核心用法
Adaptive Learning Agent 是一个面向 AI 工作流的本地知识管理工具，通过 Python API 提供四种核心能力：
1. 记录成功模式 (record_learning) — 捕获有效的提示词技巧、API 用法、最佳实践等
2. 记录错误与修复 (record_error) — 记录故障现象、上下文和解决方案，自动转为可复用的学习条目
3. 智能检索 (search_learnings, get_recent_learnings, get_learnings_by_category) — 按关键词、类别或时间查找相关知识
4. 汇总与导出 (get_learning_summary, export_learnings) — 生成统计报告，支持 JSON 导出便于团队共享
数据默认存储于本地 .adaptive_learning/ 目录，零外部依赖，无需 API 密钥。
显著优点
- 零依赖与纯本地：单文件 Python 实现，无第三方包，无网络调用，无数据上传
- 隐私优先：无需账号、认证或 telemetry，适合敏感开发环境
- MIT 开源协议：可自由修改、集成、二次分发
- 结构化分类：内置 technique、bug-fix、api-endpoint、best-practice 等预设类别
- 团队协同：JSON 导出功能支持知识在团队或项目间流转
潜在缺点与局限性
- 无分布式同步：纯本地存储意味着多设备使用需手动迁移或额外同步机制
- 无版本控制：学习条目一旦记录，缺乏内置的修改历史和冲突解决机制
- 检索能力有限：基于关键词匹配，无语义搜索或向量检索，大规模数据下效率存疑
- 无权限管理：导出文件无加密或访问控制，敏感知识需谨慎共享
- 社区维护状态：依赖社区贡献，长期维护持续性不确定
适合人群
- 频繁与 Claude/LLM 交互的开发者，希望系统化沉淀试错经验
- 独立开发者或小团队，需要轻量级、无运维成本的知识管理工具
- 对数据隐私敏感，拒绝云端服务的用户
- 希望建立个人或团队 "错误知识库"，减少重复踩坑的工程师
常规风险
- 数据丢失风险：本地文件损坏或误删无自动备份，建议定期导出
- 知识过时：记录的 API 行为或模型特性可能随厂商更新而失效，需定期审查
- 过度依赖历史经验：检索到的旧解法可能不适用于新场景，需结合上下文判断
- 无安全审计：作为社区项目，代码安全性依赖使用者自行审查