核心功能与用法
Self-Learning 是一款面向 AI Agent 的「自我进化」技能，采用 配置文件更新 + 学习记录系统 双引擎架构。核心用法围绕四个场景：
1. 自动记忆更新：分析 24 小时对话历史，AI 智能判断 8 个核心配置文件（MEMORY.md、IDENTITY.md 等）的新增/删除/更新需求
2. 即时学习记录：捕获用户纠正、错误事件、功能请求，结构化记录到 .learnings/ 目录
3. 智能提升机制：当 Recurrence-Count ≥ 3 时，自动将学习条目提升为项目级配置（SOUL.md、AGENTS.md 等）
4. Hook 集成：在会话启动和提示提交时触发检查，实现被动感知
典型工作流：
# 主动执行学习周期 python3 scripts/memory_update.py [--dry-run|--workspace PATH] # 被动记录学习条目 python3 scripts/learning_manager.py add-learning --category correction --summary "..."
显著优点
| 维度 | 优势 |
|------|------|
| **架构设计** | 双引擎分离（配置更新 vs 学习记录），职责清晰；通用化设计不限定平台 |
| **自动化程度** | 自动检测工作目录、自动备份回滚、自动模式识别与提升 |
| **企业级特性** | 完整日志、文件验证、7 天备份保留、单元测试覆盖、预览模式 |
| **扩展性** | Hook 系统支持 OpenClaw 等平台集成；ID 系统规范（LRN-/ERR-/FEAT- 前缀） |
| **安全性** | 更新前强制备份、Markdown 语法验证、最大删除数量限制 |
潜在缺点与局限性
- 外部依赖重：需 Python 环境 +
requirements.txt依赖，非纯 Shell 方案 - AI 分析黑盒：核心「智能判断」依赖外部 LLM，结果可解释性和稳定性取决于模型质量
- 存储膨胀风险：
.learnings/目录长期累积需手动清理策略（仅备份有自动清理） - Hook 侵入性：OpenClaw 等平台 Hook 可能干扰原生工作流，需用户显式启用/禁用
- 跨平台兼容：Hook 路径写死
~/.openclaw/，Windows 支持未明确
适合人群
- 长期运行的 AI Agent 项目：需要持续积累用户偏好和工作流模式的场景
- 多 Agent 协作团队：通过 AGENTS.md、SOUL.md 共享「集体记忆」
- 追求可观测性的开发者：需要结构化追踪 Agent 「为什么犯错」和「如何改进」
- OpenClaw 生态用户：原生 Hook 集成，开箱即用
常规风险
| 风险类别 | 具体表现 | 缓解措施 |
|----------|----------|----------|
| **配置漂移** | AI 误判导致核心配置被意外修改 | `--dry-run` 预览 + 备份回滚机制 |
| **敏感信息泄露** | 对话历史中的密钥被提取到 MEMORY.md | 需配置 `safety.max_delete_count` 和正则过滤（当前未内置） |
| **存储空间耗尽** | 备份和学习记录无限增长 | 7 天备份自动清理；建议定期归档 `.learnings/` |
| **Hook 冲突** | 与其他 OpenClaw Hook 抢占事件 | Hook 命名空间隔离 + 显式启用/禁用 |
| **依赖失效** | Python 依赖版本冲突或仓库不可用 | 建议锁定 `requirements.txt` 版本并私有镜像 |
总体评估
这是一款架构成熟、功能完整的 Agent 进化基础设施，适合对「可积累、可追溯、可回滚」有明确需求的 AI 项目。但其价值实现高度依赖外部 LLM 的推理质量，建议在关键配置更新前强制人工 Review。