self-improving-agent

• Correggi frequentemente il tuo agente AI — quando ti ritrovi a dire "No, è sbagliato" o "In realtà, usa pnpm invece di npm," questa skill cattura quelle correzioni in modo che non vengano ripetute.
• Stai portando avanti un progetto a lungo termine — i team e gli sviluppatori singoli che interagiscono con agenti AI nel corso di molte sessioni traggono vantaggio da un registro crescente e ricercabile di convenzioni di progetto e insidie.
• Vuoi costruire skill riutilizzabili dalle soluzioni — quando viene scoperta una correzione non ovvia, il workflow di estrazione della skill la trasforma in una skill autonoma e condivisibile.
• Utilizzi workflow multi-agente — gli utenti di OpenClaw possono diffondere le conoscenze acquisite tra le sessioni e avviare sotto-agenti per agire sulla base delle conoscenze accumulate.

• Attività brevi e isolate — se stai utilizzando un agente per un singolo script usa-e-getta senza sessioni successive, il sovraccarico derivante dalla registrazione e dalla revisione delle voci non porterà alcun valore.
• Pipeline completamente automatizzate senza ciclo di feedback umano — il valore della skill si moltiplica attraverso le correzioni e le revisioni degli utenti; le esecuzioni puramente non presidiate non genereranno segnali utili.

Ogni evento registrato ottiene una voce tipizzata e con timestamp, contenente priorità, tag di area, stato e campi di metadati come Pattern-Key e link See Also. Tre file di log separati mantengono organizzati e facilmente ricercabili le correzioni, i fallimenti dei comandi e le richieste di funzionalità.

Quando un apprendimento è ampiamente applicabile, la skill self-improving-agent fornisce un flusso di lavoro chiaro per distillarlo in regole concise e scriverle in CLAUDE.md, AGENTS.md, .github/copilot-instructions.md, o nei file workspace di OpenClaw (SOUL.md, TOOLS.md). Questo trasforma il contesto effimero della sessione in conoscenza duratura e visibile ai collaboratori.

Le voci includono un Pattern-Key stabile e un Recurrence-Count. Quando un pattern viene registrato 3 o più volte in 2 o più attività distinte nell'arco di 30 giorni, le regole di promozione di self-improving-agent lo segnalano automaticamente per l'elevazione a linee guida a livello di system-prompt, eliminando alla fonte il ripetersi degli stessi errori.

Gli script hook opzionali (activator.sh, error-detector.sh) si integrano con Claude Code e Codex CLI tramite gli hook UserPromptSubmit e PostToolUse. Ciò significa che il rilevamento degli errori e i prompt di apprendimento si attivano automaticamente senza intervento manuale (overhead di circa 50–100 token per prompt).

Le conoscenze acquisite che soddisfano i criteri di qualità (ricorrenti, verificate, non ovvie, ampiamente applicabili) possono essere estratte in competenze autonome e condivisibili utilizzando l'helper extract-skill.sh fornito. Il flusso di lavoro include una modalità di prova (dry-run), controlli di qualità e il monitoraggio dello stato sulla voce originale.

Funziona con Claude Code, Codex CLI, GitHub Copilot e OpenClaw. Ogni agente dispone di un metodo di attivazione documentato: basato su hook per Claude Code/Codex, iniezione manuale tramite .github/copilot-instructions.md per Copilot, e iniezione nel workspace con strumenti di messaggistica inter-sessione per OpenClaw.

Un agente tenta ripetutamente npm install su un workspace pnpm. Dopo la prima correzione, la skill registra una voce correction e lo sviluppatore la promuove in CLAUDE.md come Package manager: pnpm. Le sessioni successive leggono questa regola e non commettono mai lo stesso errore.

Un team tiene traccia di .learnings/ nel controllo di versione. Quando la sessione di uno sviluppatore incontra un problema di autenticazione CI e lo registra in ERRORS.md, ogni agente del team acquisisce la correzione documentata e la risoluzione suggerita nelle sessioni future.

Dopo aver diagnosticato un problema complesso di rigenerazione del client TypeScript che ha richiesto tre sessioni di debug, l'apprendimento accumula link See Also e un elevato Recurrence-Count. Lo sviluppatore esegue extract-skill.sh api-client-regen per pacchettizzare la soluzione come skill distribuibile.

Prima di avviare un ampio refactoring, una sessione di OpenClaw utilizza il promemoria attivato dagli hook per scansionare .learnings/ alla ricerca di voci ad alta priorità in sospeso nell'area backend, applicando tutte le convenzioni accumulate prima di scrivere una singola riga di codice.