Self Learning Skill

核心用法

self-learning 是一套Agent 自我学习与记忆更新技能，通过双引擎架构实现 AI 的持续自我成长：

引擎A - 配置文件更新：分析过去24小时对话，智能判断需新增/删除/更新的内容，自动维护8个核心配置文件（MEMORY.md、IDENTITY.md、USER.md、TOOLS.md、SOUL.md、AGENTS.md、BOOTSTRAP.md、HEARTBEAT.md）。

引擎B - 学习记录系统：即时记录用户纠正、错误、功能请求，采用结构化条目（LRN-/ERR-/FEAT- ID系统），支持 Pattern-Key 追踪重复模式（≥3次自动提升至项目文件）。

显著优点

• 通用化设计：不限定平台（OpenClaw/其他），支持工作目录自动检测
• 企业级安全：完整备份机制（保留7天/最多10个）、自动回滚、Markdown验证、删除保护
• Hook集成：onSessionStart 检查高优先级条目，onPromptSubmit 检测纠正信号
• 零外部依赖：无网络API调用，纯本地文件操作

潜在局限

• 需用户明确授权工作目录访问，首次配置有一定门槛
• 个人开发者维护（T3来源），长期稳定性需关注社区活跃度
• 智能分析质量依赖底层AI能力，复杂场景可能需要人工复核

适合人群

• 需要长期记忆持久化的 AI Agent 用户
• 追求 Agent 个性化成长的进阶玩家
• 多项目/多角色管理的开发者团队

常规风险

• 工作目录配置错误可能导致非预期文件读写（已通过 Path隔离缓解）
• 需定期审查.learnings/目录避免敏感信息累积
• 建议开启--dry-run预览模式后再执行正式更新

🧠 self-learning：Agent 自我学习与记忆更新技能综合评估

核心用途

self-learning 是一款专为 AI Agent 设计的自动化自我进化工具。它的核心功能是通过双引擎驱动（配置文件更新与学习记录系统），每日自动分析过去24小时内的全部对话历史，提取用户偏好、纠正错误和新需求，并据此自动维护8个核心文件（如 MEMORY.md, IDENTITY.md, SOUL.md 等），从而实现 Agent 知识库的实时更新和人格的持续完善。该技能为 Agent 赋予了类似人类的“记忆”和“反思”能力，使其在使用中越来越“懂”用户。

显著优点

1. 双引擎自动化：创新性地结合了“记忆更新”和“学习日志”两大系统，不仅能更新配置，还能结构化地记录错误和功能请求，形成完整的成长闭环。2. 企业级安全保障：提供了相当完善的安全防护链，包括更新前自动备份、7天内最多10个备份、更新后自动验证、失败自动回滚，以及支持预览模式 (--dry-run)，极大地降低了误操作风险。3. 高透明度与一致性：经安全认证报告验证，其代码与声明功能高度一致，无混淆、无硬编码密钥、无隐蔽外传行为，行为可预测。4. 通用化设计：不绑定特定平台，通过配置文件和工作目录自动检测，适配性强。

潜在缺点与局限性

1. 来源可信度有限：该技能由个人开发者 Acczdy 创建并维护，GitHub 仓库仅 3 Stars、1 位贡献者且代码提交集中在单日，缺乏广泛的社区验证和审查（CLS-Certify 评级为 T3 级来源），长期维护的可持续性存疑。2. 隐私风险：技能会全量读取并分析过去24小时的对话内容，并在本地生成明文摘要和记忆文件。此过程缺乏主动的用户同意机制，若被定时任务自动触发，用户可能未察觉其数据被处理。3. Agent 行为边界的“软控制”风险：尽管属于合法功能，但该技能拥有直接修改控制 Agent 人格和行为边界的核心文件（如 SOUL.md, CLAUDE.md）的能力。若 AI 分析环节出现误判，可能导致 Agent 的行为模式发生意外的、不符合预期的偏移。

适合的目标群体

1. 高级个人用户或 AI 爱好者：希望深度定制私有化 Agent，使其在长期服务中越来越个性化的使用者。2. 开发者与数据科学家：需要在本地或个人工作环境中，为辅助编程、数据分析等任务构建具备长期记忆Agent的研发人员。3. 小型团队：对 Agent 记忆管理有需求，且具备一定技术能力进行代码审查和二次开发的团队。该技能不适合对稳定性、安全性和合规性有企业级严格要求的生产环境。

使用常规风险

1. 依赖项风险：代码依赖 Python 环境及 PyYAML 等库，环境不匹配可能导致脚本执行失败。2. 性能开销：每日分析24小时对话历史会消耗计算资源和 AI 令牌（Token），尤其是在对话量巨大时，可能带来显著的成本和延迟。3. 配置文件冲突：如果用户手动编辑配置文件或同时使用其他管理工具，可能与 self-learning 的自动更新操作发生冲突，导致配置丢失或混乱。4. 信任模型风险：维护者停止更新后，该技能将不再适应新的安全威胁或平台变化，成为系统中的技术债务。