核心用法
OpenClaw Self-Improvement 是一套轻量级的智能体自我改进框架，旨在解决AI操作中"同一错误反复出现"的痛点。其核心机制是将分散在对话历史中的经验教训，转化为可追踪、可验证、可推广的系统规则。
四类记录类型：
- learning（学习记录）：用户纠正、更优工作流、工具陷阱、运营经验
- error（错误日志）：命令失败、集成故障、运行时阻塞、部署异常
- feature（功能请求）：缺失能力、运营缺口、值得立项的重复需求
- experiment（实验验证）：针对重复失败的受控测试，通过二元评估决定是否推广新规则
典型工作流程：
1. 使用 log-learning.mjs 脚本记录初始问题
2. 对反复出现的失败，启动 experiment 流程：定义3-5个二元评估指标 → 记录基线失败状态 → 单次变更 → 复测 → 判定 keep/discard/partial_keep
3. 验证有效的模式通过 promote-learning.mjs 升级至 AGENTS.md、TOOLS.md 或 SOUL.md
4. 可选同步至 Obsidian 运营笔记库，形成可复用的操作资产
显著优点
- 防止知识流失：将对话中的隐性经验显式化为可追溯的文档
- 数据驱动决策：实验模式强制要求二元评估指标，避免"感觉有用"的主观判断
- 渐进式改进：单次变更原则确保因果可归因，符合科学实验方法论
- 治理兼容性：与 Karen（严格运营治理）和 Mission Control 深度集成，支持从聊天记录到运营规则的自动升级
- 本地化安全：不读取凭据、不修改系统服务、不发起网络请求，风险边界清晰
潜在局限
- 手动触发依赖：记录动作需用户或操作员主动发起，无法自动捕获所有上下文
- 实验成本：完整的 eval-loop 需要设计评估指标并执行多次迭代，对简单问题可能过度设计
- 推广瓶颈：从
.learnings/到核心配置文件的升级仍需人工判断（promote-learning.mjs仅为辅助） - 无自动修复：明确区分"记录"与"修复"，日志条目不代表问题已解决
- 范围限制：仅作用于工作区文件，跨项目/跨团队的知识复用需额外配置
OBSIDIAN_LEARNINGS_DIR
适合人群
- AI运营团队：需要减少重复故障、建立运维知识库的工程师
- 智能体开发者：构建长期运行、需持续优化的自动化工作流
- DevOps/SRE 实践者：追求"错误驱动改进"文化的技术团队
- 严格治理环境：已采用 Karen 或 Mission Control 模式的企业级部署
常规风险
- 虚假安全感：过度依赖日志记录可能掩盖实际修复动作的缺失
- 实验设计偏差：二元评估指标若设计不当，可能导致错误结论
- 规则膨胀：未经严格实验验证的"学习"被快速推广，反而增加系统复杂度
- 本地隔离的双刃剑：虽提升安全性，但也意味着无法自动同步至中央知识库