核心用法
OpenClaw 自我改进技能是一套轻量级的运营学习框架，旨在解决 AI 代理重复犯错的常见问题。它通过六个脚本命令将临时修正转化为持久知识：
log-learning.mjs：记录用户纠正、工作流优化、工具陷阱和运营教训log-learning.mjs error：捕获命令失败、集成故障和运行时阻塞log-learning.mjs feature：追踪缺失能力和重复出现的功能请求log-learning.mjs experiment：为反复失败设计单变量测试log-experiment.mjs：执行二进制评估循环，验证规则有效性promote-learning.mjs：将验证后的模式提升为 AGENTS.md、TOOLS.md 或 SOUL.md 中的正式规则
显著优点
防止知识流失：将散落在对话历史中的纠正转化为结构化文件，避免"同错再犯"。
实验驱动验证：强制要求对新规则进行 3-5 项二进制评估，避免未经测试的变更进入生产环境。
分层存储策略：.learnings/ 目录用于快速捕获，Obsidian 知识库用于长期运营资产，推广目标文件用于执行层规则。
与严格治理兼容：原生支持 Karen 审计和 Mission Control 的强制执行，可将重复阻塞提升为跟踪的运营知识。
潜在局限
不自动修复问题：明确区分"记录"与"解决"，学习条目不能替代缺陷修复。
依赖人工判断：实验的 keep/discard/partial_keep 决策需要操作员介入，未完全自动化。
单变量限制：每次实验只允许一个变更，复杂系统优化可能需要多轮迭代。
推广路径未强制：从学习到正式规则的跃迁需要显式调用 promote 脚本，存在遗忘风险。
适合人群
- 运营 OpenClaw/ClawLite 代理系统的技术团队
- 需要建立 AI 代理行为审计轨迹的合规敏感组织
- 追求"渐进式制度化"而非"大爆炸式重构"的务实工程师
- 使用 Obsidian 作为第二大脑的知识管理实践者
常规风险
日志膨胀：缺乏归档机制可能导致 .learnings/ 目录无限增长。
评估指标漂移：二进制 evals 的定义若不一致，跨实验比较将失效。
规则冲突：多个独立实验推广的规则可能在 AGENTS.md 中产生矛盾约束。
虚假安全感：团队可能误将"已记录"等同于"已解决"，延误实际修复。