核心用法
self-improvement-loop 是 OpenClaw 平台的反馈处理闭环系统，通过四层架构实现自动化的经验学习与技能进化：
1. 实时捕获层（Hook）handler.js 实时监听用户对话中的 CORRECTION/ERROR/FEATURE 三类关键词，将修正建议、错误报告、功能请求推入 AI 上下文，触发 AI 自动写入 ~/.openclaw/workspace/.learnings/ 目录。
2. 周期扫描层（Cron）
每小时运行的 distill.sh 执行机械扫描，提取 Pattern-Key（格式 <source>.<type>.<identifier>），通过 distill_json.py 生成结构化 JSON。当同一模式出现 ≥2 次且未通知过用户时，触发通知机制。
3. 用户决策层（A/B/C/D）
Cron AI 向用户发送选项：
- A → 调用
skill-creator创建新技能 - B → 调用
skill-improvement优化现有技能 - C → 标记为休眠，停止通知
- D → 晋升为 SOUL/AGENTS/TOOLS 核心组件
4. 闭环归档层archive.sh 静默归档已解决条目至冷存储，完成循环。
显著优点
- 零配置自动运行：自动检测 Telegram/Discord 首可用通道，无需硬编码
- 防骚扰设计：
notified+notification_count状态机避免重复推送 - 多语言支持：关键词识别支持中英文双语
- 路径隔离：所有文件操作限定在
~/.openclaw/workspace/沙箱内 - 权限透明化：安装脚本
install.sh明确声明 6 类权限并解释安全理由
潜在局限
- 依赖 Cron 调度：1 小时周期对实时性敏感场景存在延迟
- Pattern-Key 严格格式：非
X.Y.Z格式会被降级为 category-only 聚合，可能丢失细粒度关联 - AGENTS.md 注入风险：虽支持
s键跳过，但默认回车即追加，存在误操作可能 - 技能覆盖边界：B 路径直接扫描
skills/*/SKILL.md，若技能命名不规范可能匹配失败
适合人群
- 高频使用 OpenClaw 且希望持续优化 AI 协作体验的深度用户
- 多语言混合工作环境的开发者或产品经理
- 需要系统化沉淀「人机协作错题本」的技术团队
常规风险
- Token 泄露：
OPENCLAW_GATEWAY_TOKEN通过环境变量注入，需确保宿主机.bashrc或密钥管理器权限正确 - Cron 隔离会话：
sessionTarget=current设计使 Cron AI 权限受限，复杂修复场景可能需要人工介入主会话 - 归档数据累积：
archive/YYYY-MM.jsonl按月分片，长期运行需配合日志轮转策略