核心用法
Self-Improvement Skill 是一个面向 AI 编码代理的持续改进框架，通过结构化日志记录实现知识沉淀。核心工作流包括：
1. 初始化阶段：自动创建 .learnings/ 目录及三个日志文件（LEARNINGS.md、ERRORS.md、FEATURE_REQUESTS.md）
2. 触发记录：六种场景自动触发——命令失败、用户纠正、功能请求、API/工具失败、知识过时、发现更优方案
3. 标准化记录：采用 TYPE-YYYYMMDD-XXX 编码体系，包含优先级（critical/low）、状态（pending/resolved）、领域标签（frontend/backend/infra/tests/docs/config）
4. 知识升级：高价值学习可提升至 CLAUDE.md、AGENTS.md、.github/copilot-instructions.md 等持久化上下文
显著优点：
- 完全离线安全：零网络请求，数据本地存储，通过 GDPR/CCPA 合规审计
- 隐私优先设计：明确禁止记录密钥、令牌、环境变量，支持内容脱敏
- 跨代理兼容：支持 Claude Code、Codex CLI、GitHub Copilot，OpenClaw 平台原生集成
- 结构化可追溯：ID 编码体系 + 关联链接（See Also）+ 复发计数，支持模式检测
- 主动改进闭环：Hook 机制实现自动提醒，错误检测脚本可触发即时记录
潜在局限：
- T3 来源可信度：个人开发者维护（GitHub: pskoett），长期维护承诺弱于企业级项目
- 手动推广依赖：知识从日志升级到持久化上下文需人工判断，存在遗漏风险
- 环境变量读取：
error-detector.sh读取CLAUDE_TOOL_OUTPUT虽用于错误检测，但理论上可能接触敏感输出 - 无内置加密：
.learnings/文件以明文 Markdown 存储，需依赖文件系统权限保护 - 复发阈值主观：
Recurrence-Count >= 3的升级规则可能滞后于实际问题频率
适合人群：
- 长期使用 AI 编码代理的专业开发者
- 需要团队知识沉淀的技术负责人
- 对数据隐私敏感、偏好本地优先方案的用户
- OpenClaw 生态用户（获得最佳集成体验）
常规风险：
- 日志文件可能意外提交至 Git（提供
.gitignore配置建议） - 多会话数据共享需显式操作，存在敏感信息泄露风险（文档已警告）
- 技能提取为可复用 Skill 时，需人工确保泛化质量