Closed learning loop
O Okami melhora com o uso. Um closed learning loop observa cada execução — passos, tools, erros, gates e seu feedback — e escreve de volta no agente: skills, memóri…
O ciclo
executa ─► registra trajetória (passos, tools, erros, gates, feedback)
▲ │ reflexão pós-tarefa
│ cria/atualiza SKILL (via skill.sh, com scan §segurança)
│ escreve FATO / ANTI-PADRÃO na memória
│ ajusta o capability profile do modelo
│ propõe evolução de PERSONA / VOICE
aplica atualiza o modelo de GOSTO de designAuto-skill
Com learning.auto_skill: true, o agente destila uma skill de toda tarefa não-trivial e a instala pelo mesmo caminho do okami learn — passando pelo scan de segurança antes de ativar (skills criadas pelo agente não são exceção). Assim, o que ele aprende a fazer bem vira reutilizável.
Anti-padrões
Uma falha recorrente não é esquecida: ela vira uma regra negativa (guard-rail) na memória. Da próxima vez, o harness injeta o anti-padrão no contexto — “já tentei X e falhou por Y; não repita”.
Auto-tune do capability profile
O loop mede os modos de falha por modelo (rejeição em gate, stalls, tool-calls malformados) e ajusta o profile: mais decomposição, grammar mais estrita, mais retries, subsets menores. Cada modelo ganha um andaime cada vez melhor ajustado. Veja okami tune.
Curadoria e governança
Uma curadoria periódica (reflect) consolida e poda memória podre, evitando context-rot. Mudanças sensíveis (persona permanente, skill nova) podem exigir aprovação humana — tudo é versionado e reversível (/undo, changelog append-only).