Learning Engine
核心用法
learning-engine 是一个自动化经验学习系统，通过分析错误日志、自我评估和性能数据，提取成功/失败模式，自动生成规则并注入到相关 Skill 的 SKILL.md 中。
主要功能流程
1. 数据采集：从 memory/errors/、memory/self-eval/、performance Data 三处获取学习素材
2. 模式提取：识别重复出现的错误原因和成功因素
3. 规则生成：将模式转换为可执行的规则，存入 memory/learned-rules/
4. 自动注入：把相关规则追加到对应 Skill 的 ## Learned Lessons 章节
5. 事件发布：通过 events/lesson-learned-*.json 通知其他组件
6. 周报生成：每周一自动生成学习报告
显著优点
- 闭环改进：错误→分析→规则→预防，形成完整学习闭环
- 零重复错误：通过规则注入，同类型错误不会重复发生
- 量化收益：明确记录节省的 token、提升的 engagement 等指标
- Hook 集成：与
hook-engine深度联动，实现全自动学习管道 - 元学习能力：连学习引擎自身也会分析"哪些规则最有效"
潜在缺点与局限性
- 规则冲突风险：不同来源的规则可能互相矛盾（文档已标记为未来改进项）
- 置信度缺失：当前无规则有效性评分，可能积累过时规则
- 领域局限：示例高度集中于 Instagram 场景，通用性待验证
- A/B 测试缺失：规则生成后无自动验证机制
- 人工干预少：全自动流程可能导致错误规则被固化
适合人群
- 高频自动化用户：需要长期维护大量 Skill 的开发者
- 团队协作场景：希望沉淀团队最佳实践、避免个人重复踩坑
- 性能敏感场景：需要持续优化 token 使用、API 调用成本的场景
- 迭代密集型项目：频繁试错、快速迭代的开发模式
常规风险
| 风险类型 | 说明 |
|---------|------|
| 规则膨胀 | 长期运行后 SKILL.md 可能被大量历史规则淹没 |
| 上下文污染 | 自动注入的内容可能覆盖人工维护的精细调优 |
| 误关联 | 错误模式可能被错误归因，生成无效规则 |
| 隐私泄露 | 错误日志可能包含敏感信息，需确保 `memory/errors/` 访问控制 |
安全与可信度评估
- 来源：个人开发者 무펭이 🐧（GitHub: mupeng），Mupengism 生态系统
- 无外部依赖：纯本地文件系统操作
- 风险可控：仅修改指定的 memory/ 和 skills/ 目录，不执行网络请求
建议配合定期人工审核 memory/learned-rules/ 和 Skill 中的 Learned Lessons 章节，清理过时规则。