核心用法
OpenClaw 自改进技能是一套轻量级知识沉淀系统，用于将对话中的失误、修正和阻塞转化为持久化的运营规则。它通过分类日志（learning/error/feature/experiment）捕获问题，支持实验驱动的二元评估循环，并将验证有效的规则晋升至 AGENTS.md、TOOLS.md 或 SOUL.md 等核心配置。
显著优点
1. 阻断失败循环：将散落在对话历史中的错误转化为可追溯的系统规则，避免同一问题反复发生。
2. 实验验证机制：引入二元评估（binary eval）和单一变量变更原则，确保新规则经过实测后再推广，降低盲目优化的风险。
3. 多目标晋升：学习成果可无缝写入 Obsidian 知识库、Agent 配置或运维手册，形成多层级知识资产。
4. 与严格治理兼容：原生支持 Karen/Mission Control 等强管控框架，便于在受监管环境中落地。
潜在缺点与局限
- 记录≠修复：技能明确警告日志本身不是交付闭环，过度依赖可能导致"纸上谈兵"而忽视即时修复。
- 实验开销：二元评估循环需要额外投入定义基准、设计 eval、执行对比，对简单场景可能过于繁重。
- 晋升依赖人工判断：规则是否值得推广仍需操作者决策，系统无法自动判定"重要性"阈值。
- 无自动冲突检测：多个晋升规则之间可能存在逻辑冲突，需人工维护一致性。
适合人群
- 运行 OpenClaw/ClawLite 代理的 DevOps/SRE 团队
- 需要持续迭代 AI 工作流的产品与运营人员
- 追求"运维即代码"、希望将隐性经验显性化的技术组织
- 已有 Obsidian 知识管理习惯、希望打通 AI 运维笔记的用户
常规风险
| 风险类型 | 说明 |
|---------|------|
| 数据滞留风险 | 日志文件若无定期归档，可能积累敏感信息于 `.learnings/` 目录 |
| 实验偏差 | 人为选择"有利"的 eval 指标可能导致虚假验证 |
| 规则膨胀 | 过度晋升碎片化规则，导致 AGENTS.md 等文件臃肿难维护 |
| 责任模糊 | "已记录学习"易被误用作未解决问题的免责借口 |