self-improvement

Self-Improvement Skill 是一套专为 AI 编码助手设计的持续学习框架，旨在通过结构化记录错误、用户纠正和功能需求，解决传统 AI 助手"无状态"导致的重复犯错问题。该技能与 OpenClaw 平台深度集成，同时兼容 Claude Code、Codex CLI 和 GitHub Copilot，通过建立本地知识库实现跨会话的经验沉淀。

核心用法围绕三个日志文件展开：.learnings/LEARNINGS.md 记录知识缺口和最佳实践，ERRORS.md 捕获命令失败和异常，FEATURE_REQUESTS.md 追踪用户需求。当 AI 犯错被纠正、遇到意外错误或发现更优方案时，系统会生成结构化条目（格式为 TYPE-YYYYMMDD-XXX），包含优先级、领域标签和解决状态。随着学习条目成熟，可将其"推广"至 CLAUDE.md、AGENTS.md 或 SOUL.md 等永久性项目记忆文件，成为所有后续会话的上下文基础。

显著优点包括：一是建立了真正的反馈循环，使 AI 从"一次性对话"进化为"持续学习"模式；二是支持模式识别，通过 Pattern-Key 和 Recurrence-Count 追踪重复问题，自动触发系统性修复；三是提供 Hook 脚本（activator.sh、error-detector.sh）实现自动化检测，减少人工记录负担；四是与 Simplify-and-Harden 技能集成，能将代码简化经验转化为持久化规则；五是跨 Agent 兼容，确保不同工具链间的知识共享。

潜在缺点不容忽视：首先，来源为 T3 级个人开发者（peterskoett），非官方或知名企业维护，存在长期维护不确定性；其次，需要开发者主动配置 Hook 并坚持记录习惯，否则容易沦为"写入即遗忘"的文档墓地；再者，学习文件可能无限膨胀，需要定期审查（Review）和归档，否则会增加 I/O 开销和上下文污染风险；最后，当前仅支持 Markdown 格式，对于偏好数据库存储或结构化 JSON 的团队可能不够灵活。

该技能最适合长期使用 AI 助手进行复杂项目开发的高级用户，特别是那些需要维护多个相关项目、希望建立团队级编码规范、或依赖 OpenClaw 多 Agent 工作流的开发者。对于短期项目或偶尔使用 AI 助手的用户，设置和维护成本可能超过收益。

使用风险主要包括：未及时清理的 .learnings/ 目录可能积累大量过时条目，导致 AI 在检索时引用已失效的解决方案；Hook 脚本虽然为 Opt-in 机制，但错误配置可能导致频繁的提示干扰；跨会话通信功能（如 sessions_send）如果使用不当，可能在多用户环境中泄露敏感上下文；此外，由于技能需要写入文件系统权限，在只读或高度受限的环境中无法正常工作。

核心用法

Self-Improvement Skill 是一套面向 AI 代理（如 Claude）的自我进化框架，通过标准化 Markdown 日志实现知识的捕获、分类与传承。用户无需主动调用——当检测到六种触发场景（命令失败、用户纠错、功能请求缺失、API 异常、知识过时、发现更优方案）时，自动将信息结构化写入 .learnings/ 目录下的三个核心文件：

• ERRORS.md: 记录命令/API 失败详情，含错误输出、环境上下文、复现步骤与修复建议
• LEARNINGS.md: 收录知识修正（correction）、知识缺口（knowledge_gap）、最佳实践（best_practice）
• FEATURE_REQUESTS.md: 追踪用户能力需求，评估复杂度与实现路径

每条记录采用 TYPE-YYYYMMDD-XXX 唯一标识，支持跨条目关联（**See Also**）与优先级动态调整。关键机制在于升级机制：当学习具备跨文件适用性时， distilled 为简洁规则并提升至 CLAUDE.md（项目事实与约定）或 AGENTS.md（代理工作流与自动化规则），实现从临时日志到永久记忆的转化。

显著优点

1. 零配置开箱即用：仅需创建 .learnings/ 目录，无外部依赖
2. 人机协作友好：Markdown 格式兼容版本控制，团队可共享学习库
3. 防复发设计：通过周期性审查与模式检测，将重复问题升级为系统性修复
4. 代理互操作性：编码代理可自动解析结构化日志生成修复补丁
5. 渐进式知识沉淀：临时记录→关联分析→规则提炼→项目记忆，形成完整知识生命周期

潜在局限

• 依赖人工触发判断：检测规则基于自然语言模式匹配，复杂场景可能漏检
• 日志膨胀风险：高频使用场景下需配合定期审查清理，否则信息过载
• 升级门槛主观："广泛适用性"判定缺乏量化标准，可能导致记忆文件冗余或遗漏
• 无原生查询接口：依赖 grep 等外部工具检索，大规模项目效率受限
• 单向知识流：目前不支持从 CLAUDE.md 反向同步或过期规则自动淘汰

适合人群

• 长期迭代的大型项目团队，需维护跨会话上下文
• 多 AI 代理协作环境（人类开发者 + 多个编码代理）
• 追求知识显性化与可审计性的工程组织
• 个人开发者希望建立个人 AI 交互记忆库

常规风险

1. 敏感信息泄露：错误日志可能无意捕获环境变量、文件路径或业务逻辑细节，建议配合 .gitignore 策略（本地/团队/混合模式）
2. 过时学习污染：未定期审查时，已修复问题的记录可能误导后续代理决策
3. 过度规范化成本：严格遵循模板可能增加记录摩擦，建议核心项目采用完整模板，快速实验项目简化字段
4. 升级冲突：多人同时编辑 CLAUDE.md 时可能产生合并冲突，建议结合版本控制工作流