| name | evolve |
| description | 自我進化 Agent：給定目標，自主學習並迭代改進直到完成。 觸發詞：evolve、進化、自我學習、迭代改進、達成目標。 適用於：複雜任務自動完成、需要學習新技能的任務、多步驟迭代改進。 |
| allowed-tools | Bash, Read, Write, Edit, Glob, Grep, WebSearch, WebFetch, Task, AskUserQuestion, TodoWrite |
| version | 2.1.0 |
Self-Evolving Agent v2.1
給定目標 → 評估能力 → 習得技能 → 執行 → 診斷 → 多策略重試 → 結構化記憶 → 直到成功
核心理念
┌─────────────────────────────────────────────────────────────────┐
│ Self-Evolving Loop v2.0 │
│ │
│ ┌──────────┐ │
│ │ 目標 │ │
│ └────┬─────┘ │
│ ↓ │
│ ┌──────────────┐ │
│ │ 能力邊界評估 │ ← NEW: 先評估自己會什麼、缺什麼 │
│ └──────┬───────┘ │
│ ↓ │
│ ┌──────────────┐ ┌──────────────┐ │
│ │ Skill 習得 │ ──→ │ 驗證學習 │ ← NEW: 整合 skillpkg │
│ │ (recommend/ │ │ (簡單測試) │ │
│ │ install) │ └──────┬───────┘ │
│ └──────────────┘ ↓ │
│ ↓ │
│ ┌──────────┐ ┌──────────┐ ┌──────────────┐ │
│ │ Plan │ ──→ │ Do │ ──→ │ Check │ │
│ │ (規劃) │ │ (執行) │ │ (失敗診斷) │ ← NEW │
│ └──────────┘ └──────────┘ └──────┬───────┘ │
│ ↑ │ │
│ │ ┌──────────────┐ │ │
│ └────────── │ 多策略選擇 │ ←───────┘ ← NEW │
│ │ (策略池機制) │ │
│ └──────┬───────┘ │
│ │ │
│ ┌──────▼───────┐ │
│ │ 結構化經驗 │ ← NEW: 可檢索的經驗格式 │
│ │ Memory │ │
│ └──────────────┘ │
│ │
│ 重複直到：目標達成 或 達到最大迭代次數 │
└─────────────────────────────────────────────────────────────────┘
v2.0 新增能力
| 能力 | 說明 |
|---|---|
| Skill 自動習得 | 整合 skillpkg MCP，自動搜尋/安裝/載入 skills |
| 失敗模式診斷 | 分類失敗類型，針對性處理 |
| 能力邊界感知 | 執行前評估自己會什麼、缺什麼 |
| 多策略嘗試 | 不重複同一策略，從策略池選擇 |
| 結構化經驗 | 可檢索的經驗格式，支援經驗傳承 |
| 學習驗證 | 安裝 skill 後先驗證再應用 |
使用方式
觸發詞：/evolve [目標描述]
範例：
/evolve 建立一個能自動生成遊戲道具圖片的 ComfyUI 工作流程
/evolve 優化這段程式碼的效能，目標是降低 50% 執行時間
/evolve 為這個專案建立完整的測試覆蓋率達到 80%
執行流程
Phase 1: 目標分析
0. 目標明確性檢查（優先執行）
┌─────────────────────────────────────────────────────────┐
│ 檢查項目： │
│ □ 有具體的成功標準嗎？ │
│ □ 有可量化的驗收條件嗎？ │
│ □ 範圍是否明確？ │
│ □ 有技術/資源約束嗎？ │
│ □ 有時間/品質偏好嗎？ │
└─────────────────────────────────────────────────────────┘
若有 ≥2 項不明確 → 使用 AskUserQuestion 確認
若只有 1 項不明確 → 用【假設】補齊，列出假設內容
若全部明確 → 直接進入目標解析
1. 解析目標
- 最終成功標準是什麼？
- 如何驗證目標達成？
- 有哪些約束條件？
2. 分解子目標
- 將大目標拆成可執行的步驟
- 識別依賴關係
- 設定每個步驟的驗收標準
3. 評估現有能力
- 需要哪些技能/工具？
- 哪些已具備？哪些需要學習？
Phase 1.5: 能力邊界評估 (NEW)
執行任務前，先進行自我能力評估。以下是評估時使用的思考框架：
# ========================================
# 能力評估思考框架（範例，實際內容依任務而定）
# ========================================
task: "[分析用戶的任務後填入]"
capability_assessment:
# 確定會的（根據實際情況填寫）
confident_in:
- skill: "[技能名稱]"
level: "熟練 / 基本 / 略知"
