核心用法
Self-Improvement Skill 是一套结构化的学习捕获与知识管理系统，专为 AI 编程助手设计。核心机制包含三类日志文件：
- `.learnings/LEARNINGS.md` — 知识习得、用户修正、最佳实践发现
- `.learnings/ERRORS.md` — 命令失败、API 异常、工具故障
- `.learnings/FEATURE_REQUESTS.md` — 用户需求缺口、能力边界反馈
每条记录采用标准化 ID 格式（TYPE-YYYYMMDD-XXX），包含优先级分级（critical/high/medium/low）、领域标签（frontend/backend/infra/tests/docs/config）及可追踪的状态流转（pending → in_progress → resolved/wont_fix/promoted）。
关键工作流程：
1. 触发检测：识别 6 类场景——命令失败、用户纠正（"Actually..."）、缺失功能请求、外部 API 故障、知识过时、更优方案发现
2. 即时记录：使用模板化格式追加写入，确保上下文完整性（时间戳、环境、复现步骤、建议修复）
3. 定期回顾：任务前检索相关学习，避免重复踩坑
4. 知识升级：广泛适用的学习提升至 CLAUDE.md、.github/copilot-instructions.md 等持久化项目记忆
5. 技能提取：高频/非显而易见的问题经验证后，自动提取为可复用的独立 Skill
Hook 集成（可选）：通过 Claude Code/Codex 的 UserPromptSubmit 和 PostToolUse 钩子实现自动化触发提醒。
显著优点
- 经验资产化：将单次对话中的纠错转化为团队共享知识，突破会话隔离限制
- 预防性编程：任务前主动检索相关学习，显著降低重复错误率
- 多 Agent 兼容：支持 Claude Code、Codex CLI、GitHub Copilot 等不同平台
- 渐进式治理：从临时日志 → 项目记忆 → 独立技能，形成知识成熟度曲线
- 结构化可追溯：标准化 ID 与交叉引用（See Also）支持模式识别与根因分析
潜在局限
- 手动开销：虽有 Hook 提醒，核心记录仍需人工判断与撰写，高频场景下可能中断心流
- 冷启动问题：新项目无历史积累时，初期价值有限
- 质量依赖：记录质量高度依赖撰写者的上下文提取能力，潦草记录降低复用价值
- 无自动聚合：缺乏内置的聚类分析，需人工识别重复模式以触发技能提取
- Git 策略复杂：团队共享 vs 个人本地存储的权衡需要明确的 .gitignore 策略
适合人群
| 场景 | 收益 |
|------|------|
| 长期迭代的大型项目 | 防止知识流失，新成员/新会话快速上手 |
| 多 Agent 协作团队 | 统一知识沉淀格式，跨工具经验复用 |
| 复杂技术栈项目 | 捕获框架特定的非显而易见行为与坑点 |
| 高频探索性开发 | 快速原型阶段的经验系统化归档 |
常规风险
- 敏感信息泄露：错误日志可能包含 API 密钥、数据库连接字符串等，需审查后提交
- 过时知识累积：已解决的 issue 若未及时标记 resolved，可能造成误导
- 过度工程化：小型项目或短期任务中，完整流程可能 ROI 为负
- 责任模糊：AI 生成内容的归属与审核责任在团队层面需明确
- 隐私合规：用户反馈中的个人信息需脱敏处理，尤其涉及
.learnins/入仓场景