Warp 的软件工厂如何自我改进：自更新 skill、持久记忆与模型路由

Warp harness 开发负责人 Suraj Gupta 介绍软件工厂自我改进的三种实践：一是外层 agent 监控 triage agent 的运行与反馈，自动提交 PR 更新其 skill，所有变更经 Git 追踪并由人工评审；二是持久记忆，用可版本化、可追溯的事实存储避免 Sentry agent 重复排查已发现的根因，兼容 Claude Code、Codex 等 harness；三是模型路由，避免用 Opus 处理 triage 或简单 CI 修复，可使用 Warp 自动模型或自定义规则，Warp 内部 eval 显示 UI 任务在 GLM 上运行良好。

AI推荐理由 Warp harness 负责人 Suraj Gupta 的演讲，给出软件工厂自我改进的三条具体做法：外层 agent 观察 triage agent 运行与反馈后提 PR 更新 skill（变更走 Git 与人工评审）、可版本化追溯的持久记忆（避免 Sentry agent 重复排查同一根因，兼容 Claude Code、Codex 等 harness）、模型路由以降低 triage 和简单 CI 修复的成本，并提到内部 eval 发现 UI 任务在 GLM 上表现良好。属于可落地的工程实践分享，但内容来自演讲摘要，缺少可验证的量化结果与独立复现，'自我改进'的实际效果仍需谨慎看待。