self-improving-agent

功能定位

self-improvement 是一个面向 AI 编码智能体的本地学习记录系统，核心机制是在项目根目录创建 .learnings/ 目录并维护三类 Markdown 日志：ERRORS.md（命令失败）、LEARNINGS.md（知识更正与最佳实践）、FEATURE_REQUESTS.md（用户请求的新能力）。当智能体遇到错误、被用户纠正、发现知识过时或找到更优方案时，自动按结构化格式记录，支持后续跨会话回顾与提升。

显著优点

安全架构纯粹：零外部依赖、零网络通信、零敏感数据收集，所有操作仅限于本地文件系统，安全认证获得 A 级评分（90/100）。多智能体兼容：原生支持 Claude Code、Codex、GitHub Copilot、OpenClaw 等平台，通过 hooks 或 workspace 注入实现自动激活。知识沉淀闭环：记录 → 定期回顾 → 晋升为 CLAUDE.md/AGENTS.md 等持久化指引 → 自动影响后续会话行为，形成自我改进飞轮。结构化可追溯：每条记录包含唯一 ID、优先级、领域标签、关联链接，支持 grep 快速检索与模式识别。隐私合规：默认不记录 secrets、tokens、完整命令输出，用户完全掌控数据。

局限性与风险

依赖用户/Agent 主动触发：无真正自动检测，需智能体识别触发条件（如"Actually..."）并决定记录，存在遗漏可能。T3 来源信任成本：维护者为个人开发者（pskoett），非知名企业或基金会，需自行审计更新。Copilot 支持薄弱：无 hook 机制，完全依赖手动提醒，体验断层。长期积累噪音：若缺乏定期 review，.learnings/ 可能堆积大量过时条目，反而降低检索效率。晋升机制主观：何时将学习提升为项目级规则，依赖智能体判断，易出现过度或不足晋升。

适合人群

• 长期使用 Claude Code / Codex / OpenClaw 的专业开发者
• 需要跨会话保持项目上下文记忆的 AI 辅助编程团队
• 追求系统化知识管理、希望减少重复踩坑的工程师
• 对数据安全敏感、拒绝任何云端同步的本地优先用户

常规风险

• 路径遍历：Shell 脚本创建目录时若传入恶意路径存在理论风险（当前实现无用户输入拼接）
• 敏感信息泄露：用户若配置不当可能意外记录含 secrets 的命令输出
• Git 误提交：.learnings/ 默认被 .gitignore 排除，若手动跟踪需警惕敏感信息入库

核心功能

Self-Improvement Skill 是一套面向AI编码代理的学习日志系统，用于捕获开发过程中的错误、用户纠正、知识缺口和功能请求，实现跨会话的持续改进。

显著优点

1. 结构化记录：采用标准化Markdown格式（LRN/ERR/FEAT编号），包含优先级、状态、领域标签等元数据，便于检索和分类
2. 多平台兼容：原生支持OpenClaw工作区注入，同时提供Claude Code、Codex、GitHub Copilot的适配方案
3. 渐进式知识沉淀：支持从临时日志（.learnings/）到永久项目记忆（CLAUDE.md/AGENTS.md/SOUL.md）的升级机制
4. 模式检测：内置重复问题识别（Recurrence-Count、Pattern-Key），可触发系统性修复
5. 隐私意识：明确提醒不记录secrets/tokens，符合GDPR数据最小化原则
6. 低侵入设计：可选Hook自动触发，也可完全手动控制，无强制依赖

潜在局限

• T3来源风险：由个人开发者维护（peterskoett/remade from pskoett），缺乏企业级安全审计背书
• 手动维护成本：知识价值依赖持续的日志审查和主动升级，易流于形式
• 无原生集成：GitHub Copilot缺乏Hook支持，需完全手动触发
• 跨会话同步有限：除OpenClaw外，其他平台依赖文件系统或用户手动复制

适合人群

• 使用Claude Code、OpenClaw进行长期项目的个人开发者或小团队
• 需要建立项目特定知识库、减少重复错误的工程团队
• 追求AI代理行为可解释性和可调试性的高级用户

常规风险

• 日志文件可能意外包含敏感路径或业务逻辑摘要（需用户审查）
• 长期积累大量pending状态条目可能导致噪音，降低实用价值
• T3来源需定期审查上游更新，防范供应链风险