核心用法
Safe Self-Improving 是一款面向 Claude Code 的纯 Markdown 文档型技能，通过声明式触发条件实现 AI 辅助的自我进化管理。用户通过自然语言指令主动触发九类核心功能：记录教训/错误/最佳实践、回顾学习记录、获取优化建议、任务五维评估、智能技能生成、学习记录导出、学习趋势分析以及记录清除。
所有操作严格遵循"用户确认制"——系统先向用户展示即将记录的内容，经明确确认后才执行写入。数据仅存储于项目目录下的 .learnings/ 文件夹，包含 LEARNINGS.md、ERRORS.md、IMPROVEMENTS.md 及技能草案目录等，实现完全本地化的知识沉淀。
智能技能生成是该技能的差异化亮点：系统自动扫描学习记录，当同一领域出现 ≥3 条相关条目或同类错误反复发生时，自动生成包含 name、description、触发条件、操作流程的 SKILL.md 草案，置信度基于数据量和一致性计算，用户可选择保存、安装或跳过。
显著优点
安全架构领先：作为 T-MD 分类（纯 Markdown）技能，无可执行代码（0 行），彻底消除动态执行风险。明确承诺零 Hook 注册、零跨会话通信、零自动修改系统文件，所有改进建议仅记录不执行。
隐私保护完善：采用"本地优先"原则，6 类敏感信息自动脱敏（用户名路径、API Key/Token、IP、邮箱、手机、身份证），符合 GDPR 数据最小化原则，零外部 API 调用确保数据零上传。
知识管理闭环：从记录、检测（70% 关键词匹配去重）、分析到智能提炼形成完整闭环。重复出现 3 次的教训自动标记高优先级，五维评估（完成度/效率/质量/满意度）量化任务表现，趋势分析提供领域热力图和解决率统计。
输出可迁移：支持 Markdown 人类可读归档与 JSON 结构化数据双格式导出，便于迁移至其他工具或长期备份。
潜在缺点与局限性
依赖用户主动性：无自动触发机制，若用户忘记主动记录，高频模式可能遗漏或延迟发现。
智能生成质量波动：技能草案置信度分为 high/medium/low，基于有限本地数据生成的触发条件和操作流程可能需要人工调优，不能直接用于生产环境。
数据孤岛：.learnings/ 目录绑定单项目，跨项目知识迁移需手动导出导入，缺乏内置的多项目聚合视图。
无版本控制集成：学习记录文件未与 Git 自动关联，历史追溯需依赖文件系统或手动导出。
适合的目标群体
- 个人开发者/技术博主：希望建立个人技术债务和最佳实践知识库
- 小团队 Tech Lead：需要轻量级团队经验沉淀工具，避免重复踩坑
- AI 辅助编程深度用户：频繁与 Claude Code 协作，希望系统性"训练"Agent 理解个人偏好
- 隐私敏感型企业用户：无法接受云端知识管理，需要纯本地方案
使用风险
性能风险：高频大文件读写场景下，.learnings/ 目录下的 Markdown 文件可能累积至数万行，Read 工具读取全量内容时响应延迟增加，建议定期归档或导出清理。
误脱敏风险：6 类脱敏规则基于正则匹配，极端情况下可能误伤正常内容（如含 @ 符号但非邮箱的字符串），建议关键记录前人工复核。
来源可信度限制：维护者为个人开发者（T3 级），虽代码透明可审计，但长期维护承诺存疑，关键环境使用建议进行独立代码审查。
技能草案验证不足：自动生成的技能未经充分测试即建议安装，直接部署可能导致意外行为，需严格执行"草案→审查→测试→安装"流程。