Self-Improving Agent

核心用法

self-improvement 是一款面向 AI 编码智能体的持续学习记录系统，核心功能是通过结构化日志捕获三类关键信息：

1. 错误记录（ERRORS.md）：命令失败、API 异常、集成错误
2. 知识修正（LEARNINGS.md）：用户纠正、过时知识、最佳实践
3. 功能需求（FEATURE_REQUESTS.md）：用户请求的新能力

触发条件明确：操作失败、用户说"不，错了"、发现知识过期、找到更优方案等场景自动记录。采用 TYPE-YYYYMMDD-XXX 格式编码，支持状态追踪（pending → resolved/promoted）和跨条目关联（See Also）。

显著优点

• 零网络依赖：纯本地 Markdown 文件操作，无 API 调用，无数据外泄风险
• 智能体原生设计：专为 Claude Code、Codex、Copilot 等多智能体场景优化，支持 OpenClaw 工作区集成
• 知识升华机制：高频/高价值学习自动提升至 CLAUDE.md、AGENTS.md 等项目级记忆文件
• 模式检测：支持 Pattern-Key 追踪重复问题，Recurrence-Count ≥ 3 时触发系统提示词反馈
• 安全架构完善：输入验证、路径防护、隐私保护全部通过认证

局限与注意事项

• T3 来源：个人开发者维护，无企业级背书，需用户自行评估长期维护风险
• Hook 配置需谨慎：PostToolUse Hook 涉及读取命令输出，可能触及敏感信息，建议默认仅启用 UserPromptSubmit
• 手动干预为主：虽有触发条件提示，实际记录仍依赖智能体/用户主动执行，无强制自动化
• 许可证缺失：当前未指定开源协议，存在使用条款模糊风险

适合人群

• 长期维护复杂代码库的技术团队（多人协作场景下知识沉淀）
• 使用 Claude Code / OpenClaw / Codex CLI 的深度 AI 用户
• 追求可审计、可追溯 AI 辅助开发流程的工程师
• 需要跨会话记忆延续的 AI-first 工作流实践者

常规风险

• 日志内容风险：默认禁止记录 secrets/tokens，但用户可能误操作写入敏感信息；建议配合 .gitignore 本地化管理
• Hook 误配置：过度激进的 Hook 设置可能增加 token 消耗（每次提醒 50-100 tokens）或意外暴露命令输出
• 知识陈旧：未定期 review 的 .learnings/ 可能积累过时条目，反而干扰决策
• 多智能体冲突：跨会话共享（sessions_send）功能仅在可信环境使用，存在信息泄露边界风险

整体评估：该 Skill 是 AI 辅助开发成熟度进阶的关键基础设施，安全设计优秀（S级），功能边界清晰，适合对 AI 工作流有系统化要求的团队采用。