系统化记录错误、修正与改进建议，支持AI代理持续学习与项目知识沉淀
说明：
## 核心用法
Self-Improvement Skill 是一套面向 AI 编码代理的元认知工具，通过结构化日志记录实现持续改进。核心操作包括：
1. **情境捕获**：在命令失败、用户纠正、API 错误、知识过时、发现更优方案等 6 种触发条件下自动记录
2. **分类存储**：按类型写入 `.learnings/` 目录下的 `ERRORS.md`（错误）、`LEARNINGS.md`（学习）、`FEATURE_REQUESTS.md`（功能请求）
3. **标准化格式**：采用 `[TYPE-YYYYMMDD-XXX]` ID 体系，包含优先级、状态、领域标签、上下文、建议修复等结构化字段
4. **升级沉淀**：将广泛适用的学习提升为 `CLAUDE.md`、`AGENTS.md`、`.github/copilot-instructions.md` 等永久项目记忆
5. **定期回顾**：通过脚本统计待处理项、高优先级问题、特定领域学习
## 显著优点
– **跨代理兼容**：支持 Claude Code、Codex CLI、GitHub Copilot、Clawdbot 等多种 AI 工具
– **渐进式知识积累**：从一次性修复 → 项目记忆 → 可复用技能，形成完整知识生命周期
– **自动化集成**：提供 UserPromptSubmit、PostToolUse 钩子脚本，实现近乎零摩擦的记录提醒
– **可提取为技能**：满足验证标准的学习可自动提取为独立 `SKILL.md`，反哺技能库
– **团队协作友好**：学习文件可纳入版本控制，成为共享知识资产
## 潜在缺点与局限
– **记录开销**：每次触发需 50-100 tokens 的上下文评估，密集交互场景有累积成本
– **钩子依赖特定平台**：Claude Code/Codex 的 Hook 机制非标准，其他代理需手动激活
– **状态维护负担**：”待处理”条目可能堆积，需要开发者主动回顾和清理
– **质量参差不齐**：未经筛选的原始记录可能包含噪音，需要人工判断升级价值
– **无自动分析**：仅提供存储和检索框架，不内置模式识别或根因分析能力
## 适合人群
– **长期使用 AI 编码工具的开发者**：积累个人/团队与 AI 协作的专属知识库
– **多代理协作场景**：需要在 Claude、Copilot、Clawdbot 间同步上下文的项目
– **复杂项目维护者**：API 频繁变更、工具链复杂、隐性约定多的代码库
– **追求系统化改进的团队**：希望将”踩过的坑”转化为可预防的知识资产
## 常规风险
– **敏感信息泄露**：错误日志可能包含 API 密钥、内部路径、业务数据，需审查后再提交
– **过度记录**：非关键问题的冗长记录会稀释高价值学习的可见性
– **虚假安全感**：记录了不等于解决了，pending 状态条目长期堆积会丧失工具价值
– **技能膨胀**：不加筛选地提取为独立技能会导致技能库碎片化，维护成本上升
– **平台锁定**：钩子配置和脚本依赖特定 AI 工具的实现细节，迁移时需重新适配
会员专属
