-Improving-Agent
• Self-Improving-Agent使用教程