核心用法
OpenClaw Self-Improvement 是一套面向 AI 运营场景的轻量级经验沉淀系统，解决"同样的错误反复发生"这一典型痛点。它将散落在对话历史中的失误、修正和优化思路，转化为可追踪、可验证、可升级的结构化知识。
技能提供四种日志类型：
- learning：用户纠正、更优工作流、工具陷阱、运营经验
- error：命令失败、集成故障、运行时阻塞、部署异常
- feature：缺失能力、运营工作流缺口、值得立项的重复需求
- experiment：针对重复失败的受控验证，通过二进制评估决定规则去留
操作路径遵循"记录→实验→升级"三阶段：先用 CLI 脚本写入 .learnings/ 目录下的四类 Markdown 文件；对高频失败设计 3-5 个二进制评估指标，单变量改动后复测；验证有效的规则最终晋升至 AGENTS.md（执行规则）、TOOLS.md（工具与环境）、SOUL.md（行为原则）或 Obsidian 运营笔记。
显著优点
1. 闭环设计：不只是"记下来"，而是强制配套 eval-loop，确保改进真实有效
2. 渐进式治理：从本地日志到项目级配置文件，再到跨项目复用的 Obsidian 知识库，分层沉淀
3. 与严苛运维兼容：明确支持 Karen / Mission Control 等强治理模式，可将重复故障自动升级为跟踪项
4. 单变量原则：实验规范要求"一次只改一处"，避免多因素混杂导致结论失效
5. 零外部依赖：本地脚本操作，不读取凭据、不修改系统服务、不发起网络请求
潜在缺点与局限性
- 非修复工具：日志≠修复，仍需人工或后续开发介入解决根本问题
- 手动触发依赖：需要用户主动识别并调用技能，无法自动捕获所有上下文
- 评估设计门槛：二进制 eval 的设计质量直接决定实验有效性，对使用者有方法论要求
- 晋升摩擦：从实验验证到正式写入核心配置文件的决策权仍在人，可能延迟固化
- Obsidian 集成需配置：默认仅写入工作区文件，跨项目复用需显式设置
OBSIDIAN_LEARNINGS_DIR
适合人群
- 运营高频 AI 工作流并追求"不贰过"的开发者与 Prompt Engineer
- 采用 OpenClaw / ClawLite 架构、需要持续调优代理行为的团队
- 使用 Karen / Mission Control 等强治理框架、希望将聊天级经验制度化的运维人员
- 愿意投入额外认知成本设计评估实验、以数据驱动决策而非直觉判断的精进者
常规风险
- 虚假安全感风险：团队可能误将"已记录"视为"已解决"，导致问题积压
- 实验选择性偏差：容易倾向于验证已相信有效的改动，忽视反证
- 规则膨胀风险：未经定期清理的晋升规则可能使核心配置文件臃肿，反而降低执行效率
- 上下文丢失：日志摘要若过于精简，后期复盘时可能丢失关键决策背景