核心用法
self-improvement 是一套面向 AI 编码代理的持续学习框架，通过标准化 Markdown 日志实现知识捕获与迭代优化。
三种日志类型
| 文件 | 用途 | 触发场景 |
|------|------|---------|
| `LEARNINGS.md` | 知识学习与改进 | 用户纠正、发现更好的方法、知识过时 |
| `ERRORS.md` | 错误与故障记录 | 命令失败、API 异常、工具故障 |
| `FEATURE_REQUESTS.md` | 功能需求跟踪 | 用户请求缺失的能力 |
完整工作流
1. 检测触发：识别 6 类场景——命令失败、用户纠正、功能缺失、外部工具故障、知识过时、发现更优方案
2. 结构化记录：使用 TYPE-YYYYMMDD-XXX ID 格式，包含优先级（critical/high/medium/low）、领域标签（frontend/backend/infra/tests/docs/config）和元数据
3. 状态流转：pending → in_progress → resolved / wont_fix / promoted
4. 知识升级：验证有效的学习项提升至项目级记忆文件（CLAUDE.md/AGENTS.md/SOUL.md/TOOLS.md），甚至提取为可复用技能
平台支持
- OpenClaw（推荐）：工作区自动注入 + 会话间通信工具（
sessions_list/sessions_send/sessions_spawn） - Claude Code/Codex：通过
.claude/settings.json或.codex/settings.json配置 Hooks 自动触发 - GitHub Copilot：手动集成，通过
.github/copilot-instructions.md提醒
---
显著优点
1. 跨会话连续性：解决 LLM 上下文有限、记忆易失的核心痛点，实现"本次踩坑，下次避坑"
2. 结构化可检索：标准化 ID、分类标签、链接机制（See Also）支持模式检测与根因分析
3. 渐进式知识沉淀：从临时日志 → 项目记忆 → 可复用技能的三级升级路径
4. 多代理兼容：OpenClaw、Claude Code、Codex、Copilot 均有对应集成方案
5. 自动化支持：Hooks 实现错误检测与主动提醒，降低记录摩擦
6. 团队可共享：.learnings/ 可提交至仓库，成为团队集体记忆
---
潜在缺点与局限性
1. 手动维护负担：无 Hooks 时需主动记录，高频场景下可能遗漏
2. 日志膨胀风险：缺乏自动清理机制，长期项目可能积累大量陈旧记录
3. 升级门槛模糊："何时提升至项目记忆"依赖人工判断，标准较主观
4. Copilot 支持薄弱：无原生 Hook 机制，主要靠手动提醒
5. 模式检测有限：Recurrence-Count 需手动更新，无自动去重或相似性匹配
6. 存储本地依赖：默认路径 ~/.openclaw/workspace/ 或项目 .learnings/，无云端同步机制
---
适合人群
| 场景 | 受益程度 |
|------|---------|
| 长期使用 Claude Code/Codex 的开发者 | ⭐⭐⭐⭐⭐ Hooks 自动化最大化收益 |
| 多项目并行、上下文切换频繁的团队 | ⭐⭐⭐⭐⭐ 跨项目记忆沉淀价值极高 |
| OpenClaw 用户 | ⭐⭐⭐⭐⭐ 原生集成，体验最佳 |
| 追求系统化 AI 协作流程的技术负责人 | ⭐⭐⭐⭐⭐ 可建立团队级最佳实践 |
| 偶尔使用 Copilot 的轻量用户 | ⭐⭐⭐ 需手动维护，收益受限 |
| 短期原型项目 | ⭐⭐ 投入产出比偏低 |
---
常规风险
| 风险等级 | 描述 | 缓解建议 |
|---------|------|---------|
| 🟡 中等 | **敏感信息泄露**：错误日志可能包含密钥、路径、内部架构 | 日志加入 `.gitignore` 或脱敏后再提交 |
| 🟡 中等 | **过度依赖历史记录**：陈旧学习可能误导新场景判断 | 定期 review（建议每周），及时标记 resolved |
| 🟢 较低 | **存储占用**：长期运行后日志文件体积增长 | 归档旧条目或提取为技能后清理 |
| 🟢 较低 | **Hook 性能开销**：每次 prompt 执行脚本有约 50-100 token 成本 | 生产环境可禁用，改为定期批量处理 |