核心用法
OpenClaw Self-Improvement 是一套轻量级的自我改进工作流，旨在解决AI操作中重复犯错的痛点。用户通过命令行脚本将学习心得、错误记录、功能请求和实验设计分类写入.learnings/目录下的结构化文件，并支持将重要模式升级至AGENTS.md、TOOLS.md、SOUL.md等核心配置文件。
四类日志类型：
- learning：用户修正、工作流优化、工具踩坑、运营经验
- error：命令失败、集成故障、运行时阻塞、部署异常
- feature：缺失能力请求、工作流缺口、值得构建的重复需求
- experiment：针对重复失败的验证实验，含3-5个二元评估指标
典型工作流：识别重复失败 → 记录基线状态 → 单变量变更 → 重新评估 → 决策保留/丢弃/部分保留 → 符合条件的规则升级至配置文件。
显著优点
1. 闭环验证：强制要求实验类条目包含二进制评估指标，避免"记了不改"的形式主义
2. 分层晋升机制：从临时日志到核心配置文件的明确升级路径，确保知识沉淀
3. 本地安全设计：不读取凭证、不修改系统服务、无网络请求，风险边界清晰
4. governance 兼容：与 Karen/Mission Control 等严格运维框架对接，支持将学习条目转化为运营规则
5. 多语言支持：内置英/中/日/韩/西五语言描述，适配国际化团队
潜在局限
- 非即时修复：日志记录≠问题解决，需配合后续行动
- 人工触发依赖：无自动捕获机制，需要用户主动识别并执行脚本
- 本地孤岛：缺乏跨实例同步能力，分布式团队需额外整合
- 晋升门槛模糊："重要模式"的判断标准依赖操作者主观决策
- 实验设计负担：要求用户具备设计有效二元评估指标的能力
适合人群
- 运营OpenClaw/ClawLite代理的技术团队
- 需要建立AI运维知识库的企业工程师
- 追求"持续改进"而非"救火式修复"的组织
- 已采用或计划采用Karen/Mission Control治理框架的用户
常规风险
| 风险类型 | 说明 |
|---------|------|
| 虚假完成感 | 记录学习条目后被误认为问题已解决 |
| 配置漂移 | 未经充分验证的规则直接晋升至SOUL.md等核心文件 |
| 实验偏见 | 自我设计的评估指标可能存在确认偏误 |
| 权限误用 | 若`OBSIDIAN_LEARNINGS_DIR`配置不当，可能意外写入非预期路径 |
建议配合定期审计和双人复核机制，确保学习-实验-晋升链条的有效性。