核心功能
Self-Improvement Skill 是一套面向 AI 代理的元认知框架，用于捕获执行过程中的故障、用户反馈和认知更新，驱动持续改进循环。该技能通过标准化 markdown 日志格式，将零散的经验转化为可检索、可复用的结构化知识资产。
显著优点
1. 结构化知识捕获：定义三类日志模板——LEARNINGS.md（学习记录）、ERRORS.md（错误日志）、FEATURE_REQUESTS.md（功能需求），均配备唯一 ID、优先级、状态追踪和元数据系统
2. 智能升级机制：重要学习可"晋升"至 CLAUDE.md（项目级事实）或 AGENTS.md（代理工作流规则），实现从个案经验到通用知识的转化
3. 自动化检测触发器：预设关键词模式自动识别用户纠正（"No, that's wrong..."）、功能请求（"Can you also..."）和知识缺口
4. 周期性复盘支持：提供 CLI 命令快速筛选待处理项、高频问题区域，支持数据驱动的改进决策
5. 团队协同友好：可选版本控制集成，使学习成为团队共享资产而非个人记忆
潜在局限
- 依赖主动执行：需 AI 或开发者主动调用，无强制触发机制，存在遗漏风险
- 日志膨胀风险：活跃项目可能快速积累大量条目，需定期维护避免信息过载
- 质量参差不齐：日志价值高度依赖记录者的细节完整度，缺乏自动校验
- 晋升主观性："广泛适用性"判断标准模糊，可能导致重要知识未升级或过度升级
- 无自动修复：仅记录问题，修复仍需人工或后续代理处理
适用场景
- 长期运行的 AI 编码代理项目
- 多开发者协作的复杂代码库
- 需要维护项目特定约定的团队
- 追求可观测性和可追溯性的工程文化
风险评估
| 风险类型 | 等级 | 说明 |
|---------|------|------|
| 信息泄露 | 低 | 日志可能含敏感路径或错误细节，建议审查后再提交版本控制 |
| 依赖惯性 | 中 | 过度依赖历史日志可能导致忽视环境变化 |
| 维护负担 | 中 | 需定期投入时间进行回顾和清理，否则沦为僵尸文件 |