将 AI 操作中的错误、修正和阻塞转化为结构化学习记录，支持实验验证与规则升级，形成可复用的自我改进闭环。
说明：
## 核心用法
OpenClaw Self-Improvement 是一套面向 OpenClaw/ClawLite 工作流的**操作知识沉淀系统**，核心目标是将聊天历史中的零散错误转化为可追踪、可验证、可升级的持久规则。
**四大记录类型**：
– **learning**：用户修正、工作流优化经验、工具陷阱
– **error**：命令失败、集成故障、运行时阻塞
– **feature**：缺失能力请求、操作者工作流缺口
– **experiment**：需验证的防护规则变更，通过二进制评估循环决定是否保留
**关键命令**：`log-learning.mjs`（记录四类条目）、`log-experiment.mjs`（实验追踪）、`promote-learning.mjs`（规则升级）、`analyze-openclaw-failures.mjs`（故障分类）、`daily-agent-scorecard.mjs`（日度交付评分）。
**故障分类体系**：将模糊”模型问题”细化为 `NetworkPolicyBlocked`、`SessionContextRot`、`ToolInvalidArguments` 等 8 类可操作的 harness 故障，支持修复工单自动生成。
## 显著优点
– **闭环设计**：从错误记录 → 实验验证 → 规则升级（AGENTS.md/TOOLS.md/SOUL.md）完整链路
– **证据驱动**：评分卡依赖真实收据、URL、完成证据，拒绝”感觉良好”的虚假闭环
– **与治理工具兼容**：原生支持 Karen（重复故障引用学习库）和 Mission Control（规则升级后的合规执行）
– **本地安全**：纯本地文件工作流，无网络 I/O，敏感操作支持 `–dry-run` 预览
– **Obsidian 集成**：可选导出至 Obsidian 知识库，形成可复用的操作者日志
## 潜在缺点与局限性
– **非自动修复**：明确区分”记录”与”修复”，学习条目不能替代损坏交付物的补救
– **依赖人工评审**：规则升级需操作者主动审查，无自动晋升机制
– **Node 环境依赖**：需要本地 Node.js 运行时，纯浏览器/云端环境无法直接使用
– **实验成本**：二进制评估循环要求设计 3-5 个 eval，对简单场景可能过度工程化
– **文件管理负担**：长期运行将产生大量 `.learnings/` 文件，需要定期归档策略
## 适合人群
– 运行 OpenClaw/ClawLite 多 Agent 工作流的**技术操作者**
– 需要日度交付可审计性的**自动化营销/内容运营团队**
– 追求”同一错误不犯两次”的**系统性改进实践者**
– 使用 Obsidian 管理操作知识的**个人知识管理用户**
## 常规风险
– **虚假安全感风险**：记录学习 ≠ 解决问题，需警惕用”已记录”替代”已修复”
– **规则膨胀风险**：频繁升级可能导致 AGENTS.md 等文件臃肿，需配合定期清理
– **路径配置风险**：`OBSIDIAN_LEARNINGS_DIR` 指向错误路径可能导致非预期文件修改
– **实验误用风险**：单次变更原则若被违反，将无法归因失败根因
– **评分卡盲区**：`ProofMissing`、`HumanApprovalRequired` 类阻塞若盲目重试，可能放大损失
会员专属
