OpenClaw Self-Improvement

核心用法

OpenClaw Self-Improvement 是一套面向AI操作工作流的系统化学习机制，核心功能包括：

1. 结构化知识捕获

• 使用 log-learning.mjs 脚本按 learning/error/feature/experiment 四分类记录经验
• 输出至 .learnings/ 目录下的四类文件：LEARNINGS.md、ERRORS.md、FEATURE_REQUESTS.md、EXPERIMENTS.md
• 支持可选导出至 Obsidian 知识库（OBSIDIAN_LEARNINGS_DIR）

2. 实验驱动的验证循环

• 对重复失败不直接采纳修复方案，而是设计3-5个二元评估指标
• 记录基线失败状态 → 单变量变更 → 复测评估 → 分类决策（keep/discard/partial_keep）
• 通过 log-experiment.mjs 和 promote-learning.mjs 完成实验全周期

3. 分级知识晋升

• 验证后的规则可写入：
• AGENTS.md：工作流/委托/执行规则
• TOOLS.md：工具使用技巧与环境路由
• SOUL.md：行为准则与不可妥协原则
• 支持 --dry-run 预览变更，避免意外覆盖

4. 治理兼容性

• 与 Karen（严格模式审计）和 Mission Control（运营控制）集成
• 重复阻塞可被提升为可追踪的运营知识，而非停留在对话历史

显著优点

| 维度 | 优势 |

|------|------|

| **防重复失败** | 将"聊天即焚"的经验转化为系统规则，打破"同一错误反复犯"的循环 |

| **科学验证** | 二元评估实验避免"感觉有用"的主观决策，确保 guardrail 真正减少失败 |

| **渐进安全** | 本地文件优先、dry-run 预览、单变量变更，降低"修复引入新 bug"风险 |

| **生态兼容** | 原生支持 Obsidian 知识库导出，与现有笔记工作流无缝衔接 |

| **治理就绪** | 为严格AI运维场景（Karen/Mission Control）提供可审计的学习追溯链 |

潜在局限

1. 执行门槛：要求操作者具备设计二元评估指标的能力，对非技术用户存在认知负担
2. 延迟收益：实验循环需多次迭代，不适合追求即时修复的紧急场景
3. 晋升风险：AGENTS.md/SOUL.md 的写入操作若未严格 review，可能污染核心行为定义
4. 依赖 Node：需要本地 Node.js 环境，纯浏览器/云端环境无法直接运行
5. 非万能解：明确警示"日志≠修复"，不能用于为未完成交付找借口

适合人群

• OpenClaw/ClawLite 重度用户：需要系统化管理AI助手行为迭代
• AI运维工程师：构建可审计、可复现的AI系统改进流程
• Obsidian 用户：希望将AI操作经验纳入个人知识管理系统
• 严格治理场景：需要满足Karen审计或Mission Control合规要求的团队

常规风险

| 风险类型 | 说明 | 缓解措施 |

|----------|------|----------|

| 误晋升风险 | 未经验证的规则写入核心文件 | 强制 `--dry-run` 预览；实验验证后再晋升 |

| 路径污染 | `OBSIDIAN_LEARNINGS_DIR` 指向错误目录 | 显式配置检查；建议仅指向专用学习目录 |

| 实验设计偏误 | 评估指标未覆盖真实失败模式 | 引用 `{baseDir}/references/eval-loop.md` 标准模板 |

| 日志膨胀 | 长期运行导致 `.learnings/` 目录臃肿 | 定期归档或建立清理SOP |

| 安全幻觉 | 本地文件操作被误认为"绝对安全" | 晋升操作仍需人工review；敏感内容避免明文记录 |

> 来源可信度：T2（系统设计文档，含完整实现参考与治理兼容说明，未经独立安全审计）

核心用法

OpenClaw Self-Improvement 是一款专为 OpenClaw/ClawLite AI Agent 框架设计的自我改进工具。其核心机制是将 AI 操作过程中产生的失误、用户修正、阻塞点和优化方案转化为持久化的运营知识。用户通过调用 log-learning.mjs、log-experiment.mjs 和 promote-learning.mjs 等脚本，将学习记录分类存储至 .learnings/ 目录下的专用 Markdown 文件（LEARNINGS.md、ERRORS.md、FEATURE_REQUESTS.md、EXPERIMENTS.md），并可经审核后提升至 AGENTS.md、TOOLS.md 或 SOUL.md 等核心配置文件。该技能支持四种记录类别：learning（用户修正与运营经验）、error（命令与集成失败）、feature（能力缺口请求）、experiment（需验证的规则变更），并内置二进制评估循环机制，确保新规则在推广前经过实测验证。

显著优点

该技能的最大价值在于解决了 AI 操作中"错误重复发生"的系统性问题——将原本散落在对话历史中的教训转化为可查询、可迭代的结构化知识。其设计亮点包括：纯本地文件操作、零外部依赖、支持 --dry-run 预览模式、与 Obsidian 知识库无缝集成，以及兼容 Karen/Mission Control 等严格运维治理框架。实验评估机制（3-5 个二进制指标、单变量变更、基线对比）为规则优化提供了科学方法论，避免凭直觉引入新规则。此外，分类化的记录体系（学习/错误/功能/实验）使运营知识具备了可检索性和可分析性。

潜在缺点与局限性

首要局限在于"记录不等于修复"——该技能本身不自动解决已发现的问题，依赖人工跟进和规则推广。其次，T3 来源（个人开发者维护）意味着长期维护和社区审计的可持续性存在不确定性。功能层面，技能目前仅支持 Node.js 环境，对非技术用户有一定门槛；Obsidian 集成需要手动配置环境变量，缺乏图形化配置界面。此外，实验评估机制虽科学但增加了操作复杂度，对于追求快速迭代的轻量场景可能显得冗余。最后，学习日志的积累若无定期清理和归档策略，可能导致信息膨胀反而降低检索效率。

适合的目标群体

该技能最适合以下用户：一是运行 OpenClaw/ClawLite 框架的 AI 运维团队，需要系统化管理 Agent 行为演进；二是追求"运营即代码"理念的技术驱动型组织，希望将 AI 协作经验沉淀为可版本化的规则；三是个人超级用户，使用 Obsidian 构建第二大脑并希望对 AI 交互历史进行结构化存档；四是采用严格变更管理的团队（如金融、医疗合规场景），需要实验验证机制支撑决策。不适合期望"开箱即用"、无技术背景的大众用户，或追求极简交互体验的轻度使用者。

使用风险

性能方面，频繁的磁盘追加写入在高并发场景下可能成为 I/O 瓶颈，尽管单机 Agent 场景下此风险极低。依赖项风险为零（纯 Node.js 内置模块），但 Node.js 版本兼容性需关注（建议使用 v18+）。数据安全方面，虽然无网络外泄风险，但 .learnings/ 目录可能积累敏感的业务上下文，需确保工作区目录的访问权限控制。操作风险在于 --dry-run 参数若被遗漏，可能意外修改目标文件；建议首次使用时强制验证输出路径。此外，SOUL.md 等核心配置文件的自动追加可能引入未经充分测试的规则，建议建立人工审核闸门。长期风险来自维护者可持续性，建议关键用户考虑 fork 后自行维护核心功能。