核心用法
OpenClaw Self-Improvement 是一个面向AI运维团队的自改进框架，用于捕获和固化操作经验。核心功能包括：
1. 分类记录：通过四种分类（learning/error/feature/experiment）记录用户修正、系统错误、功能缺口和验证实验
2. 实验驱动改进：针对重复失败定义二进制评估指标，采用"单变量变更+对照验证"的科学方法
3. 知识升级：将验证有效的模式提升到 AGENTS.md（工作流规则）、TOOLS.md（工具使用指南）、SOUL.md（行为原则）或 Obsidian 知识库
显著优点
- 打破遗忘循环：将聊天历史中的错误转化为可追溯的系统规则，避免重复踩坑
- 轻量可操作：通过命令行脚本实现零摩擦记录，无需复杂基础设施
- 科学验证：实验模块强制要求基线-对照-评估的严谨流程，避免"感觉有效"的伪优化
- 治理兼容：设计上支持 Karen/Mission Control 等严格运维治理工具，可将学习条目转化为强制规则
潜在局限
- 仅记录不修复：技能本身不自动修复问题，依赖人工后续行动
- 本地限制：不读取凭证、不修改系统服务、不做网络请求，企业级场景可能需要扩展
- 推广门槛：从实验记录到 AGENTS.md 等核心文件的升级需要明确的
OBSIDIAN_LEARNINGS_DIR配置 - 效果依赖执行文化：若团队不坚持"记录→实验→推广"的完整闭环，易沦为形式化日志
适合人群
- 运行 OpenClaw/ClawLite 智能体平台的运维团队
- 需要持续优化AI工作流、减少重复失败的工程师
- 采用严格运维治理（如 Karen/Mission Control）的组织
- 希望建立"从错误中学习"机制的技术团队
常规风险
- 虚假安全感：将记录误当作问题解决，导致故障重复发生
- 实验污染：未严格执行"单变量变更"原则，导致无法归因改进来源
- 规则膨胀：过度推广未经验证的"学习"，使 AGENTS.md 等核心文件臃肿难维护
- 本地化孤岛：知识被困在本地文件，团队间难以共享复用