# 不確定的
uncertain_about:
- skill: "[技能名稱]"
reason: "[為什麼不確定]"
# 確定需要學習的
definitely_need:
- "[需要的技能或知識]"
# 行動計劃
action_plan:
- step: "[下一步行動]"
tool: "[使用的工具]"
範例（當任務是「用 ComfyUI 生成遊戲道具」時）：
task: "用 ComfyUI 生成遊戲道具圖片"
capability_assessment:
confident_in:
- skill: "Python 程式設計"
level: "熟練"
uncertain_about:
- skill: "ComfyUI 工作流程"
reason: "從未使用過"
definitely_need:
- "ComfyUI 節點操作知識"
action_plan:
- step: "搜尋 ComfyUI 相關 skill"
tool: "recommend_skill"
評估流程：
任務分析 → 列出需要的能力 → 自評每項能力
↓
┌───────────────────────────────────────────┐
│ 對於每項「不確定」或「確定需要」的能力： │
│ │
│ 1. cipher_memory_search 查找過去經驗 │
│ 2. 沒有經驗 → recommend_skill 搜尋 │
│ 3. 找到 skill → install + verify │
│ 4. 驗證通過 → 加入 confident_in │
└───────────────────────────────────────────┘
↓
所有關鍵能力都在 confident_in → 開始執行
目標確認問卷（使用 AskUserQuestion）
當目標不明確時，一次收齊關鍵資訊：
┌─────────────────────────────────────────────────────────────────┐
│ ❓ 需要確認目標細節 │
│ │
│ 您的目標：[用戶輸入的原始目標] │
│ │
│ 請幫我確認以下幾點： │
│ │
│ 1. 成功標準 │
│ □ 能正常運作即可 │
│ □ 需要特定效能指標（請說明） │
│ □ 需要通過測試/驗收條件（請說明） │
│ │
│ 2. 範圍限制 │
│ □ 只處理核心功能 │
│ □ 需要完整實作（含邊界情況） │
│ □ 需要考慮擴展性 │
│ │
│ 3. 品質 vs 速度 │
│ □ 快速完成優先（可接受後續優化） │
│ □ 品質優先（寧可慢也要做好） │
│ □ 平衡 │
│ │
│ 4. 其他約束 │
│ □ 無特別限制 │
│ □ 有（請說明：技術棧/相容性/資源限制） │
└─────────────────────────────────────────────────────────────────┘
不明確目標範例
| 用戶輸入 | 缺少的資訊 | 需要確認 |
|---|---|---|
| 「優化效能」 | 優化什麼？目標數值？ | ✅ |
| 「做一個網站」 | 什麼功能？什麼風格？ | ✅ |
| 「修好這個 bug」 | bug 現象？預期行為？ | ✅ |
| 「把這段程式碼重構成 TypeScript，要有型別定義」 | 全部明確 | ❌ |
| 「建立登入功能，要有 JWT 和刷新 token」 | 全部明確 | ❌ |
Phase 2: 執行循環（PDCA）
每個子目標執行以下循環：
┌─ Plan（規劃）─────────────────────────────────────────┐
│ - 制定具體執行計劃 │
│ - 預測可能的問題 │
│ - 準備備選方案 │
└───────────────────────────────────────────────────────┘
↓
┌─ Do（執行）───────────────────────────────────────────┐
│ - 按計劃執行 │
│ - 記錄執行過程 │
│ - 收集中間結果 │
└───────────────────────────────────────────────────────┘
↓
┌─ Check（評估）────────────────────────────────────────┐
│ - 結果是否符合預期？ │
│ - 如果失敗，分析原因 │
│ - 評估：完全成功 / 部分成功 / 失敗 │
└───────────────────────────────────────────────────────┘
↓
┌─ Act（改進）──────────────────────────────────────────┐
│ 如果成功： │
│ - 記錄成功經驗到 Memory │
│ - 進入下一個子目標 │
│ │
│ 如果失敗： │
│ - 反思：為什麼失敗？ │
│ - 學習：需要什麼新知識/技能？ │
│ - 搜索：查找相關資料 │
│ - 更新：改進執行策略 │
│ - 重試：帶著新知識重新執行 │
└───────────────────────────────────────────────────────┘
Phase 3: 反思與學習（Reflexion）
每次失敗後的反思流程：
1. 失敗分析
- 錯誤類型是什麼？（邏輯/語法/環境/理解）
