self-improving-agent

核心用法

Self-Improvement Skill 是一套为 AI 编码助手设计的持续学习框架，通过结构化记录错误、用户修正和功能请求，将碎片化经验转化为可复用的项目知识。

六大触发场景：命令失败、用户纠错、功能缺失、API故障、知识过时、发现更优方案。系统会在这些时刻自动或手动创建日志条目，支持三种核心类型：

• LEARNINGS.md：记录修正(correction)、洞察(insight)、知识缺口(knowledge_gap)、最佳实践(best_practice)
• ERRORS.md：记录命令失败、API异常、工具故障
• FEATURE_REQUESTS.md：捕获用户期望的新能力

关键工作流程：首次使用自动初始化.learnings/目录 → 按标准格式追加条目 → 定期回顾并晋升高价值学习到项目记忆文件(CLAUDE.md/AGENTS.md/copilot-instructions.md) → 检测重复模式并转化为系统提示规则。

显著优点

1. 零外部依赖：纯本地文件操作，无网络调用，无第三方包
2. 多平台兼容：原生支持 OpenClaw 工作空间，同时适配 Claude Code、Codex、Copilot
3. 智能晋升机制：低摩擦地将个人学习转化为团队共享的项目规范
4. 重复模式追踪：通过 Pattern-Key 和 Recurrence-Count 识别系统性问题，当同一问题出现3次+跨2个任务时自动触发规则沉淀
5. 安全设计：SKILL.md 明确禁止记录 secrets/tokens，hook 脚本仅输出提醒文本

潜在局限

1. 来源可信度限制：维护者为个人开发者(T3级别)，非知名组织背书
2. 手动介入依赖：除可选 hook 外，大部分记录需用户或 AI 主动识别触发
3. 无内置分析工具：模式检测依赖外部 grep 搜索，无可视化或自动统计
4. 跨会话共享有限：OpenClaw 的 sessions_* 工具需用户显式调用，且建议仅用于可信环境
5. Git 管理分歧：默认 .gitignore 忽略学习文件，团队共享需主动调整配置

适合人群

• 长期项目开发者：需要维护数月/数年的复杂代码库
• 多 Agent 协作团队：人+多个 AI 助手共同参与的项目
• 快速迭代场景：频繁遇到边界情况、需要持续优化工作流
• OpenClaw 用户：可获得最完整的集成体验(自动加载、SOUL.md/TOOLS.md 晋升目标)

常规风险

• 隐私合规：虽 SKILL.md 警示不记敏感信息，但实际执行依赖用户/AI自律
• Hook 权限：error-detector.sh 读取 CLAUDE_TOOL_OUTPUT 环境变量（功能必需，只读不泄露）
• T3 来源风险：个人维护者项目，更新内容需人工审查
• 知识过时：未定期回顾的沉淀文件可能积累无效规则

推荐使用场景：中大型项目、多人协作、使用 OpenClaw 或 Claude Code 的开发者；不推荐：一次性脚本、完全隔离的短期任务。

核心用法

Self-Improvement Skill 是一套为 AI 编码助手设计的持续改进框架，通过标准化日志记录机制捕获三类关键信息：

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 错误、集成异常
3. FEATURE_REQUESTS.md - 记录用户期望但暂不支持的能力

每次触发条件包括：操作失败、用户纠正（"Actually..."）、发现过时知识、找到更优方案等。条目采用结构化格式，包含优先级、状态、领域标签、元数据等字段，支持通过 ID 关联相似问题。

关键工作流：

• 初始化时创建 .learnings/ 目录及三个日志文件
• 按模板格式追加条目，避免覆盖现有内容
• 定期回顾并将广泛适用的知识"升级"至项目记忆文件（CLAUDE.md/AGENTS.md/copilot-instructions.md）
• 使用 Hook 脚本实现自动触发（Claude Code/Codex 支持）

显著优点

结构化知识沉淀：告别"每次会话从零开始"，错误和经验被编码为可检索、可关联的持久记录。

跨会话连续性：通过 OpenClaw 平台的 sessions_list/history/send/spawn 工具，实现多会话间的学习传递。

智能升级机制：当条目出现 3 次以上、跨 2 个任务、30 天内发生时，自动提升至系统提示词，从"事后补救"转为"事前预防"。

安全设计：明确禁止记录 secrets/tokens/环境变量，优先使用摘要而非原始输出；Hook 脚本为纯文本提醒、opt-in 配置。

多代理兼容：支持 Claude Code、Codex CLI、GitHub Copilot、OpenClaw 等平台，提供对应集成方案。

潜在局限

手动维护负担：虽提供 Hook 自动提醒，但条目创建、定期回顾、升级决策仍需人工（或 AI 主动）执行，长期可能积累大量待处理条目。

效果依赖执行纪律：若用户或 AI 未养成"立即记录"习惯，或在任务压力下跳过回顾，知识沉淀效果将大幅衰减。

缺乏量化反馈：无内置指标衡量"因该 Skill 避免的错误次数"或"升级规则的实际效果"，改进效果难以客观评估。

Git 管理困境：本地 .gitignore 默认为安全保守策略，团队共享需显式取消忽略，可能误提交敏感日志。

平台限制：GitHub Copilot 无 Hook 支持，只能依赖手动提醒；部分高级功能（如 session 间通信）仅限 OpenClaw。

适合人群

• 长期项目开发者：需要维护跨度数周/数月的代码库，知识累积价值高
• 多 AI 工具用户：同时使用 Claude、Copilot、Codex，需统一知识底座
• 团队协作者：通过 AGENTS.md/copilot-instructions.md 共享项目惯例
• 追求效率的极客：愿意投入前期配置换取后期"自动避坑"

常规风险

隐私泄露：尽管文档强调脱敏，用户或 AI 可能在匆忙中记录含敏感信息的命令输出。建议启用 .gitignore 保护并定期审计日志内容。

日志膨胀：长期运行后 .learnings/ 可能积累数百条目，检索噪音上升。建议配合定期归档或清理脚本使用。

过度升级：将过于具体的一次性经验提升至 CLAUDE.md，可能导致系统提示词臃肿、干扰正常响应。需严格遵循"跨文件适用"的升级标准。

Hook 性能开销：自动检测脚本每次带来 50-100 token 额外消耗，高频交互场景可能影响响应速度。