开通会员

(810期)Self Improving Agent Local – AI持续学习与知识沉淀系统

10.0 综合评分
24.4 kB 文件大小
2026-09-16 更新时间

AI持续学习与知识沉淀系统 AI自我改进技能,通过结构化日志记录错误、用户反馈与知识缺口,实现持续学习与项目记忆沉淀 使用说明 核心用法 self-improvement 是一套面向 AI 编码代理的持续学习框架,通过标准化 Markdown 日志实现知识捕获与迭代优化。 三种日志类型 | 文件 | 用途 | 触发场景 ||------|------|---------|| LEARNINGS.md | 知识学习与改进 | 用户纠正、发现更好的方法、知识过时 || ERRORS.md | 错误与故障记录 | 命令失败、API 异常、工具故障 || FEATURE_REQUESTS.md | 功能需求跟踪 | 用户请求缺失的能力 | 完整工作流 检测触发:识别 6 类场景——命令失败、用户纠正、功能缺失、外部工具故障、知识过时、发现更优方案 结构化记录:使用 TYPE-YYYYMMDD-XXX ID 格式,包含优先级(critical/high/medium/low)、领域标签(frontend/backend/infra/tests/docs/config)和元数据 状态流转:pending → inprogress → resolved / wontfix / promoted 知识升级:验证有效的学习项提升至项目级记忆文件(CLAUDE.md/AGENTS.md/SOUL.md/TOOLS.md),甚至提取为可复用技能 平台支持 OpenClaw(推荐):工作区自动注入 + 会话间通信工具(sessionslist/sessionssend/sessions_spawn) Claude Code/Codex:通过 .claude/settings.json 或 .codex/settings.json 配置 Hooks 自动触发 GitHub Copilot:手动集成,通过 .github/copilot-instructions.md 提醒 --- 显著优点 跨会话连续性:解决 LLM 上下文有限、记忆易失的核心痛点,实现"本次踩坑,下次避坑" 结构化可检索:标准化 ID、分类标签、链接机制(See Also)支持模式检测与根因分析 渐进式知识沉淀:从临时日志 → 项目记忆 → 可复用技能的三级升级路径 多代理兼容:OpenClaw、Claude Code、Codex、Copilot 均有对应集成方案 自动化支持:Hooks 实现错误检测与主动提醒,降低记录摩擦 团队可共享:.learnings/ 可提交至仓库,成为团队集体记忆 --- 潜在缺点与局限性 手动维护负担:无 Hooks 时需主动记录,高频场景下可能遗漏 日志膨胀风险:缺乏自动清理机制,长期项目可能积累大量陈旧记录 升级门槛模糊:"何时提升至项目记忆"依赖人工判断,标准较主观 Copilot 支持薄弱:无原生 Hook 机制,主要靠手动提醒 模式检测有限:Recurrence-Count 需手动更新,无自动去重或相似性匹配 存储本地依赖:默认路径 ~/.openclaw/workspace/ 或项目 .learnings/,无云端同步机制 --- 适合人群 | 场景 | 受益程度 ||------|---------|| 长期使用 Claude Code/Codex 的开发者 | ⭐⭐⭐⭐⭐ Hooks 自动化最大化收益 || 多项目并行、上下文切换频繁的团队 | ⭐⭐⭐⭐⭐ 跨项目记忆沉淀价值极高 || OpenClaw 用户 | ⭐⭐⭐⭐⭐ 原生集成,体验最佳 || 追求系统化 AI 协作流程的技术负责人 | ⭐⭐⭐⭐⭐ 可建立团队级最佳实践 || 偶尔使用 Copilot 的轻量用户 | ⭐⭐⭐ 需手动维护,收益受限 || 短期原型项目 | ⭐⭐ 投入产出比偏低 | --- 常规风险 | 风险等级 | 描述 | 缓解建议 ||---------|------|---------|| 🟡 中等 | 敏感信息泄露:错误日志可能包含密钥、路径、内部架构 | 日志加入 .gitignore 或脱敏后再提交 || 🟡 中等 | 过度依赖历史记录:陈旧学习可能误导新场景判断 | 定期 review(建议每周),及时标记 resolved || 🟢 较低 | 存储占用:长期运行后日志文件体积增长 | 归档旧条目或提取为技能后清理 || 🟢 较低 | Hook 性能开销:每次 prompt 执行脚本有约 50-100 token 成本 | 生产环境可禁用,改为定期批量处理 | 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 Clau...