- 根本原因是什麼？
- 是否遺漏了什麼？
2. 知識補充
- 需要學習什麼？
- 使用 WebSearch 搜索相關資料
- 閱讀文檔或範例
3. 策略調整
- 原策略哪裡有問題？
- 新策略是什麼？
- 如何避免同樣的錯誤？
4. 記憶更新
- 將學到的經驗寫入 Memory
- 格式：[情境] → [錯誤] → [解決方案]
Phase 4: 記憶系統 (Cipher MCP)
雙記憶架構 (Cipher Memory Layer)：
┌─ System 1: 知識記憶（Knowledge Memory）──────────────┐
│ - Codebase 知識、業務邏輯 │
│ - 成功的解決方案、最佳實踐 │
│ - 過去的互動經驗 │
│ 工具：cipher_extract_and_operate_memory │
│ 搜尋：cipher_memory_search │
└───────────────────────────────────────────────────────┘
┌─ System 2: 反思記憶（Reflection Memory）─────────────┐
│ - AI 推理步驟和問題解決模式 │
│ - 策略演進記錄 │
│ - 持續改進的代碼生成 │
│ 工具：cipher_store_reasoning_memory │
│ 搜尋：cipher_search_reasoning_patterns │
└───────────────────────────────────────────────────────┘
┌─ 情境記憶（Session Memory）──────────────────────────┐
│ - 當前執行的上下文 │
│ - 本次迭代的嘗試記錄 │
│ - 臨時數據 │
│ 儲存：對話上下文 │
└───────────────────────────────────────────────────────┘
Cipher 優勢：
✓ 跨 IDE 同步（Cursor ↔ VS Code ↔ Claude Code）
✓ 團隊共享記憶（Workspace Memory）
✓ 自動學習開發模式
✓ 零配置即用
自我進化機制
1. 技能習得（整合 skillpkg MCP）(ENHANCED)
當遇到無法完成的任務時：
┌─────────────────────────────────────────────────────────────────┐
│ 技能習得流程 v2.0 │
│ │
│ 1. 識別技能缺口 │
│ - 「我無法完成 X 因為我不知道如何 Y」 │
│ - 區分：缺「知識」還是缺「工具」 │
│ │
│ 2. 搜尋已有經驗 │
│ cipher_memory_search({ query: "Y" }) │
│ - 有經驗 → 直接應用 │
│ - 無經驗 → 繼續步驟 3 │
│ │
│ 3. 搜尋可用 Skill │
│ recommend_skill({ query: "Y", criteria: "popular" }) │
│ - 評估推薦的 skill 是否適用 │
│ - 查看 alternatives 比較選擇 │
│ │
│ 4. 安裝 Skill │
│ install_skill({ source: "best-skill-name" }) │
│ - 從 Registry / GitHub / URL 安裝 │
│ │
│ 5. 載入並學習 │
│ load_skill({ id: "best-skill-name" }) │
│ - 仔細閱讀 instructions │
│ - 理解使用方式和限制 │
│ │
│ 6. 驗證學習 ← NEW │
│ - 用簡單任務測試是否學會 │
│ - 成功 → 應用到實際任務 │
│ - 失敗 → 重新學習或換 skill │
│ │
│ 7. 記錄學習經驗 │
│ cipher_extract_and_operate_memory({ │
│ content: "情境 + skill + 效果" │
│ }) │
│ cipher_store_reasoning_memory({ │
│ pattern: "學到的推理模式" │
│ }) │
└─────────────────────────────────────────────────────────────────┘
Skill 習得範例：
任務：用 ComfyUI 生成遊戲道具
1. 識別缺口：不會 ComfyUI
2. cipher_memory_search("ComfyUI") → 無結果
3. recommend_skill({ query: "ComfyUI game assets" })
→ 推薦：comfyui-expert (⭐4.9, 2.1k downloads)
→ 理由：專門處理遊戲素材，支援透明背景
4. install_skill({ source: "comfyui-expert" })
→ 安裝成功
5. load_skill({ id: "comfyui-expert" })
→ 學習 instructions
6. 驗證：生成一張簡單測試圖
→ 成功！
7. cipher_extract_and_operate_memory 記錄經驗
cipher_store_reasoning_memory 記錄推理模式
