AI代理自我改进工具，通过记录调试经验、用户纠错和工作流摩擦，建立持久学习记忆，避免重复犯错
说明：
## 核心功能
Self-Improvement 是一套**持续学习基础设施**，专为AI代理设计，用于捕获、沉淀和复用从错误中获得的 durable lessons。它区别于简单的日志系统，强调**可复用性**而非记录每件事。
### 主要用法
技能围绕三种核心记录类型构建：
– **Learning**：用户纠正、项目约定、知识盲区
– **Error**：非显而易见的工具/API失败、调试后的问题
– **Feature Request**：缺失能力、反复出现的摩擦点
使用Python CLI工具（`learnings.py`）初始化工作区、搜索历史记录、创建条目，最终将验证有效的规则提升为项目记忆文件（CLAUDE.md、AGENTS.md等）或提取为独立技能。
### 显著优点
1. **结构性抗重复**：通过强制搜索（search-first）、稳定Pattern-Key、See Also链接，有效防止条目碎片化
2. **渐进式沉淀**：capture → dedupe → promote → extract 的闭环设计，确保知识从临时记录流向持久基础设施
3. **双根模型清晰分离**：技能资源（scripts/、references/）与项目工作区（.learnings/、CLAUDE.md）严格隔离，避免污染
4. **评估驱动**：预留 `evals/` 和 trigger/output eval 框架，支持技能自身的持续改进
### 局限性与风险
– **工具链依赖**：需要Python 3.11+，部分hook依赖bash；纯手动使用虽可行但体验下降
– **推广门槛**：”promote aggressively” 要求代理具备判断何时规则已”验证有效”的能力，实践中可能过度推广或保守
– **无内置同步**：`.learnings/` 是本地文件，多设备/多协作者场景下无合并策略
– **静默日志风险**：规则7要求”do not interrupt the user”，但某些关键学习可能需要用户确认以避免错误假设
### 适合人群
– 长期使用Claude Code、OpenClaw等AI编程工具的专业开发者
– 维护复杂代码库、需要跨会话保持上下文的团队
– 希望将个人调试经验转化为可复用技能的”技能作者”
### 常规风险
| 风险 | 缓解 |
|——|——|
| 条目膨胀、低信噪比 | 严格过滤规则（排除trivial typos、straightforward retries）+ 搜索优先 |
| 推广规则未经充分验证 | 建议设置观察期，高频复发后再推广 |
| 模式键（Pattern-Key）冲突 | 使用带日期前缀的确定性ID |
| 敏感信息泄露 | 学习记录可能包含错误日志、文件路径，需注意`.learnings/`的gitignore配置 |
会员专属