开通会员
安全无毒 已通过安全检测,请放心下载 无毒 无插件 人工检测

AI持续学习与知识沉淀系统

AI自我改进技能,通过结构化日志记录错误、用户反馈与知识缺口,实现持续学习与项目记忆沉淀

使用说明

核心用法

self-improvement 是一套面向 AI 编码代理的持续学习框架,通过标准化 Markdown 日志实现知识捕获与迭代优化。

三种日志类型

| 文件 | 用途 | 触发场景 |
|——|——|———|
| LEARNINGS.md | 知识学习与改进 | 用户纠正、发现更好的方法、知识过时 |
| ERRORS.md | 错误与故障记录 | 命令失败、API 异常、工具故障 |
| FEATURE_REQUESTS.md | 功能需求跟踪 | 用户请求缺失的能力 |

完整工作流

  1. 检测触发:识别 6 类场景——命令失败、用户纠正、功能缺失、外部工具故障、知识过时、发现更优方案
  2. 结构化记录:使用 TYPE-YYYYMMDD-XXX ID 格式,包含优先级(critical/high/medium/low)、领域标签(frontend/backend/infra/tests/docs/config)和元数据
  3. 状态流转:pending → inprogress → resolved / wontfix / promoted
  4. 知识升级:验证有效的学习项提升至项目级记忆文件(CLAUDE.md/AGENTS.md/SOUL.md/TOOLS.md),甚至提取为可复用技能

平台支持

  • OpenClaw(推荐):工作区自动注入 + 会话间通信工具(sessionslist/sessionssend/sessions_spawn)
  • Claude Code/Codex:通过 .claude/settings.json 或 .codex/settings.json 配置 Hooks 自动触发
  • GitHub Copilot:手动集成,通过 .github/copilot-instructions.md 提醒

—

显著优点

  1. 跨会话连续性:解决 LLM 上下文有限、记忆易失的核心痛点,实现"本次踩坑,下次避坑"
  2. 结构化可检索:标准化 ID、分类标签、链接机制(See Also)支持模式检测与根因分析
  3. 渐进式知识沉淀:从临时日志 → 项目记忆 → 可复用技能的三级升级路径
  4. 多代理兼容:OpenClaw、Claude Code、Codex、Copilot 均有对应集成方案
  5. 自动化支持:Hooks 实现错误检测与主动提醒,降低记录摩擦
  6. 团队可共享:.learnings/ 可提交至仓库,成为团队集体记忆

—

潜在缺点与局限性

  1. 手动维护负担:无 Hooks 时需主动记录,高频场景下可能遗漏
  2. 日志膨胀风险:缺乏自动清理机制,长期项目可能积累大量陈旧记录
  3. 升级门槛模糊:"何时提升至项目记忆"依赖人工判断,标准较主观
  4. Copilot 支持薄弱:无原生 Hook 机制,主要靠手动提醒
  5. 模式检测有限:Recurrence-Count 需手动更新,无自动去重或相似性匹配
  6. 存储本地依赖:默认路径 ~/.openclaw/workspace/ 或项目 .learnings/,无云端同步机制

—

适合人群

| 场景 | 受益程度 |
|——|———|
| 长期使用 Claude Code/Codex 的开发者 | ⭐⭐⭐⭐⭐ Hooks 自动化最大化收益 |
| 多项目并行、上下文切换频繁的团队 | ⭐⭐⭐⭐⭐ 跨项目记忆沉淀价值极高 |
| OpenClaw 用户 | ⭐⭐⭐⭐⭐ 原生集成,体验最佳 |
| 追求系统化 AI 协作流程的技术负责人 | ⭐⭐⭐⭐⭐ 可建立团队级最佳实践 |
| 偶尔使用 Copilot 的轻量用户 | ⭐⭐⭐ 需手动维护,收益受限 |
| 短期原型项目 | ⭐⭐ 投入产出比偏低 |

—

常规风险

| 风险等级 | 描述 | 缓解建议 |
|———|——|———|
| 🟡 中等 | 敏感信息泄露:错误日志可能包含密钥、路径、内部架构 | 日志加入 .gitignore 或脱敏后再提交 |
| 🟡 中等 | 过度依赖历史记录:陈旧学习可能误导新场景判断 | 定期 review(建议每周),及时标记 resolved |
| 🟢 较低 | 存储占用:长期运行后日志文件体积增长 | 归档旧条目或提取为技能后清理 |
| 🟢 较低 | Hook 性能开销:每次 prompt 执行脚本有约 50-100 token 成本 | 生产环境可禁用,改为定期批量处理 |

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 Clau…

免责声明

本站提供的资源转载自国内外各大媒体和网络,仅供试玩体验;不得将上述内容用于商业或者非法用途,否则,一切后果请用户自负。您必须在下载后的24个小时之内,从您的电脑中彻底删除上述内容。如果您喜欢该游戏内容,请支持正版,购买注册,得到更好的正版服务。我们非常重视版权问题,如有侵权请邮件与我们联系处理。

上一篇 (811期)Inner Life Evolve – 安全可控的代理自我进化引擎 下一篇 (809期)memory-pro – 本地语义搜索,私享记忆检索

玩家评论

10 /10
0 人评分 · 0 条评论
写下我的评测

还没有玩家留言,来抢沙发吧~