核心用法
Self-Improvement Skill 是一套面向 AI 编码代理的持续学习框架，通过结构化日志捕获四类关键信息：用户纠正（correction）、知识缺口（knowledge_gap）、最佳实践（best_practice）以及外部错误（errors）。系统要求用户在特定触发条件下立即记录——包括命令失败、用户纠正、发现过时知识、找到更优方案等场景。
日志采用三级分类存储：.learnings/LEARNINGS.md 记录认知层面的学习，.learnings/ERRORS.md 记录技术故障，.learnings/FEATURE_REQUESTS.md 记录功能需求。每条记录遵循标准化格式，包含唯一 ID（TYPE-YYYYMMDD-XXX）、优先级、领域标签、详细上下文及建议修复方案。
显著优点
结构化知识沉淀：相比传统对话式 AI 的"失忆"问题，该 skill 强制将隐性经验转化为可追溯、可检索的显性文档，支持跨会话、甚至跨项目复用。
渐进式智能提升：高价值学习可"晋升"（promote）至项目级记忆文件（CLAUDE.md、AGENTS.md 等），从个人学习升级为团队协作规范，实现"教会一个，惠及全员"。
多平台兼容性：原生支持 OpenClaw 工作空间注入，同时适配 Claude Code、Codex、GitHub Copilot 等主流 Agent，通过 hooks 或手动方式均可激活。
技能提取机制：当学习满足"重复出现、已验证有效、非显而易见、广泛适用"等条件时，可自动提取为可复用的独立 skill，形成正向循环。
潜在缺点与局限性
执行依赖人工触发：除 OpenClaw 的自动注入外，其他平台需用户手动识别触发条件并执行记录，存在遗漏风险。
维护成本：日志需定期审阅（review）、晋升（promote）、解决（resolve），否则易沦为"知识坟墓"。项目需提供明确的维护责任分工。
格式学习曲线：完整的记录模板包含 10+ 字段，对轻量使用场景可能显得繁琐。
无内置分析工具：系统未提供趋势分析、聚类挖掘等智能功能，依赖人工识别重复模式。
适合人群
- 长期使用 AI 辅助编码的专业开发者，希望积累个人/团队知识库
- 复杂项目的核心维护者，需要记录项目特定约定与陷阱
- 多 Agent 协作场景下的技术负责人，寻求统一的工作流规范
- 追求"可进化的 AI 工作流"的早期采用者
常规风险
信息泄露：日志可能包含敏感错误信息、文件路径、业务逻辑细节，需谨慎处理 .learnings/ 目录的 Git 可见性（默认建议加入 .gitignore）。
过度记录：缺乏优先级判断的低价值记录会稀释注意力，建议严格执行 priority 分级，定期清理 pending 条目。
晋升标准不一：不同用户对"何时晋升到 CLAUDE.md"理解差异大，可能导致项目级文件膨胀或遗漏关键知识。
Agent 行为漂移：若晋升后的记忆文件未同步更新，不同 Agent 可能基于过时的 SOUL.md/AGENTS.md 做出矛盾决策。
安全等级说明：本简介基于文档结构分析生成，未执行代码审计。该 skill 本身不执行网络请求或文件系统敏感操作，风险主要来源于用户记录的内容敏感性及后续 Agent 对记忆文件的解读一致性。