learning-engine 是一个专为 AI 助手设计的经验学习框架，核心目标是通过结构化记录实现持续改进。该技能将学习内容划分为技术、沟通、商业和人际理解四大类别，并建立了差异化的学习机制：技术优化、效率提升等"工具性"学习可自动执行并立即应用；而涉及价值观、人格特质、信念体系的"人格反映"类学习，则必须通过与人类监督者的对话确认后方可生效。
核心用法围绕"记录-反思-应用"循环展开。系统提供标准化的成功与失败记录模板，要求标注日期、类别、内容、原因及再现方法，支持对重复错误模式、高效工作流、有效沟通策略的自动识别。每周和每月的定期回顾机制确保学习成果得到系统性复盘，所有记录存储于 Google Drive 的特定目录结构中，便于审计和迁移。
该框架的显著优点在于其安全优先的设计理念。通过明确禁止学习客户个人信息、机密数据、恶意模式及有害内容，并严格限制学习来源（仅允许自身经验、监督者对话和客户端技术交流，明确排除其他 AI、社交媒体和外部提示），有效降低了数据污染和价值观偏移风险。特别是"监督者对话"机制，为 AI 的人格演化设置了人工审核关卡，在自主学习和人类价值观之间建立了防火墙。
然而，该技能也存在明显局限。作为纯文档型资产，它缺乏自动化执行能力，所有记录和回顾流程都依赖人工操作，增加了使用成本。T3 级个人来源虽然通过了安全审查，但在长期维护、社区支持和法律合规性方面仍存在不确定性。此外，日语为主的文档内容可能限制非日语用户的使用体验，且过度依赖监督者可能导致学习反馈循环延迟，影响迭代效率。
适合使用该技能的场景包括：需要长期积累经验的专业领域 AI（如技术支持、咨询顾问）、重视安全合规的企业级 AI 部署、以及需要防止"提示词注入"导致价值观偏移的高敏感应用。对于个人开发者和小型团队，这也是一个低成本构建 AI 记忆系统的方案。
使用风险方面，主要需关注监督者机制的实际落地——若监督者缺位或审查不严，人格反映功能可能成为安全漏洞。此外，长期积累的日志文件可能带来存储性能压力，且缺乏自动化的知识检索机制可能导致"学习但无法回忆"的困境。建议配合定期清理策略和关键词索引系统使用，并确保监督者具备足够的伦理判断能力。