（679期）Tsz – AI 持续进化，知识自动沉淀

AI 持续进化，知识自动沉淀 AI 自我学习系统，自动记录错误、用户纠正与知识缺口，通过结构化日志实现持续迭代优化，支持多平台 Agent 集成 使用说明 核心用法 Self-Improvement Skill 是一套面向 AI 编码代理的持续学习框架，通过结构化日志捕获四类关键信息：用户纠正（correction）、知识缺口（knowledgegap）、最佳实践（bestpractice）以及外部错误（errors）。系统要求用户在特定触发条件下立即记录——包括命令失败、用户纠正、发现过时知识、找到更优方案等场景。 日志采用三级分类存储：.learnings/LEARNINGS.md 记录认知层面的学习，.learnings/ERRORS.md 记录技术故障，.learnings/FEATURE_REQUESTS.md 记录功能需求。每条记录遵循标准化格式，包含唯一 ID（TYPE-YYYYMMDD-XXX）、优先级、领域标签、详细上下文及建议修复方案。 显著优点 结构化知识沉淀：相比传统对话式 AI 的"失忆"问题，该 skill 强制将隐性经验转化为可追溯、可检索的显性文档，支持跨会话、甚至跨项目复用。 渐进式智能提升：高价值学习可"晋升"（promote）至项目级记忆文件（CLAUDE.md、AGENTS.md 等），从个人学习升级为团队协作规范，实现"教会一个，惠及全员"。 多平台兼容性：原生支持 OpenClaw 工作空间注入，同时适配 Claude Code、Codex、GitHub Copilot 等主流 Agent，通过 hooks 或手动方式均可激活。 技能提取机制：当学习满足"重复出现、已验证有效、非显而易见、广泛适用"等条件时，可自动提取为可复用的独立 skill，形成正向循环。 潜在缺点与局限性 执行依赖人工触发：除 OpenClaw 的自动注入外，其他平台需用户手动识别触发条件并执行记录，存在遗漏风险。 维护成本：日志需定期审阅（review）、晋升（promote）、解决（resolve），否则易沦为"知识坟墓"。项目需提供明确的维护责任分工。 格式学习曲线：完整的记录模板包含 10+ 字段，对轻量使用场景可能显得繁琐。 无内置分析工具：系统未提供趋势分析、聚类挖掘等智能功能，依赖人工识别重复模式。 适合人群 长期使用 AI 辅助编码的专业开发者，希望积累个人/团队知识库 复杂项目的核心维护者，需要记录项目特定约定与陷阱 多 Agent 协作场景下的技术负责人，寻求统一的工作流规范 追求"可进化的 AI 工作流"的早期采用者 常规风险 信息泄露：日志可能包含敏感错误信息、文件路径、业务逻辑细节，需谨慎处理 .learnings/ 目录的 Git 可见性（默认建议加入 .gitignore）。 过度记录：缺乏优先级判断的低价值记录会稀释注意力，建议严格执行 priority 分级，定期清理 pending 条目。 晋升标准不一：不同用户对"何时晋升到 CLAUDE.md"理解差异大，可能导致项目级文件膨胀或遗漏关键知识。 Agent 行为漂移：若晋升后的记忆文件未同步更新，不同 Agent 可能基于过时的 SOUL.md/AGENTS.md 做出矛盾决策。 安全等级说明：本简介基于文档结构分析生成，未执行代码审计。该 skill 本身不执行网络请求或文件系统敏感操作，风险主要来源于用户记录的内容敏感性及后续 Agent 对记忆文件的解读一致性。 原始说明 Use the ClawdHub CLI to search, install, update, and publish agent skills from clawdhub.com. Use when you need to fetch new skills on the fly, sync installed...