self-improving-agent 技能解析

每次对话结束，AI 的记忆清零。self-improving-agent 用一套精巧的机制，在这个硬约束下构建出了持续学习的闭环。

---

它解决什么问题

使用 AI 编程助手时，有一类痛点几乎人人都踩过：

• 重复踩坑：上周调试了半天的报错，AI 这次还是不会处理；你告诉它"这个项目用 pnpm，不要用 npm"，下次开新对话又回到原点
• 纠正白费：你花时间纠正了 AI 的一个错误认知，但这个纠正只活在这一次对话里，下次从零开始
• 约定失忆：团队有特定的代码规范、项目有特殊的目录结构，每次对话都要重新交代一遍
• 错误重演：AI 在某个工具调用上失败了，但没有任何记录，下次遇到同样情况还会以同样方式失败

这些问题都指向同一个根本原因：AI 没有跨会话的持久记忆，每次对话都是白板重启。

self-improving-agent 就是专门解决这个问题的。它的核心理念是：

与其每次都从头教 AI，不如让 AI 自己把学到的东西记下来，逐渐积累成不会丢失的"项目经验库"。

---

主要功能

1. 自动捕获学习时机

通过 Hook 机制，AI 在每次完成任务后会被自动提醒进行自我评估。以下四类情况会触发记录：

① 被用户纠正时
当用户说出"不对"、“应该是…”、“你理解错了”、"这个方法已经废弃了"这类话时，AI 会将这次纠正完整记录下来，包括错误的认知、正确的做法以及适用范围。

② 命令或工具执行失败时
error-detector.sh 脚本会在每次 Bash 命令执行后自动检查输出，匹配 16 种错误模式（npm ERR!、Permission denied、Traceback、fatal: 等）。只要检测到报错，就立即提示 AI 记录错误现象、上下文和修复方案。

③ 发现更好的解决方案时
调试过程中找到了一个非显而易见的解法、发现了某个 API 的特殊用法、总结出了一套处理某类问题的模式——这些"经验"都会被记录为 best_practice，供下次直接复用。

④ 用户要求不存在的能力时
用户问"你能不能帮我做 X"，而 AI 当前做不到，这个需求会被记录到功能请求日志，方便后续跟踪和实现。

2. 结构化三类日志

所有经验按性质分别存入 .learnings/ 目录下的三个文件：

文件	记录内容	条目格式
LEARNINGS.md	纠正、知识缺口、最佳实践	LRN-YYYYMMDD-XXX
ERRORS.md	命令失败、工具报错、API 异常	ERR-YYYYMMDD-XXX
FEATURE_REQUESTS.md	用户期望但尚不具备的能力	FEAT-YYYYMMDD-XXX

每条记录都包含：时间戳、优先级（critical/high/medium/low）、状态、所属区域（frontend/backend/infra…）、详细上下文和建议操作，方便后续检索和处理。

3. 知识晋升机制（最核心的设计）

日志里的条目不是一次性记录，而是有完整的生命周期管理。当某条经验反复被验证、价值被确认后，会逐层"晋升"：

.learnings/（临时日志，随项目走）
    ↓ 条件：重复出现 3 次以上 + 跨越 2 个不同任务 + 30 天内发生
CLAUDE.md / AGENTS.md（项目永久规范，每次新会话自动加载）
    ↓ 条件：通用性强，对其他项目同样有价值
独立 SKILL.md（发布到 ClawdHub，供所有项目安装复用）

晋升后的效果：

晋升到 CLAUDE.md 的内容，Claude 每次开新对话都会自动读取。比如：

## 构建 & 依赖管理
- 包管理器：pnpm（非 npm）- 使用 `pnpm install`
- API 变更后必须执行：pnpm run generate:api

从此以后，AI 不会再犯用错包管理器或漏掉 API 重新生成这类错误——不需要每次提醒，它自己就知道。

晋升目标一览：

目标文件	写入内容	生效范围
CLAUDE.md	项目约定、注意事项、踩坑记录	当前项目所有 Claude 会话
AGENTS.md	工作流规则、自动化步骤	当前项目所有 Agent 会话
SOUL.md	AI 行为准则、沟通风格	OpenClaw 工作区全局
TOOLS.md	工具使用陷阱、正确用法	OpenClaw 工作区全局

4. 重复模式检测

每次记录新条目时，会先检索是否已有类似记录。若有：

• 追加 See Also 关联链接
• Recurrence-Count 计数累加
• 当计数达到阈值，自动触发晋升建议

这确保了"同一个坑踩三次"不会被当作三个独立事件处理，而是被识别为需要系统性解决的问题。

5. 技能提取

当某条学习足够通用、价值足够高，可以一键打包为独立技能：

./scripts/extract-skill.sh docker-m1-fixes --dry-run  # 预览
./scripts/extract-skill.sh docker-m1-fixes            # 创建

脚本生成标准结构的 SKILL.md 脚手架，填充内容后可发布到 ClawdHub，供其他项目一键安装，实现知识的跨项目流通。

---

自动化触发方式

Claude Code / Codex：在 .claude/settings.json 配置两个 Hook：

{
  "hooks": {
    "UserPromptSubmit": [{ "hooks": [{ "type": "command", "command": "./scripts/activator.sh" }] }],
    "PostToolUse":      [{ "matcher": "Bash", "hooks": [{ "type": "command", "command": "./scripts/error-detector.sh" }] }]
  }
}

OpenClaw：会话启动时自动注入提醒，子 Agent 会话自动跳过，支持跨会话传递学习成果（sessions_send）。

GitHub Copilot：无 Hook 支持，手动在 .github/copilot-instructions.md 中添加提醒。

---

安装

# OpenClaw（推荐）
clawdhub install self-improving-agent

# 手动安装
git clone https://github.com/peterskoett/self-improving-agent.git ~/.openclaw/skills/self-improving-agent

---

总结

self-improving-agent 本质上是在 AI 没有长期记忆的硬约束下，通过"自动记录 → 结构化存储 → 渐进晋升"三步，模拟出了人类工程师积累经验的过程。

没有它：AI 每次从零开始，同样的坑反复踩，纠正全部白费
有了它：错误被记录 → 经验被沉淀 → 规范被固化 → 知识被复用
        一个持续运转的学习飞轮，越用越顺

---

作者：pskoett ｜ 参考：W3CSchool OpenClaw Skills 手册