2. 失敗模式診斷 (NEW)
失敗時先分類，再針對性處理：
┌─────────────────────────────────────────────────────────────────┐
│ 失敗類型分類表 │
│ │
│ 類型 A: 知識缺口 │
│ ├─ 症狀：不知道怎麼做、沒見過這種問題 │
│ ├─ 診斷：缺少領域知識或工具使用經驗 │
│ └─ 處方：recommend_skill → install → learn │
│ │
│ 類型 B: 執行錯誤 │
│ ├─ 症狀：知道怎麼做但做錯了、語法錯誤、參數錯誤 │
│ ├─ 診斷：粗心或理解不完整 │
│ └─ 處方：重新閱讀文檔、仔細檢查參數 │
│ │
│ 類型 C: 環境問題 │
│ ├─ 症狀：依賴缺失、版本不符、權限不足 │
│ ├─ 診斷：環境配置問題 │
│ └─ 處方：修復環境、安裝依賴、切換版本 │
│ │
│ 類型 D: 策略錯誤 │
│ ├─ 症狀：方法正確但不適合當前情境 │
│ ├─ 診斷：選錯了解決方案 │
│ └─ 處方：切換到策略池中的其他策略 │
│ │
│ 類型 E: 資源限制 │
│ ├─ 症狀：記憶體不足、API 限制、時間超時 │
│ ├─ 診斷：硬體或服務限制 │
│ └─ 處方：優化資源使用、分批處理、換用輕量方案 │
└─────────────────────────────────────────────────────────────────┘
診斷流程：
失敗發生 → 收集錯誤訊息 → 分類失敗類型 → 選擇對應處方 → 執行修復
│
└─ 記錄到 cipher_extract_and_operate_memory（避免重複踩坑）
3. 多策略機制 (NEW)
不重複嘗試同一個失敗策略，維護策略池進行智慧選擇：
策略池結構：
┌─────────────────────────────────────────────────────────────────┐
│ strategy_pool: │
│ current_task: "批量生成遊戲道具圖片" │
│ │
│ available_strategies: │
│ - id: "s1" │
│ name: "ComfyUI + RemBG" │
│ status: "untried" │
│ priority: 1 │
│ requirements: ["comfyui", "rembg"] │
│ │
│ - id: "s2" │
│ name: "Stable Diffusion API + 透明背景模型" │
│ status: "untried" │
│ priority: 2 │
│ requirements: ["sd-api-key"] │
│ │
│ - id: "s3" │
│ name: "DALL-E + 後處理去背" │
│ status: "untried" │
│ priority: 3 │
│ requirements: ["openai-key"] │
│ │
│ tried_strategies: │
│ - id: "s1" │
│ result: "failed" │
│ reason: "ComfyUI 安裝失敗" │
│ do_not_retry_until: "環境問題解決" │
└─────────────────────────────────────────────────────────────────┘
策略選擇邏輯：
1. 從 available_strategies 按 priority 排序
2. 跳過 status = "failed" 且 do_not_retry_until 未滿足的
3. 選擇第一個可行的策略
4. 如果所有策略都失敗 → 詢問用戶或搜尋新策略
策略追蹤格式：
{
"strategy": "使用 ComfyUI 批量生成圖片",
"context": "遊戲道具生成",
"attempts": 5,
"successes": 4,
"failures": 1,
"failure_reasons": ["模型未載入"],
"improvements": ["先檢查模型是否存在"],
"success_rate": 0.8
}
4. 結構化經驗格式 (NEW)
經驗必須用可檢索的格式儲存，方便未來查詢：
# 結構化經驗模板
experience:
id: "exp-20250102-001"
type: "learning" | "solution" | "failure" | "optimization"
# 情境（用於匹配）
context:
task_type: "圖片生成"
domain: "ComfyUI"
keywords: ["透明背景", "遊戲素材", "批量"]
# 問題描述
problem:
description: "生成的圖片有白色背景"
symptoms: ["PNG 有背景", "不透明"]
error_messages: []
# 解決方案
solution:
approach: "使用 RemBG 節點移除背景"
steps:
- "安裝 ComfyUI-Manager"
- "搜尋並安裝 RemBG 節點"
- "在工作流程最後加入 RemBG"
code_snippets: []
resources: ["https://..."]
