核心用法
Self-Improving Agent 是专为 OpenClaw 设计的持续学习代理系统，通过三种核心学习机制实现自我进化：
1. 交互学习（Interaction Learning）：记录每次会话中的对话模式、用户偏好和成功交互策略
2. 错误学习（Error Learning）：捕获异常和失败案例，建立错误知识库避免重复犯错
3. 恢复学习（Recovery Learning）：分析成功的错误恢复路径，沉淀有效的故障处理模式
系统采用 Hook 架构 实现事件驱动：
onSessionEnd触发会话后分析onError触发错误归因学习onRecovery触发恢复策略优化
显著优点
- 零配置开箱即用：作为 OpenClaw Skill 安装后自动启用，无需额外设置
- 多维度学习闭环：覆盖成功、失败、恢复三类场景，学习更全面
- 持久化记忆系统：学习成果存储于 JSON 文件，支持导出和迁移
- 渐进式优化：改进随时间累积，长期使用效果倍增
- 可扩展 Hook 系统：支持自定义学习逻辑，满足特定领域需求
潜在局限性与风险
| 维度 | 说明 |
|------|------|
| **数据积累** | 学习文件持续增长，需定期清理过时记录 |
| **隐私敏感** | 会话学习可能捕获用户输入内容，需关注数据合规 |
| **学习质量** | 依赖 OpenClaw 本身的分析能力，复杂场景可能提取不准确 |
| **反馈延迟** | 改进效果非即时可见，需要一定数据量才能显现 |
| **存储安全** | 错误日志可能包含敏感信息（文件路径、系统配置等） |
适合人群
- 高频 OpenClaw 用户：日均使用 3 次以上，数据积累快
- 定制化需求团队：需要通过 Hook 扩展企业专属学习逻辑
- AI 产品开发者：研究 Agent 自我进化机制的实验场景
- 长期项目维护者：希望在数月周期内持续优化 AI 助手表现
常规风险管控建议
1. 配置定期自动清理任务（如保留最近 90 天学习记录）
2. 敏感环境禁用 sessions.json 的原始内容存储
3. 导出学习文件前审查是否包含系统敏感信息
4. 监控 learnings/ 目录大小，防止磁盘空间异常消耗