让AI从错误中持续进化 - Self Improvement (done properly)

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

基本信息

• 技能名称?Self Improvement (done properly)
• 中文名称?让AI从错误中持续进化
• 作者?tristanmanchester
• 分类?专业技能
• 版本?1.0.0
• 标签?self-improvement, knowledge-management, continuous-learning, error-tracking, agent-memory, skill-extraction, debugging, workflow-automation

使用方法

使用说明
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 |