核心用法
Self-Improvement Skill 是一套面向 AI 编程助手的持续学习基础设施。其核心工作流程围绕三个日志文件展开：
1. LEARNINGS.md — 记录用户纠正、知识缺口、最佳实践
2. ERRORS.md — 记录命令失败、API 异常、集成错误
3. FEATURE_REQUESTS.md — 记录用户请求但未实现的功能
触发条件明确：当操作失败、用户纠正("Actually...")、发现知识过时、或找到更优方案时立即记录。每条记录采用结构化格式，包含唯一 ID、优先级、领域标签和元数据，支持跨条目关联与模式追踪。
显著优点
零信任安全架构：纯 Bash 实现，无第三方依赖，仅操作本地文件系统。安全认证报告显示 S 级评分(95分)，六维检测全部通过，无网络外泄风险。
渐进式知识沉淀：单个记录可"晋升"为项目级记忆(CLAUDE.md/AGENTS.md)，高频模式可提取为独立 Skill，形成"错误→学习→技能"的闭环。
多代理兼容：原生支持 Claude Code(通过 Hook)、OpenClaw(工作区注入)、Copilot(手动)、Codex CLI，提供差异化配置方案。
智能模式检测：支持 Pattern-Key 标记重复问题，当 Recurrence-Count ≥ 3 且跨任务出现时，自动触发晋升流程，防止同类错误反复发生。
潜在局限
Hook 配置门槛：自动提醒需用户手动编辑 .claude/settings.json，对非技术用户不够友好；PostToolUse Hook 涉及命令输出检测，存在隐私顾虑。
T3 来源风险：维护者为个人开发者(peterskoett)，虽代码开源透明，但长期维护稳定性低于企业级项目。上游 fork 关系增加同步复杂性。
晋升依赖人工判断：何时将学习晋升为项目记忆缺乏量化标准，过度晋升会导致上下文膨胀，晋升不足则知识丢失。
无内置分析工具：缺少可视化仪表盘，用户需手动 grep 查询待办项，大规模团队难以追踪学习采纳率。
适合人群
- 长期使用 AI 编程助手的个人开发者
- 追求知识沉淀的技术团队(5-20人规模)
- OpenClaw 生态用户(获得最佳集成体验)
- 对数据安全敏感、拒绝云端方案的企业
常规风险
敏感信息误录：虽文档明确禁止记录 secrets，但用户可能在情绪激动时粘贴完整错误输出。建议配合 .gitignore 忽略 .learnings/ 或定期审计内容。
Hook 性能开销：UserPromptSubmit Hook 每次注入 50-100 tokens 提醒，高频会话可能累积显著成本；错误检测 Hook 需解析命令输出，存在误触发可能。
晋升文件污染：频繁晋升到 CLAUDE.md 会导致该文件臃肿，反而降低有效上下文利用率。建议建立季度清理机制。