（98期）Self Improving Agent 1.0.1 – AI 持续进化 · 经验资产沉淀

AI 持续进化 · 经验资产沉淀 AI 驱动的持续改进系统，捕获错误、修正与知识缺口，将临时经验沉淀为可复用的项目记忆与技能资产。 使用说明 核心用法 Self-Improvement Skill 是一套结构化的学习捕获与知识管理系统，专为 AI 编程助手设计。核心机制包含三类日志文件： .learnings/LEARNINGS.md — 知识习得、用户修正、最佳实践发现 .learnings/ERRORS.md — 命令失败、API 异常、工具故障 .learnings/FEATURE_REQUESTS.md — 用户需求缺口、能力边界反馈 每条记录采用标准化 ID 格式（TYPE-YYYYMMDD-XXX），包含优先级分级（critical/high/medium/low）、领域标签（frontend/backend/infra/tests/docs/config）及可追踪的状态流转（pending → inprogress → resolved/wontfix/promoted）。 关键工作流程： 触发检测：识别 6 类场景——命令失败、用户纠正（"Actually..."）、缺失功能请求、外部 API 故障、知识过时、更优方案发现 即时记录：使用模板化格式追加写入，确保上下文完整性（时间戳、环境、复现步骤、建议修复） 定期回顾：任务前检索相关学习，避免重复踩坑 知识升级：广泛适用的学习提升至 CLAUDE.md、.github/copilot-instructions.md 等持久化项目记忆 技能提取：高频/非显而易见的问题经验证后，自动提取为可复用的独立 Skill Hook 集成（可选）：通过 Claude Code/Codex 的 UserPromptSubmit 和 PostToolUse 钩子实现自动化触发提醒。 显著优点 经验资产化：将单次对话中的纠错转化为团队共享知识，突破会话隔离限制 预防性编程：任务前主动检索相关学习，显著降低重复错误率 多 Agent 兼容：支持 Claude Code、Codex CLI、GitHub Copilot 等不同平台 渐进式治理：从临时日志 → 项目记忆 → 独立技能，形成知识成熟度曲线 结构化可追溯：标准化 ID 与交叉引用（See Also）支持模式识别与根因分析 潜在局限 手动开销：虽有 Hook 提醒，核心记录仍需人工判断与撰写，高频场景下可能中断心流 冷启动问题：新项目无历史积累时，初期价值有限 质量依赖：记录质量高度依赖撰写者的上下文提取能力，潦草记录降低复用价值 无自动聚合：缺乏内置的聚类分析，需人工识别重复模式以触发技能提取 Git 策略复杂：团队共享 vs 个人本地存储的权衡需要明确的 .gitignore 策略 适合人群 | 场景 | 收益 ||------|------|| 长期迭代的大型项目 | 防止知识流失，新成员/新会话快速上手 || 多 Agent 协作团队 | 统一知识沉淀格式，跨工具经验复用 || 复杂技术栈项目 | 捕获框架特定的非显而易见行为与坑点 || 高频探索性开发 | 快速原型阶段的经验系统化归档 | 常规风险 敏感信息泄露：错误日志可能包含 API 密钥、数据库连接字符串等，需审查后提交 过时知识累积：已解决的 issue 若未及时标记 resolved，可能造成误导 过度工程化：小型项目或短期任务中，完整流程可能 ROI 为负 责任模糊：AI 生成内容的归属与审核责任在团队层面需明确 隐私合规：用户反馈中的个人信息需脱敏处理，尤其涉及 .learnins/ 入仓场景 原始说明 Captures learnings, errors, and corrections to enable continuous improvement. Use when: (1) A command or operation fails unexpectedly, (2) User corrects Claude ('No, that's wrong...', 'Actually...'), (3) User requests a capability that doesn't exist, (4) An external API or tool fails, (5) Claude realizes its knowledge is outdated or incorrect, (6) A better approach is discovered for a recurring task. Also review learnings before major tasks.