self-improving-agent

• Je corrigeert vaak je AI-agent — wanneer je jezelf betrapt op het zeggen van "Nee, dat klopt niet" of "Gebruik eigenlijk pnpm in plaats van npm," legt deze skill die correcties vast zodat ze niet worden herhaald.
• Je werkt aan een langlopend project — teams en individuele ontwikkelaars die via meerdere sessies met AI-agents werken, profiteren van een groeiend, doorzoekbaar overzicht van projectconventies en valkuilen.
• Je wilt herbruikbare skills bouwen vanuit oplossingen — wanneer een niet-voor-de-hand-liggende oplossing wordt ontdekt, zet de extractieworkflow van de skill deze om in een op zichzelf staande, deelbare skill.
• Je gebruikt multi-agent workflows — OpenClaw-gebruikers kunnen inzichten delen over sessies heen en sub-agents spawnen om te handelen op basis van verzamelde kennis.

• Korte, eenmalige taken — als je een agent gebruikt voor een enkel wegwerpscript zonder vervolgssessies, biedt de overhead van het loggen en beoordelen van vermeldingen geen meerwaarde.
• Volledig geautomatiseerde pipelines zonder menselijke feedbacklus — de waarde van de skill neemt toe door gebruikerscorrecties en -beoordelingen; puur onbeheerde runs genereren geen bruikbare signalen.

Elk vastgelegd event krijgt een getypeerde, voorzien van tijdstempel invoer met prioriteit, gebiedstag, status en metadatavelden zoals Pattern-Key en See Also-links. Drie afzonderlijke logbestanden houden correcties, opdrachtfouten en functieverzoeken georganiseerd en gemakkelijk doorzoekbaar met grep.

Wanneer een lering breed toepasbaar is, biedt de skill een duidelijke workflow om deze te destilleren tot beknopte regels en ze te schrijven naar CLAUDE.md, AGENTS.md, .github/copilot-instructions.md, of OpenClaw-werkruimtebestanden (SOUL.md, TOOLS.md). Dit transformeert vluchtige sessiecontext naar duurzame, voor bijdragers zichtbare kennis.

Vermeldingen bevatten een stabiele Pattern-Key en Recurrence-Count. Wanneer een patroon 3 of meer keer wordt geregistreerd in 2 of meer afzonderlijke taken binnen 30 dagen, markeren de promotieregels van de self-improving-agent het automatisch voor opwaardering naar systeemprompt-niveau als richtlijn, waardoor herhaalde fouten bij de bron worden gestopt.

Optionele hook-scripts (activator.sh, error-detector.sh) integreren met Claude Code en Codex CLI via UserPromptSubmit- en PostToolUse-hooks. Dit betekent dat foutdetectie en leerprompts automatisch worden geactiveerd zonder handmatige tussenkomst (~50–100 token overhead per prompt).

Leerpunten die voldoen aan kwaliteitscriteria (terugkerend, geverifieerd, niet-vanzelfsprekend, breed toepasbaar) kunnen worden geëxtraheerd tot zelfstandige, deelbare vaardigheden met behulp van het meegeleverde extract-skill.sh-hulpscript. De workflow omvat een dry-run-modus, kwaliteitscontroles en statusregistratie op het oorspronkelijke item.

Werkt samen met Claude Code, Codex CLI, GitHub Copilot en OpenClaw. Elke agent heeft een gedocumenteerde activeringsmethode — hook-gebaseerd voor Claude Code/Codex, handmatige .github/copilot-instructions.md-injectie voor Copilot, en werkruimte-injectie met tools voor berichtuitwisseling tussen sessies voor OpenClaw.

Een agent probeert herhaaldelijk npm install uit te voeren op een pnpm-workspace. Na de eerste correctie registreert de skill een correction-vermelding en de ontwikkelaar promoveert deze naar CLAUDE.md als Package manager: pnpm. Volgende sessies lezen deze regel en maken dezelfde fout nooit meer.

Een team houdt .learnings/ bij in versiebeheer. Wanneer de sessie van één ontwikkelaar een CI-authenticatieprobleem tegenkomt en dit vastlegt in ERRORS.md, pikt elke agent in het team de gedocumenteerde oplossing en voorgestelde aanpak op in toekomstige sessies.

Na het diagnosticeren van een lastig TypeScript client-regeneratieprobleem dat drie debugsessies vereiste, verzamelt de kennis See Also-koppelingen en een hoge Recurrence-Count. De ontwikkelaar voert extract-skill.sh api-client-regen uit om de oplossing te verpakken als een distribueerbare vaardigheid voor self-improving-agent.

Voordat een grote refactor wordt gestart, gebruikt een OpenClaw-sessie de door een hook getriggerde herinnering om .learnings/ te scannen op openstaande hoge-prioriteit vermeldingen in het backend-gebied, waarbij alle verzamelde conventies worden toegepast voordat er ook maar één regel code wordt geschreven.