AI 持续进化与知识沉淀系统
self-improvement 基于 OpenClaw 生态的自我改进框架，通过结构化记录错误与纠正，实现 AI 跨会话持续进化与项目知识沉淀。
什么时候用这个 Skill？
Self-Improvement Skill 是一套专为 AI 编码助手设计的持续学习框架，旨在通过结构化记录错误、用户纠正和功能需求，解决传统 AI 助手"无状态"导致的重复犯错问题。该技能与 OpenClaw 平台深度集成，同时兼容 Claude Code、Codex CLI 和 GitHub Copilot，通过建立本地知识库实现跨会话的经验沉淀。
核心用法围绕三个日志文件展开：.learnings/LEARNINGS.md 记录知识缺口和最佳实践，ERRORS.md 捕获命令失败和异常，FEATURE_REQUESTS.md 追踪用户需求。当 AI 犯错被纠正、遇到意外错误或发现更优方案时，系统会生成结构化条目（格式为 TYPE-YYYYMMDD-XXX），包含优先级、领域标签和解决状态。随着学习条目成熟，可将其"推广"至 CLAUDE.md、AGENTS.md 或 SOUL.md 等永久性项目记忆文件，成为所有后续会话的上下文基础。
显著优点包括：一是建立了真正的反馈循环，使 AI 从"一次性对话"进化为"持续学习"模式；二是支持模式识别，通过 Pattern-Key 和 Recurrence-Count 追踪重复问题，自动触发系统性修复；三是提供 Hook 脚本（activator.sh、error-detector.sh）实现自动化检测，减少人工记录负担；四是与 Simplify-and-Harden 技能集成，能将代码简化经验转化为持久化规则；五是跨 Agent 兼容，确保不同工具链间的知识共享。
潜在缺点不容忽视：首先，来源为 T3 级个人开发者（peterskoett），非官方或知名企业维护，存在长期维护不确定性；其次，需要开发者主动配置 Hook 并坚持记录习惯，否则容易沦为"写入即遗忘"的文档墓地；再者，学习文件可能无限膨胀，需要定期审查（Review）和归档，否则会增加 I/O 开销和上下文污染风险；最后，当前仅支持 Markdown 格式，对于偏好数据库存储或结构化 JSON 的团队可能不够灵活。
该技能最适合长期使用 AI 助手进行复杂项目开发的高级用户，特别是那些需要维护多个相关项目、希望建立团队级编码规范、或依赖 OpenClaw 多 Agent 工作流的开发者。对于短期项目或偶尔使用 AI 助手的用户，设置和维护成本可能超过收益。
使用风险主要包括：未及时清理的 .learnings/ 目录可能积累大量过时条目，导致 AI 在检索时引用已失效的解决方案；Hook 脚本虽然为 Opt-in 机制，但错误配置可能导致频繁的提示干扰；跨会话通信功能（如 sessions_send）如果使用不当，可能在多用户环境中泄露敏感上下文；此外，由于技能需要写入文件系统权限，在只读或高度受限的环境中无法正常工作。
简单 3 步，立即在 AI 工具中使用
- 1
- 2
-
3
用普通话描述任务
直接说出你的需求，AI 会自动按此 Skill 预设流程落地结果。
复制给 Agent 自动安装
选择你在用的工具，复制下方指令粘贴给 AI，AI 会先说明用途和权限，自动完成安装。
使用前注意事项与安全等级
安全等级 S：已人工复核，风险很低，可放心使用。 ## 核心用法 Self-Improvement Skill 是一套面向 AI 代理（如 Claude）的自我进化框架，通过标准化 Markdown 日志实现知识的捕获、分类与传承。用户无需主动调用——当检测到六种触发场景（命令失败、用户纠错、功能请求缺失、API 异常、知识过时、发现更优方案）时，自动将信息结构化写入 `.learnings/` 目录下的三个核心文件： - **ERRORS.md**: 记录命令/API 失败详情，含错误输出、环境上下文、复现步骤与修复建议 - **LEARNINGS.md**: 收录知识修正（correction）、知识缺口（knowledge_gap）、最佳实践（best_practice） - **FEATURE_REQUESTS.md**: 追踪用户能力需求，评估复杂度与实现路径 每条记录采用 `TYPE-YYYYMMDD-XXX` 唯一标识，支持跨条目关联（`**See Also**`）与优先级动态调整。