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）