self-improving-agent

• Corriges frecuentemente a tu agente de IA — cuando te encuentras diciendo "No, eso está mal" o "En realidad, usa pnpm en lugar de npm," este skill captura esas correcciones para que no se repitan.
• Estás ejecutando un proyecto de larga duración — los equipos y desarrolladores en solitario que interactúan con agentes de IA a lo largo de muchas sesiones se benefician de un registro creciente y con búsqueda de convenciones del proyecto y problemas conocidos.
• Quieres construir skills reutilizables a partir de soluciones — cuando se descubre una corrección no obvia, el flujo de trabajo de extracción del skill la convierte en un skill independiente y compartible.
• Usas flujos de trabajo multi-agente — los usuarios de OpenClaw pueden difundir aprendizajes entre sesiones y crear sub-agentes para actuar sobre el conocimiento acumulado.

• Tareas cortas y únicas — si estás utilizando un agente para un script puntual sin sesiones de seguimiento, la sobrecarga de registrar y revisar entradas no aportará valor.
• Pipelines totalmente automatizados sin bucle de retroalimentación humana — el valor de self-improving-agent se multiplica a través de las correcciones y revisiones del usuario; las ejecuciones puramente desatendidas no generarán señales útiles.

Cada evento capturado recibe una entrada tipificada con marca de tiempo, que incluye prioridad, etiqueta de área, estado y campos de metadatos como Pattern-Key y enlaces See Also. Tres archivos de registro independientes mantienen organizadas y fáciles de buscar con grep las correcciones, los fallos de comandos y las solicitudes de funciones.

Cuando un aprendizaje es ampliamente aplicable, la habilidad proporciona un flujo de trabajo claro para destilarlo en reglas concisas y escribirlas en CLAUDE.md, AGENTS.md, .github/copilot-instructions.md, o archivos de espacio de trabajo de OpenClaw (SOUL.md, TOOLS.md). Esto convierte el contexto efímero de la sesión en conocimiento duradero y visible para los colaboradores.

Las entradas incluyen un Pattern-Key estable y un Recurrence-Count. Cuando un patrón se registra 3 o más veces en 2 o más tareas distintas dentro de un período de 30 días, las reglas de promoción de self-improving-agent lo marcan automáticamente para su elevación a guía de nivel de prompt del sistema, deteniendo los errores repetidos desde su origen.

Los scripts de hook opcionales (activator.sh, error-detector.sh) se integran con Claude Code y Codex CLI mediante los hooks UserPromptSubmit y PostToolUse. Esto significa que la detección de errores y los prompts de aprendizaje se ejecutan automáticamente sin intervención manual (con una sobrecarga aproximada de ~50–100 tokens por prompt).

Los aprendizajes que cumplen con los criterios de calidad (recurrentes, verificados, no obvios, ampliamente aplicables) pueden extraerse en habilidades independientes y compartibles utilizando el asistente extract-skill.sh proporcionado. El flujo de trabajo incluye modo de simulación (dry-run), controles de calidad y seguimiento del estado en la entrada original.

Funciona con Claude Code, Codex CLI, GitHub Copilot y OpenClaw. Cada agente tiene un método de activación documentado: basado en hooks para Claude Code/Codex, inyección manual mediante .github/copilot-instructions.md para Copilot, e inyección en el espacio de trabajo con herramientas de mensajería entre sesiones para OpenClaw.

Un agente intenta repetidamente npm install en un espacio de trabajo de pnpm. Tras la primera corrección, la habilidad registra una entrada de correction y el desarrollador la promueve a CLAUDE.md como Package manager: pnpm. Las sesiones posteriores leen esta regla y nunca vuelven a cometer el mismo error.

Un equipo registra .learnings/ en control de versiones. Cuando la sesión de un desarrollador encuentra un problema de autenticación en CI y lo registra en ERRORS.md, todos los agentes del equipo incorporan la solución documentada y la resolución sugerida en sesiones futuras.

Tras diagnosticar un complicado problema de regeneración de clientes TypeScript que requirió tres sesiones de depuración, el aprendizaje acumula enlaces See Also y un alto valor de Recurrence-Count. El desarrollador ejecuta extract-skill.sh api-client-regen para empaquetar la solución como una habilidad distribuible de self-improving-agent.

Antes de comenzar una refactorización extensa, una sesión de OpenClaw utiliza el recordatorio activado por hook para analizar .learnings/ en busca de entradas de alta prioridad pendientes en el área de backend, aplicando todas las convenciones acumuladas antes de escribir una sola línea de código.