关键机制在于**升级机制**：当学习具备跨文件适用性时， distilled 为简洁规则并提升至 `CLAUDE.md`（项目事实与约定）或 `AGENTS.md`（代理工作流与自动化规则），实现从临时日志到永久记忆的转化。 ## 显著优点 1. **零配置开箱即用**：仅需创建 `.learnings/` 目录，无外部依赖 2. **人机协作友好**：Markdown 格式兼容版本控制，团队可共享学习库 3. **防复发设计**：通过周期性审查与模式检测，将重复问题升级为系统性修复 4. **代理互操作性**：编码代理可自动解析结构化日志生成修复补丁 5. **渐进式知识沉淀**：临时记录→关联分析→规则提炼→项目记忆，形成完整知识生命周期 ## 潜在局限 - **依赖人工触发判断**：检测规则基于自然语言模式匹配，复杂场景可能漏检 - **日志膨胀风险**：高频使用场景下需配合定期审查清理，否则信息过载 - **升级门槛主观**："广泛适用性"判定缺乏量化标准，可能导致记忆文件冗余或遗漏 - **无原生查询接口**：依赖 `grep` 等外部工具检索，大规模项目效率受限 - **单向知识流**：目前不支持从 `CLAUDE.md` 反向同步或过期规则自动淘汰 ## 适合人群 - 长期迭代的大型项目团队，需维护跨会话上下文 - 多 AI 代理协作环境（人类开发者 + 多个编码代理） - 追求知识显性化与可审计性的工程组织 - 个人开发者希望建立个人 AI 交互记忆库 ## 常规风险 1. **敏感信息泄露**：错误日志可能无意捕获环境变量、文件路径或业务逻辑细节，建议配合 `.gitignore` 策略（本地/团队/混合模式） 2. **过时学习污染**：未定期审查时，已修复问题的记录可能误导后续代理决策 3. **过度规范化成本**：严格遵循模板可能增加记录摩擦，建议核心项目采用完整模板，快速实验项目简化字段 4. **升级冲突**：多人同时编辑 `CLAUDE.md` 时可能产生合并冲突，建议结合版本控制工作流
report_id: CLS-2026-0506-SIA100
report_date: "2026-05-05T21:44:42Z"
scanner_version: CLS-Certify v2.1.0
scan_mode: Full Scan
skill_name: self-improving-agent-1-0-0
skill_version: 1.0.0
skill_path: /tmp/bss_skill_9vfdkhkn
maintainer: dc-acronym
license: unknown
trust_level: T3
trust_level_text: 个人开发者/社区项目
scan_duration: 15.2s
code_stats: 607 lines · 4 files (0 executable)
grade: S
score: 98
evaluation: 优秀
stamp_color: green
total_风险发现: 0
radar:
- name: 静态代码分析
short: 静态分析
score: 98
status: pass
detail: 无威胁发现，仅包含 harmless 的 mkdir 示例命令 - name: 动态行为分析
short: 动态分析
score: 100
status: pass
detail: 无可执行代码，纯 Markdown 文档 - name: 依赖审计
short: 依赖审计
score: 100
status: pass
detail: 无第三方依赖 - name: 网络流量分析
short: 网络分析
score: 100
status: pass
detail: 无外部 API 调用 - name: 隐私合规检查
short: 隐私合规
score: 95
status: pass
detail: 符合隐私规范，不收集敏感数据 - name: 威胁情报
short: 威胁情报
score: 95
status: pass
