核心用法
Self-Improvement Skill 是一套面向 AI Agent 的自我学习与改进系统，专为 Claude Code、OpenClaw 等平台设计。其核心机制是在 Agent 运行过程中自动捕获三类关键信息：操作失败记录（命令或 API 异常）、用户明确修正（直接纠错语句）、缺失功能请求（用户想要但暂不支持的特性），并将这些信息以结构化格式追加写入本地 Markdown 日志文件（.learnings/ERRORS.md、.learnings/LEARNINGS.md、.learnings/FEATURE_REQUESTS.md）。
该技能采用严格的触发规则：仅在用户明确说"No, that's wrong"等直接纠错时记录学习；仅在命令失败或外部 API 异常时记录错误；仅在用户明确请求不存在功能时记录特性需求。每次用户消息最多触发 1 次学习日志，禁止连锁反应，整个流程限制在 ≤3 个工具调用内完成。
日志条目采用标准化 ID 格式（TYPE-YYYYMMDD-XXX），包含时间戳、优先级、状态、摘要、详情、建议修复等字段，便于后续人工审查和批量处理。定期回顾时可将高频学习条目提升（Promote）至 SOUL.md（行为模式）、AGENTS.md（工作流改进）或 TOOLS.md（工具使用技巧）。
显著优点
安全性设计领先：作为原版 self-improving-agent 的硬分叉（Hardened Fork），作者明确修复了原版的无限循环缺陷，引入 7 项 Anti-Loop Guardrails，包括单次消息最多 1 条学习、禁止连锁触发、最大 3 次工具调用限制、强制冷却期等，从根本上杜绝了自我调用导致的资源耗尽风险。
零外部依赖：无任何第三方库依赖，无网络 API 调用，所有数据本地化存储，符合 GDPR/CCPA 隐私合规要求，企业内网环境亦可安全使用。
结构化可审计：日志格式规范、ID 唯一、状态可追踪（pending/resolved），支持从学习记录到知识库（SOUL/AGENTS/TOOLS）的晋升流程，形成完整的学习闭环。
MIT-0 公有领域许可：最宽松的开源协议，允许无限制的商业使用、修改和分发，降低法律风险。
潜在缺点与局限性
T3 来源可信度：维护者为 GitHub 个人开发者（lanyasheng），非知名机构或企业背书，虽然 fork 自可信项目且有透明改进记录，但用户仍需自行评估长期维护风险。
非自动化智能：该技能本质上是结构化日志记录工具，本身不具备自动分析、归纳或自我修改代码的能力，需要用户或开发者定期手动审查学习日志并执行"Promotion"操作才能转化为实际改进。
日志膨胀风险：虽然文档建议定期检查 .learnings/ 目录大小，但未内置自动归档或清理机制，长期高频使用可能导致文件体积过大。
误触发边界模糊：区分"用户讨论/辩论"与"明确纠错"需要语义判断，在复杂对话场景中可能出现误判或漏判。
适合的目标群体
- 个人开发者：使用 Claude Code、OpenClaw 等 Agent 平台进行日常开发，希望追踪 Agent 行为模式并持续调优 Prompt 或工作流。
- 小型技术团队：需要低成本、零依赖的错误追踪和知识沉淀方案，暂不具备搭建完整 AIOps 或 LLM Ops 平台的能力。
- AI Agent 研究者：研究 Agent 自我改进机制、循环安全（Loop Safety）或记忆系统设计的学术或工程人员。
- 隐私敏感场景：金融、医疗、政府等对内网隔离、数据不出域有严格要求的组织。
使用风险
性能风险：虽然 Anti-Loop 机制有效，但在极端高频交互场景下，磁盘 I/O 操作（追加 Markdown 文件）可能成为瓶颈，建议监控 .learnings/ 目录的写入延迟。
数据敏感风险：日志条目可能意外捕获用户输入中的敏感信息（API 密钥、内部路径、业务数据），尽管文档建议脱敏，但实际依赖使用者的安全意识，建议启用前建立数据脱敏审查流程。
版本兼容性风险：Hook 机制（UserPromptSubmit、PostToolUse）依赖特定 Agent 平台（OpenClaw/Claude Code）的实现细节，平台升级可能导致钩子失效或行为变更。
维护可持续性：作为个人开发者维护的 T3 项目，存在维护者精力有限、issue 响应延迟、长期功能演进不确定等典型社区项目风险。