核心用法
OpenClaw Self-Improvement 是一套面向AI运维的闭环学习系统，通过标准化日志记录、分类归档与晋升机制，将分散的聊天历史中的错误转化为可复用的操作系统规则。
五大记录类型：
- learning（用户纠正、工作流优化经验）
- error（命令/集成/运行时故障）
- feature（缺失能力、操作者工作流缺口）
- experiment（带3-5个二元评估的受控实验，验证新规则有效性）
- harness（网关、会话、平台级故障分类）
关键工作流：
1. 使用 log-learning.mjs 按类型记录事件
2. 对重复故障执行 log-experiment.mjs，定义基线失败状态→单变量修改→重评→keep/discard/partial_keep 决策
3. 高价值模式通过 promote-learning.mjs 晋升至 AGENTS.md（执行规则）、TOOLS.md（工具配置）、SOUL.md（行为原则）
4. 可选同步至Obsidian知识库，形成操作者日志资产
---
显著优点
- 根因分类体系：8类标准化故障标签（
NetworkPolicyBlocked、SessionContextRot、HumanApprovalRequired等），终结"模型问题"的模糊归因 - 证据链驱动的每日评分卡：
daily-agent-scorecard.mjs对比 Mission Control 声明与实际交付收据、URL、结案证据 - 严格本地执行：零网络I/O，仅操作文件系统，降低攻击面
- 与Karen/Mission Control治理兼容：晋升后的学习项可作为新操作规则被严格监督系统引用
---
潜在局限
- Node.js 依赖：需预装Node运行环境
- 手动审查缺口：
--dry-run预览晋升操作，但最终写入仍需人工确认，大规模自动化场景可能产生审查瓶颈 - 学习≠修复：系统明确警示"记录不等于解决"，需配套执行机制
- 实验设计门槛：有效的二元评估循环要求操作者具备问题抽象与指标设计能力
---
适合人群
- 运行OpenClaw/ClawLite多代理系统的运维工程师与提示词工程师
- 需要审计AI代理交付质量的运营管理者
- 构建自改进工作流的AI系统架构师
- 使用Obsidian管理技术笔记的个人知识管理实践者
---
常规风险
| 风险类型 | 说明 | 缓解措施 |
|---------|------|---------|
| 文件系统污染 | 持续写入 `.learnings/` 及多处Markdown文件 | 配置 `OBSIDIAN_LEARNINGS_DIR` 指向专用路径，定期归档 |
| 规则膨胀 | 过度晋升导致 `AGENTS.md` 等文件臃肿 | 实验验证通过后再晋升，执行 keep/discard 硬性决策 |
| 评估指标偏差 | 二元评估设计不当导致假阳性优化 | 参考 `eval-loop.md` 模板，强制3-5个独立评估维度 |
| 责任边界模糊 | 学习记录被误读为故障结案 | 文档明确标注："Do not treat a learning entry as closure" |
安全设计亮点：--dry-run 机制、本地-only执行、晋升目标的人工审查要求，共同构成了防御性深度。