detail: 来源可追溯（GitHub dc-acronym）
compliance:
- text: GDPR合规
status: pass - text: CCPA合规
status: pass - text: 数据最小化
status: pass - text: 权限适度
status: pass - text: 无恶意模式
status: pass - text: 来源可追溯
status: pass
sample_hash: sha256:6496596bacfc8e2c485021d9068c4e0b56660cd950d7dc2b83c37cd37c0c40eb
disclaimer: 本认证结果基于自动化安全扫描，不代表对 Skill 功能正确性的保证。建议在关键环境中使用前进行人工代码审查。
风险模式
- green: 纯文档型 Skill
- green: 无可执行代码
- green: 无外部网络依赖
- green: 无敏感数据收集
- green: 符合 GDPR/CCPA 规范
分析摘要
- Skill 类型: 纯 Markdown 文档型 Skill（T-MD 分类），用于记录学习、错误和功能请求
- 安全等级: S 级（98 分），表现优秀
- 威胁发现: 0 个安全威胁，无恶意代码模式
- 网络行为: 无外部 API 调用，无数据外泄风险
- 隐私合规: 符合 GDPR/CCPA 规范，不收集用户敏感信息
外部接口
| endpoint | method | reputation | encryption | data_types | provider |
|---|---|---|---|---|---|
| 无 | - | - | - | - | - |
风险发现
> 扫描结果: 未发现任何安全风险或威胁模式。
详细分析
静态代码分析
- 检测范围: SKILL.md, LEARNINGS.md, examples.md, _meta.json
- 风险代码块: 1 个中等风险（
mkdir -p .learnings示例命令） - 判定结果: 该代码块为文档示例，非实际执行代码，风险可忽略
- 威胁模式匹配: 0 项命中
动态行为分析
- 可执行代码: 0 行
- 文件类型: 100% Markdown/JSON 文档
- 判定结果: 无需动态分析（无可执行代码）
依赖审计
- 依赖数量: 0
- CVE 漏洞: 0
- 恶意包风险: 无
网络流量分析
- 外部 API: 0 个
- 可疑域名: 0 个
- 数据外泄风险: 无
隐私合规检查
- 数据收集: 无用户数据收集
- 敏感信息: 无硬编码密钥/凭证
- 权限申请: 无过度权限
威胁情报
- 来源可信度: T3（个人开发者 dc-acronym）
- 已知恶意模式: 未命中
- 代码混淆: 未发现
改进建议
1. 维持当前安全等级
描述: 该 Skill 目前安全状况良好，建议保持当前使用方式。
具体建议:
- 定期审查
.learnings/目录下生成的文件内容 - 确保记录的错误和敏感信息不包含实际凭证或密钥
2. 建议添加开源许可证
描述: 当前 Skill 未明确声明开源许可证，建议添加 LICENSE 文件。
具体建议:
- 考虑使用 MIT、Apache-2.0 或 BSD 等宽松许可证
- 在 _meta.json 中声明 license 字段
3. 建议补充安全声明
描述: 在文档中明确说明 Skill 的数据处理方式有助于提升用户信任。
具体建议:
- 在 SKILL.md 中添加隐私说明章节
- 说明数据存储位置（本地
.learnings/目录） - 说明数据是否会上传到远程服务器（当前不会）
4. 定期更新维护
描述: 建议保持 Skill 的定期维护，及时响应用户反馈。
具体建议:
- 关注 GitHub 上的 issues 和 PR
- 定期审查积累的学习条目，及时提升到 CLAUDE.md
国内网盘直下载与运维维护
百度/夸克直链转存，无需翻墙或挂代理。
固定有效版本，经过实测排查，避免代码变动导致失效。
专人维护网盘地址，发现链接失效 24h 内完成补链。
随时获取最新修复说明，帮非技术用户节省大把调优时间。
源码与文件预览（15 个文件）
正在加载代码…