self-improving-agent

• Vous corrigez fréquemment votre agent IA — lorsque vous vous surprenez à dire « Non, c'est faux » ou « En fait, utilise pnpm plutôt que npm », cette compétence capture ces corrections pour qu'elles ne se répètent pas.
• Vous gérez un projet à long terme — les équipes et les développeurs solo qui interagissent avec des agents IA sur de nombreuses sessions bénéficient d'un historique croissant et consultable des conventions et des pièges du projet.
• Vous souhaitez créer des compétences réutilisables à partir de solutions — lorsqu'un correctif non évident est découvert, le workflow d'extraction de la compétence le transforme en une compétence autonome et partageable.
• Vous utilisez des workflows multi-agents — les utilisateurs d'OpenClaw peuvent diffuser les apprentissages entre les sessions et lancer des sous-agents pour agir sur les connaissances accumulées.

• Tâches courtes et ponctuelles — si vous utilisez un agent pour un script unique sans suite ni sessions de suivi, la charge liée à la journalisation et à l'examen des entrées n'apportera aucune valeur.
• Pipelines entièrement automatisés sans boucle de retour humain — la valeur de la compétence se démultiplie grâce aux corrections et aux révisions des utilisateurs ; des exécutions purement sans surveillance ne généreront pas de signaux utiles.

Chaque événement capturé reçoit une entrée typée et horodatée avec une priorité, un tag de domaine, un statut et des champs de métadonnées tels que Pattern-Key et les liens See Also. Trois fichiers journaux distincts permettent de garder les corrections, les échecs de commandes et les demandes de fonctionnalités organisés et faciles à parcourir avec grep.

Lorsqu'un apprentissage est largement applicable, la compétence fournit un flux de travail clair pour le distiller en règles concises et les écrire dans CLAUDE.md, AGENTS.md, .github/copilot-instructions.md, ou les fichiers d'espace de travail OpenClaw (SOUL.md, TOOLS.md). Cela transforme le contexte éphémère d'une session en une connaissance durable et visible par les contributeurs.

Les entrées incluent une Pattern-Key stable et un Recurrence-Count. Lorsqu'un modèle est enregistré 3 fois ou plus dans 2 tâches distinctes ou plus sur une période de 30 jours, les règles de promotion de la compétence self-improving-agent le signalent automatiquement pour une élévation au niveau des instructions système, ce qui permet de stopper les erreurs répétées à la source.

Des scripts de hook optionnels (activator.sh, error-detector.sh) s'intègrent avec Claude Code et Codex CLI via les hooks UserPromptSubmit et PostToolUse. Cela signifie que la détection d'erreurs et les invites d'apprentissage se déclenchent automatiquement sans intervention manuelle (~50–100 tokens de surcharge par invite).

Les apprentissages qui répondent aux critères de qualité (récurrents, vérifiés, non évidents, largement applicables) peuvent être extraits en compétences autonomes et partageables à l'aide de l'assistant extract-skill.sh fourni. Le flux de travail comprend un mode simulation, des contrôles qualité et un suivi du statut sur l'entrée d'origine.

Fonctionne avec Claude Code, Codex CLI, GitHub Copilot et OpenClaw. Chaque agent dispose d'une méthode d'activation documentée — basée sur des hooks pour Claude Code/Codex, injection manuelle via .github/copilot-instructions.md pour Copilot, et injection dans l'espace de travail avec des outils de messagerie inter-sessions pour OpenClaw.

Un agent tente répétitivement npm install sur un espace de travail pnpm. Après la première correction, la compétence self-improving-agent enregistre une entrée correction et le développeur la promeut dans CLAUDE.md sous la forme Package manager: pnpm. Les sessions suivantes lisent cette règle et ne commettent plus jamais la même erreur.

Une équipe suit .learnings/ dans le contrôle de version. Lorsque la session d'un développeur rencontre un problème d'authentification CI et le consigne dans ERRORS.md, chaque agent de l'équipe récupère le correctif documenté et la résolution suggérée lors des sessions futures.

Après avoir diagnostiqué un problème délicat de régénération de client TypeScript ayant nécessité trois sessions de débogage, l'apprentissage accumule des liens See Also et un Recurrence-Count élevé. Le développeur exécute extract-skill.sh api-client-regen pour empaqueter la solution en tant que compétence distribuable.

Avant de commencer un grand refactoring, une session OpenClaw utilise le rappel déclenché par le hook pour analyser .learnings/ à la recherche d'entrées haute priorité en attente dans le domaine backend, en appliquant toutes les conventions accumulées avant d'écrire la moindre ligne de code.