让AI记住教训,不再重复犯错
score 97让AI记住教训,不再重复犯错
## 核心用法 Self-Improvement Skill 是一套本地日志记录系统,帮助AI助手捕获对话中的学习机会。当用户纠正错误、命令执行失败、发现知识过时或遇到缺失功能时,自动记录到 .learnings/ 目录下的三个文件: - LEARNINGS.md:修正(correction)、洞察(insight)、知识缺口(knowledge_gap)、最佳实践(best_practice) - ERRORS.md:命令失败、API异常、集成错误 - FEATURE_REQUESTS.md:用户请求的新功能 每条记录使用结构化格式(ID、时间戳、优先级、区域标签、摘要、详情、建议措施、元数据),便于后续检索和自动化处理。 ## 显著优点 1. 零外部依赖:纯原生Shell/JavaScript实现,无第三方包,杜绝供应链攻击 2. 隐私优先:明确不记录密钥、令牌、环境变量,仅存储用户明确要求的日志摘要 3. 渐进式知识沉淀:单条记录 → 关联链接 → 高频模式 → 提升到项目记忆文件(CLAUDE.md/AGENTS.md) 4. 多平台兼容:支持Claude Code、Codex CLI、GitHub Copilot,通过hooks实现自动触发 5. 安全审计通过:静态分析95分、动态行为90分、依赖审计100分,整体S级(优秀) ## 局限性与风险 1. T3级来源:由个人开发者(pskoett)维护,非企业级背书,需用户自行审计代码 2. 手动推广门槛:从日志到项目记忆文件的"推广"步骤需要人工判断,依赖使用者的经验 3. hook配置复杂:自动提醒需要修改agent配置文件(如.claude/settings.json),对非技术用户不够友好 4. 跨会话通信有限:OpenClaw平台的sessions_send等功能仅在受信环境可用,且需用户显式授权 5. 无内置分析工具:缺乏自动统计高频问题、生成趋势报告的功能,需手动grep查询 ## 适合人群 - 长期项目的开发者,需要AI助手"记住"项目特定约定 - 团队协作场景,希望沉淀共享的知识库 - 追求工作流自动化的进阶用户,愿意配置hooks - 对代码安全敏感、偏好零依赖工具的用户 ## 常规风险 - 数据残留风险:.learnings/目录默认被.gitignore排除,但若误提交可能暴露内部调试信息 - 权限配置错误:若目录权限过宽(777),其他进程可能篡改学习记录 - 过度记录噪音:无筛选机制可能导致低价值日志堆积,需定期人工清理 - 版本兼容:Skill提取功能依赖特定目录结构,升级时可能破坏既有工作流 self-improvementknowledge-managementloggingcontinuous-learningagent-skillslocal-firstzero-dependencyprivacy-focused