核心用法
self-improvement-loop 是 OpenClaw 平台的自动化反馈处理闭环系统，通过四层架构实现AI能力的持续自我优化：
1. 实时捕获层 — handler.js 钩子实时拦截用户对话中的 CORRECTION/ERROR/FEATURE 关键词，将潜在改进点推送到 AI 上下文，由 AI 决定是否写入 ~/.openclaw/workspace/.learnings/ 目录的 Markdown 文件。
2. 周期蒸馏层 — 每小时运行的 distill.sh 机械扫描学习记录，通过 distill_json.py 提取 Pattern-Key（格式 <source>.<type>.<identifier>），统计出现频次。当某模式计数 ≥2 且未通知或计数增长时，触发通知机制。
3. 智能决策层 — Cron AI 读取原始数据，直接扫描 skills/*/SKILL.md 查找现有技能候选，生成 A/B/C/D 四选项通知：A 创建新技能、B 优化现有技能、C 跳过（标记休眠）、D 提升至 SOUL/AGENTS/TOOLS 层级。
4. 执行归档层 — 用户回复后，主会话调用 skill-creator 或 skill-improvement 执行，完成后 archive.sh 静默归档至冷存储。
显著优点
- 零摩擦捕获：关键词实时检测，无需用户主动提交反馈
- 智能阈值控制：双计数触发+通知状态机，避免骚扰式推送
- 自主闭环：从发现问题到生成解决方案全程自动化
- 多通道适配：自动检测 Telegram/Discord 等可用通知渠道
- 安全沙箱：文件操作限定在特定目录，Token 来自环境变量
潜在局限
- Pattern-Key 格式严格：非
X.Y.Z格式会被降级处理，需人工修正 - 依赖 Cron 基础设施：需要 OpenClaw Gateway 支持定时任务
- AGENTS.md 注入需确认：虽然会提示，但默认回车即追加，存在误操作空间
- 中文支持待验证：关键词检测标注多语言但实际以英文为主
- 休眠状态不可逆：标记为 C 后需手动干预才能重新激活
适合人群
- 高频使用 OpenClaw 的进阶用户，希望减少重复性反馈操作
- 需要持续迭代 AI 技能集的开发者或团队
- 追求「越用越聪明」AI 助手体验的效率极客
常规风险
- 权限集中：需要
exec+write+cron+gateway_api组合权限，被攻破影响面广 - Token 泄露风险：
OPENCLAW_GATEWAY_TOKEN若配置不当可能被脚本读取 - 循环依赖：若
skill-creator自身产生 ERROR，可能触发无限反馈循环 - 数据积累：学习记录长期不清理可能影响扫描性能（虽有归档机制）