self-improving-agent

• Sie korrigieren Ihren KI-Agenten häufig — wenn Sie sich dabei ertappen, Dinge wie „Nein, das ist falsch" oder „Verwende bitte pnpm statt npm" zu sagen, erfasst dieser Skill diese Korrekturen, damit sie sich nicht wiederholen.
• Sie arbeiten an einem langfristigen Projekt — Teams und Einzelentwickler, die über viele Sitzungen hinweg mit KI-Agenten interagieren, profitieren von einer wachsenden, durchsuchbaren Sammlung von Projektkonventionen und Stolperfallen.
• Sie möchten wiederverwendbare Skills aus Lösungen erstellen — wenn eine nicht offensichtliche Lösung gefunden wird, wandelt der Extraktions-Workflow des Skills diese in einen eigenständigen, teilbaren Skill um.
• Sie verwenden Multi-Agenten-Workflows — OpenClaw-Nutzer können Erkenntnisse über Sitzungen hinweg teilen und Unter-Agenten starten, die auf der Grundlage des angesammelten Wissens handeln.

• Kurze Einmalaufgaben — wenn Sie einen Agenten für ein einzelnes Wegwerfskript ohne Folgesitzungen verwenden, bietet der Aufwand für das Protokollieren und Überprüfen von Einträgen keinen Mehrwert.
• Vollständig automatisierte Pipelines ohne menschliche Feedback-Schleife — der Wert von self-improving-agent potenziert sich durch Benutzerkorrekturen und -überprüfungen; rein unbeaufsichtigte Ausführungen erzeugen keine nützlichen Signale.

Jedes erfasste Ereignis erhält einen typisierten, mit Zeitstempel versehenen Eintrag mit Priorität, Bereichs-Tag, Status und Metadatenfeldern wie Pattern-Key und See Also-Verknüpfungen. Drei separate Protokolldateien halten Korrekturen, Befehlsfehler und Feature-Anfragen übersichtlich und grep-freundlich organisiert.

Wenn eine Erkenntnis allgemein anwendbar ist, bietet der Skill einen klaren Workflow, um sie in prägnante Regeln zu destillieren und in CLAUDE.md, AGENTS.md, .github/copilot-instructions.md oder OpenClaw-Workspace-Dateien (SOUL.md, TOOLS.md) zu schreiben. Dadurch wird flüchtiger Sitzungskontext in dauerhaftes, für Mitwirkende sichtbares Wissen umgewandelt.

Einträge enthalten einen stabilen Pattern-Key und einen Recurrence-Count. Wenn ein Muster 3 oder mehr Mal über 2 oder mehr verschiedene Aufgaben innerhalb von 30 Tagen protokolliert wird, markieren die Beförderungsregeln des self-improving-agent Skills es automatisch zur Aufnahme in die Systemanweisungen, wodurch Wiederholungsfehler an der Quelle unterbunden werden.

Optionale Hook-Skripte (activator.sh, error-detector.sh) lassen sich über UserPromptSubmit- und PostToolUse-Hooks mit Claude Code und Codex CLI integrieren. Dadurch werden Fehlererkennung und Lernprompts automatisch ausgelöst, ohne manuellen Eingriff (~50–100 Token Overhead pro Prompt).

Erkenntnisse, die Qualitätskriterien erfüllen (wiederkehrend, verifiziert, nicht offensichtlich, breit anwendbar), können mithilfe des bereitgestellten extract-skill.sh-Hilfsskripts in eigenständige, teilbare Skills extrahiert werden. Der Workflow umfasst einen Probelaufmodus (Dry-Run), Qualitätsprüfungen sowie eine Statusverfolgung am ursprünglichen Eintrag.

Funktioniert mit Claude Code, Codex CLI, GitHub Copilot und OpenClaw. Jeder Agent verfügt über eine dokumentierte Aktivierungsmethode – hook-basiert für Claude Code/Codex, manuelle .github/copilot-instructions.md-Injektion für Copilot und Workspace-Injektion mit sitzungsübergreifenden Messaging-Tools für OpenClaw.

Ein Agent versucht wiederholt, npm install in einem pnpm-Workspace auszuführen. Nach der ersten Korrektur protokolliert der Skill einen correction-Eintrag, und der Entwickler übernimmt ihn in CLAUDE.md als Package manager: pnpm. Nachfolgende Sitzungen lesen diese Regel und machen denselben Fehler nie wieder.

Ein Team verfolgt .learnings/ in der Versionskontrolle. Wenn die Sitzung eines Entwicklers auf ein CI-Authentifizierungsproblem stößt und dieses in ERRORS.md protokolliert, übernimmt jeder Agent im Team den dokumentierten Fix und den vorgeschlagenen Lösungsweg in zukünftigen Sitzungen.

Nach der Diagnose eines kniffligen TypeScript-Client-Regenerierungsproblems, das drei Debugging-Sitzungen erforderte, sammelt das Lernmaterial See Also-Verweise und einen hohen Recurrence-Count an. Der Entwickler führt extract-skill.sh api-client-regen aus, um die Lösung als verteilbare Fähigkeit zu paketieren.

Bevor ein umfangreiches Refactoring beginnt, nutzt eine OpenClaw-Sitzung die hook-ausgelöste Erinnerung, um .learnings/ nach ausstehenden Einträgen hoher Priorität im Bereich backend zu durchsuchen und alle angesammelten Konventionen anzuwenden, bevor eine einzige Zeile Code geschrieben wird.