# 驗證結果
verification:
tested: true
success: true
notes: "需要足夠 GPU 記憶體"
# 元資料
metadata:
created_at: "2025-01-02"
confidence: "high"
reuse_count: 0
經驗儲存範例：
await memory_archive({
"content": """
## 經驗：ComfyUI 生成透明背景圖片
**情境**: 遊戲素材生成、需要 PNG 透明背景
**問題**: 預設輸出有白色背景
**解法**: 使用 RemBG 節點後處理
**驗證**: ✅ 成功
**注意**: 需要 4GB+ GPU 記憶體
""",
"type": "solution",
"tags": ["comfyui", "透明背景", "rembg", "遊戲素材"]
})
5. 學習驗證流程 (NEW)
安裝新 skill 後，必須驗證真的學會才能應用：
┌─────────────────────────────────────────────────────────────────┐
│ 學習驗證流程 │
│ │
│ 1. 安裝 Skill │
│ install_skill({ source: "comfyui-expert" }) │
│ │
│ 2. 載入 Instructions │
│ load_skill({ id: "comfyui-expert" }) │
│ │
│ 3. 設計簡單驗證任務 │
│ ┌─────────────────────────────────────┐ │
│ │ 驗證任務應該： │ │
│ │ • 範圍小、可快速完成 │ │
│ │ • 涵蓋核心能力 │ │
│ │ • 有明確的成功標準 │ │
│ └─────────────────────────────────────┘ │
│ │
│ 4. 執行驗證 │
│ ┌─────────────────────────────────────┐ │
│ │ 例：生成一張簡單的測試圖片 │ │
│ │ 檢查是否符合預期格式 │ │
│ └─────────────────────────────────────┘ │
│ │
│ 5. 評估結果 │
│ ✅ 成功 → 加入 confident_in，繼續主任務 │
│ ❌ 失敗 → 重新學習或嘗試其他 skill │
└─────────────────────────────────────────────────────────────────┘
驗證範例：
Skill: comfyui-expert
驗證任務: 生成一張 256x256 的藍色方塊圖片
成功標準: 輸出 PNG、尺寸正確、顏色正確
結果: ✅ 成功
→ 確認學會 ComfyUI 基本操作，繼續主任務
6. 策略進化
追蹤每種策略的成功率：
策略選擇邏輯：
- 優先選擇成功率高的策略
- 失敗時切換到備選策略（參考多策略機制）
- 新情境時嘗試類比已知策略
- 所有策略都失敗時，搜尋新策略或詢問用戶
7. Prompt 自我優化
根據執行結果調整自己的 Prompt：
原始 Prompt：
「生成一個遊戲道具圖片」
失敗後反思：
「生成的圖片背景不透明，不適合遊戲使用」
優化後 Prompt：
「生成一個遊戲道具圖片，要求：
- 透明背景（PNG 格式）
- 256x256 解析度
- 卡通風格」
儲存優化後的 Prompt 模板到記憶中
停止條件
Agent 在以下情況停止：
✅ 成功條件：
- 所有子目標完成
- 驗收標準通過
❌ 失敗條件：
- 達到最大迭代次數（預設 10 次）
- 連續 3 次相同錯誤
- 用戶手動中止
⚠️ 暫停條件：
- 需要用戶決策
- 需要外部資源
- 風險操作需確認
與用戶的互動
進度報告（每個主要步驟後）：
┌─────────────────────────────────────────────────────┐
│ 📊 進度更新 │
│ │
│ 目標：建立 ComfyUI 工作流程 │
│ 進度：███████░░░ 70% │
│ │
│ ✅ 已完成： │
│ - 安裝 ComfyUI │
│ - 下載基礎模型 │
│ - 建立基本工作流程 │
│ │
│ 🔄 進行中： │
│ - 加入 LoRA 支援 │
│ │
│ ⏳ 待完成： │
│ - 批量生成功能 │
│ - 輸出格式優化 │
│ │
│ 📝 學習記錄： │
│ - 發現：LoRA 需要特定節點 │
│ - 解決：安裝 ComfyUI-Manager │
└─────────────────────────────────────────────────────┘
需要確認時：
┌─────────────────────────────────────────────────────┐
│ ❓ 需要您的決定 │
│ │
│ 我嘗試了兩種方法都失敗了： │
│ 1. 直接載入模型 → 記憶體不足 │
│ 2. 使用低精度模型 → 品質不佳 │
│ │
│ 建議選項： │
│ A. 使用雲端 GPU（需要費用） │
