learning-engine

核心用法

learning-engine 是一个自动化的经验学习系统，核心功能是「不重复犯相同错误」。它通过三个数据源持续学习：

1. 错误日志分析 (memory/errors/) — 提取失败模式
2. 自我评估结果 (memory/self-eval/) — 识别改进点
3. 性能数据 — 发现成功/失败的时间规律

系统自动将学习到的模式转换为结构化规则，存储于 memory/learned-rules/，并自动注入到相关技能的 SKILL.md 中。每周一生成学习报告，记录新学到的规则、应用到的技能及下周目标。

显著优点

• 闭环改进：从错误记录 → 模式分析 → 规则生成 → 技能更新，全流程自动化
• 知识沉淀：将隐性经验（如「PNG 上传会失败」）显性化为可执行规则
• 跨技能复用：一条规则可自动应用到多个相关技能（如 Instagram 图片规则同时影响 insta-post、cardnews、social-publisher）
• 元学习：系统还会自我分析「哪些规则最常用」「哪些技能进步最快」

局限性与风险

• 规则冲突：当前未解决规则 A 与规则 B 矛盾的情况（Future Improvements 中提及）
• 置信度缺失：无法区分偶然成功 vs 真实规律，缺乏 A/B 测试验证
• 过度拟合风险：小样本错误可能被过度推广为通用规则
• 冷启动问题：新技能缺乏历史数据时学习效果有限

适合人群

• 高频使用自动化工具、希望减少重复调试的开发者
• 运营多个社交账号、需要沉淀平台规则的内容团队
• 追求「越用越聪明」AI 工作流的进阶用户

常规风险

• 自动修改 SKILL.md 可能引入意外副作用，建议版本控制
• 错误归因偏差：系统可能将相关性误判为因果性
• 规则膨胀：长期积累过多规则可能导致决策延迟

---

> 来源：무펭이 🐧 的 Mupengism 生态系统，设计思路清晰，实现完整度高，但当前安全报告为占位符，未实际扫描。

核心用法

learning-engine 是一套自我学习增强系统，通过记录、分析、提炼三个核心步骤，将经验转化为可复用的智能规则。其工作流为：

1. 采集：从 memory/errors/ 错误日志、memory/self-eval/ 周评估、performance Data 中提取成功/失败模式
2. 提炼：将模式转化为结构化规则，存储于 memory/learned-rules/
3. 注入：自动更新相关技能的 SKILL.md 文件，在「Learned Lessons」章节追加经验
4. 反馈：每周一生成学习报告，发布 lesson-learned 事件供 hook-engine 调度

典型触发指令："本周学到了什么？"、"整理Instagram发帖错误模式"、"从性能数据中学习"。

---

显著优点

| 维度 | 价值 |

|------|------|

| **零重复成本** | 同一错误只犯一次，系统自动规避 |

| **经验资产化** | 隐性经验显性化为可版本控制的Markdown规则 |

| **跨技能复用** | 单条规则可标记应用于多个技能（如Instagram规则同时作用于`insta-post`、`cardnews`、`social-publisher`） |

| **量化追踪** | 每周报告统计「新学习数」「应用技能数」「节省成本」，支持元学习分析 |

| **纯文档安全** | 无实际可执行代码，100% Markdown描述，消除代码注入风险 |

| **生态整合** | 与 hook-engine 深度联动，支持错误触发→自动记录→分析→更新技能的完整自动化 |

---

潜在缺点与局限性

1. 人工执行依赖：规则写入 SKILL.md 后，仍需人类或Agent按规则执行，非真正自主代码修正
2. 规则冲突未解决：TODO项提及「Rule A vs Rule B」冲突检测尚未实现，复杂场景可能产生矛盾建议
3. 置信度缺失：规则无使用频率权重，低频偶发错误可能过度泛化为铁律
4. 无A/B验证：待办项中的「Auto A/B testing」未实现，规则有效性缺乏实证检验
5. 单点知识孤岛：「Share learning with other agents」为未来功能，当前学习成果仅限本实例使用
6. T3来源风险：个人开发者维护，无企业级代码审计流程，长期维护稳定性存疑

---

适合人群

• 高频迭代型Agent开发者：需要快速沉淀调试经验，避免重复踩坑
• 多技能协同系统架构师：管理10+技能时，需要统一的经验复用层
• 追求可解释AI的用户：所有学习成果以人类可读的Markdown呈现，非黑盒模型
• 安全敏感场景：纯文档特性满足零代码执行的安全合规要求

---

常规风险

| 风险类型 | 等级 | 说明 |

|----------|------|------|

| 规则僵化 | 中 | 未经A/B测试的规则可能在新场景失效，建议定期人工复核 `memory/learned-rules/` |

| 存储膨胀 | 低 | 长期运行后 `memory/` 目录累积，需设定归档策略 |

| 元学习干扰 | 低 | 若「Meta Learning」判定某技能"学习慢"，可能引发过度优化偏差 |

| 许可证模糊 | 低 | 当前未声明开源许可证，商业使用建议联系作者确认 |

安全认证报告（CLS-2026-0701-MUP1）显示：静态分析95分、动态行为100分、隐私合规95分，两项威胁命中均为「self-eval」「exec」关键词误报。