核心用法
OpenClaw Self-Improvement 是一套轻量级运营改进框架，旨在解决 AI 运维中"同一错误反复发生"的痛点。其核心机制是将分散在聊天记录中的失败经验转化为结构化、可追踪的系统规则。
主要功能模块：
- Learning（学习记录）：捕获用户纠正、更优工作流、工具陷阱和运营教训
- Error（错误日志）：记录命令失败、集成故障、运行时阻塞和部署异常
- Feature（功能请求）：整理缺失能力、运营工作流缺口和值得立项的重复需求
- Experiment（实验验证）：对重复失败设计受控实验，通过二进制评估验证新规则有效性
典型使用场景：
- 用户要求"让智能体自我改进"、"记录学习心得"、"将修正经验制度化"
- 需要对新的 guardrail/SOP/清单进行"保留/废弃"决策
- 通过 Karen/Mission Control 实现更严格的运维治理
输出目标： durable 的学习条目、错误条目、功能请求、带二进制评估的实验记录，或提升至 AGENTS.md/TOOLS.md/SOUL.md 的正式规则。
显著优点
1. 闭环改进机制：不同于简单的错误记录，强制要求"日志≠修复"，推动从记录到验证的完整周期
2. 实验驱动：通过受控实验（单变量变更+二进制评估）避免"拍脑袋"式规则添加
3. 多语言原生支持：文档内置英/中/日/韩/西五种语言描述
4. 治理兼容性：与 Karen（重复失败引用）和 Mission Control（规则升级）深度集成
5. 本地安全：不读取凭据、不修改系统服务、不发网络请求，写入范围限于工作区文件
潜在缺点与局限性
- 非自动修复：明确警告"Logging is not the same as fixing"，可能产生"已记录=已解决"的误解
- 实验开销：小型团队可能缺乏资源执行完整的 5 步 eval loop
- 推广摩擦：从
.learnings/到正式文档（AGENTS.md 等）的晋升路径需要人工判断 - Obsidian 依赖可选：高级功能需要显式配置
OBSIDIAN_LEARNINGS_DIR
适合人群
- 运营 OpenClaw/ClawLite 智能体系统的技术团队
- 追求"持续改进"而非"救火式运维"的 AI 运维工程师
- 需要严格治理合规的企业级部署（配合 Karen/Mission Control）
- 愿意投入实验验证成本、拒绝"拍脑袋"决策的成熟团队
常规风险
| 风险类型 | 说明 |
|---------|------|
| 记录幻觉 | 误将学习条目当作交付物闭合，掩盖未修复的缺陷 |
| 实验偏差 | 单变量控制不当导致错误归因规则有效性 |
| 规则膨胀 | 未经 eval loop 验证的规则堆积，造成系统复杂化 |
| 治理脱节 | Karen/Mission Control 引用但未实际执行晋升规则 |