核心用法
OpenClaw Self-Improvement 是一套面向 OpenClaw/ClawLite 工作流的操作知识沉淀系统，核心目标是将聊天历史中的零散错误转化为可追踪、可验证、可升级的持久规则。
四大记录类型：
- learning：用户修正、工作流优化经验、工具陷阱
- error：命令失败、集成故障、运行时阻塞
- feature：缺失能力请求、操作者工作流缺口
- experiment：需验证的防护规则变更，通过二进制评估循环决定是否保留
关键命令：log-learning.mjs（记录四类条目）、log-experiment.mjs（实验追踪）、promote-learning.mjs（规则升级）、analyze-openclaw-failures.mjs（故障分类）、daily-agent-scorecard.mjs（日度交付评分）。
故障分类体系：将模糊"模型问题"细化为 NetworkPolicyBlocked、SessionContextRot、ToolInvalidArguments 等 8 类可操作的 harness 故障，支持修复工单自动生成。
显著优点
- 闭环设计：从错误记录 → 实验验证 → 规则升级（AGENTS.md/TOOLS.md/SOUL.md）完整链路
- 证据驱动：评分卡依赖真实收据、URL、完成证据，拒绝"感觉良好"的虚假闭环
- 与治理工具兼容：原生支持 Karen（重复故障引用学习库）和 Mission Control（规则升级后的合规执行）
- 本地安全：纯本地文件工作流，无网络 I/O，敏感操作支持
--dry-run预览 - Obsidian 集成：可选导出至 Obsidian 知识库，形成可复用的操作者日志
潜在缺点与局限性
- 非自动修复：明确区分"记录"与"修复"，学习条目不能替代损坏交付物的补救
- 依赖人工评审：规则升级需操作者主动审查，无自动晋升机制
- Node 环境依赖：需要本地 Node.js 运行时，纯浏览器/云端环境无法直接使用
- 实验成本：二进制评估循环要求设计 3-5 个 eval，对简单场景可能过度工程化
- 文件管理负担：长期运行将产生大量
.learnings/文件，需要定期归档策略
适合人群
- 运行 OpenClaw/ClawLite 多 Agent 工作流的技术操作者
- 需要日度交付可审计性的自动化营销/内容运营团队
- 追求"同一错误不犯两次"的系统性改进实践者
- 使用 Obsidian 管理操作知识的个人知识管理用户
常规风险
- 虚假安全感风险：记录学习 ≠ 解决问题，需警惕用"已记录"替代"已修复"
- 规则膨胀风险：频繁升级可能导致 AGENTS.md 等文件臃肿，需配合定期清理
- 路径配置风险：
OBSIDIAN_LEARNINGS_DIR指向错误路径可能导致非预期文件修改 - 实验误用风险：单次变更原则若被违反，将无法归因失败根因
- 评分卡盲区：
ProofMissing、HumanApprovalRequired类阻塞若盲目重试，可能放大损失