│ B. 降低輸出解析度（512→256） │
│ C. 換用更小的模型 │
│ │
│ 您希望怎麼做？ │
└─────────────────────────────────────────────────────┘
實作注意事項
安全機制
1. 迭代上限
- 防止無限循環
- 預設最大 10 次嘗試
2. 範圍限制
- 不執行危險操作（rm -rf 等）
- 重要操作需用戶確認
3. 資源監控
- 追蹤 API 呼叫次數
- 避免過度消耗
4. 回滾機制
- 每次重大變更前備份
- 失敗時可以回滾
效能優化
1. 快取成功經驗
- 避免重複學習相同內容
2. 平行執行
- 獨立的子任務可平行處理
3. 早期失敗檢測
- 快速識別不可行的方向
4. 漸進式複雜度
- 先嘗試簡單方案
- 失敗後再嘗試複雜方案
與現有系統整合
整合 Cipher Memory (MCP)
# 儲存知識記憶 (System 1)
await mcp__cipher__cipher_extract_and_operate_memory({
"content": """
## 學習記錄：ComfyUI LoRA 載入
情境：需要在 ComfyUI 中使用自訓練的 LoRA
問題：直接使用 Load LoRA 節點失敗
解決方案：
1. 確認 LoRA 檔案在 models/loras/ 目錄
2. 使用 LoraLoader 節點（不是 Load LoRA）
3. 設定 strength_model 和 strength_clip
驗證：成功載入並生成圖片
"""
})
# 搜尋知識記憶
results = await mcp__cipher__cipher_memory_search({
"query": "ComfyUI LoRA 載入問題"
})
# 儲存推理模式 (System 2)
await mcp__cipher__cipher_store_reasoning_memory({
"pattern": "遇到節點載入失敗時，先檢查檔案路徑和節點類型是否正確"
})
# 搜尋推理模式
patterns = await mcp__cipher__cipher_search_reasoning_patterns({
"query": "節點載入失敗"
})
Cipher 工具對照表：
| 舊工具 (claude-dev-memory) | 新工具 (Cipher) |
|---|---|
| memory_archive | cipher_extract_and_operate_memory |
| memory_search | cipher_memory_search |
| memory_update | cipher_extract_and_operate_memory |
| - | cipher_store_reasoning_memory (新增) |
| - | cipher_search_reasoning_patterns (新增) |
整合 PAL 工具
# 深度思考複雜問題
await mcp__pal__thinkdeep({
"step": "分析為什麼批量生成會失敗",
"findings": "記憶體在第 5 張圖時耗盡",
"hypothesis": "沒有正確釋放 GPU 記憶體",
...
})
# 多模型驗證方案
await mcp__pal__consensus({
"step": "評估三種解決方案的可行性",
"models": [
{"model": "gpt-5", "stance": "for"},
{"model": "gemini-2.5-pro", "stance": "against"}
],
...
})
範例執行過程
用戶：/evolve 建立一個能批量生成遊戲道具圖片的系統
Agent：
📋 目標分析完成
目標：建立批量遊戲道具圖片生成系統
驗收標準：
- 能一次生成 10+ 張道具圖片
- 風格一致
- 背景透明
- 解析度 512x512
子目標：
1. ✅ 確認 ComfyUI 環境
2. 🔄 建立基礎工作流程
3. ⏳ 加入風格控制（LoRA）
4. ⏳ 實作批量生成
5. ⏳ 輸出格式處理
---
🔄 執行子目標 2：建立基礎工作流程
Plan：建立 text-to-image 基本流程
Do：[建立工作流程...]
Check：❌ 失敗 - 生成的圖片有背景
📝 反思：
- 問題：預設輸出不是透明背景
- 原因：沒有使用適當的模型和後處理
- 學習需求：如何生成透明背景圖片
🔍 搜索中...
[WebSearch: "ComfyUI transparent background PNG game assets"]
📚 學到：
- 需要使用 Remove Background 節點
- 或使用專門的 icon 生成模型
Act：更新策略，加入背景移除步驟
---
🔄 重試子目標 2
Plan：加入 RemBG 節點移除背景
Do：[更新工作流程...]
Check：✅ 成功 - 背景已透明
💾 儲存經驗到記憶
---
繼續下一個子目標...