核心用法
self-improving-agent 是一套面向 AI 辅助编程工作流的元认知增强系统，通过强制化、结构化的日志机制，将单次对话中的错误、用户修正、知识盲区转化为可复用的项目级记忆。
触发场景涵盖六类：命令异常失败、用户直接纠错、功能缺失请求、外部 API 故障、知识过时自察、发现更优解法。系统预设敏感词（"actually"、"wrong"、"outdated" 等）与非零退出码作为自动检测信号。
日志采用三级分类存储：.learnings/ERRORS.md（运行时错误）、.learnings/LEARNINGS.md（认知修正，细分为 correction/knowledge_gap/best_practice）、.learnings/FEATURE_REQUESTS.md（能力缺口）。每条记录遵循标准化 ID 格式（TYPE-YYYYMMDD-XXX），包含优先级、状态追踪、解决时间戳与跨条目关联（See Also）。
关键创新在于「晋升机制」（Promotion）：当某条学习具备跨文件适用性、或 30 天内重复出现 3 次以上时，自动提炼为简洁规则，写入 SOUL.md（行为模式）、AGENTS.md（工作流）、TOOLS.md（工具陷阱）或 CLAUDE.md（项目事实），成为持久化系统提示的一部分。
OpenClaw 平台额外提供跨会话能力：sessions_history 读取其他会话记录、sessions_send 推送学习至活跃会话，实现多代理间的知识联邦。
显著优点
- 错误归因闭环：强制要求「Suggested Action」与「Resolution」字段，避免「记录即遗忘」
- 渐进式知识沉淀：区分临时日志与永久提示，防止上下文窗口污染
- 量化技术债务：通过
Recurrence-Count与周期性grep审查，识别高频痛点 - 跨会话继承：突破单次对话的上下文限制，构建项目级集体记忆
- 框架无关设计：核心 Markdown 格式可适配 Claude Code、Codex、Copilot 等多代理环境
潜在局限
- 人工审查负担：晋升决策依赖用户判断，自动化规则仅基于频次阈值，可能误报或漏报
- 日志膨胀风险：活跃项目可能快速累积大量
.learnings/文件，需配套归档策略 - 格式刚性：严格 ID 与元数据字段对轻量场景可能过度设计
- 无内置冲突解决：同一问题的多条修正记录需手动去重与整合
- 安全边界模糊：未明确敏感信息（如密钥、PII）在错误日志中的脱敏处理
适合人群
- 长期维护复杂代码库的专业开发者
- 需要多会话协作的大型项目团队
- 高频使用 AI 辅助工具且追求持续优化的「提示工程师」
- 希望构建可迁移项目模板的社区贡献者
常规风险
- 过度记录：为低价值交互创建结构化日志，产生认知税
- 晋升滞后：高优先级模式未及时提炼为
CLAUDE.md，导致重复犯错 - 跨会话污染：
sessions_send可能将项目特定上下文误推至无关会话 - 依赖路径耦合：硬编码的
.learnings/路径在容器化或 CI 环境中需额外配置