self-improving-agent

• Você frequentemente corrige seu agente de IA — quando você se pega dizendo "Não, isso está errado" ou "Na verdade, use pnpm em vez de npm," esta skill captura essas correções para que não sejam repetidas.
• Você está executando um projeto de longa duração — equipes e desenvolvedores individuais que interagem com agentes de IA ao longo de muitas sessões se beneficiam de um registro crescente e pesquisável de convenções e armadilhas do projeto.
• Você quer construir skills reutilizáveis a partir de soluções — quando uma correção não óbvia é descoberta, o fluxo de extração da skill a transforma em uma skill autônoma e compartilhável.
• Você usa fluxos de trabalho multi-agente — usuários do OpenClaw podem transmitir aprendizados entre sessões e iniciar sub-agentes para agir com base no conhecimento acumulado.

• Tarefas curtas e únicas — se você estiver usando um agente para um único script descartável sem sessões de acompanhamento, a sobrecarga de registrar e revisar entradas não trará valor.
• Pipelines totalmente automatizados sem ciclo de feedback humano — o valor da skill se multiplica por meio de correções e revisões do usuário; execuções puramente autônomas não gerarão sinais úteis.

Cada evento capturado recebe uma entrada tipada e com registro de data/hora, contendo prioridade, tag de área, status e campos de metadados como Pattern-Key e links See Also. Três arquivos de log separados mantêm correções, falhas de comandos e solicitações de funcionalidades organizadas e fáceis de pesquisar com grep.

Quando um aprendizado é amplamente aplicável, a skill fornece um fluxo de trabalho claro para destilá-lo em regras concisas e gravá-las em CLAUDE.md, AGENTS.md, .github/copilot-instructions.md ou arquivos de workspace do OpenClaw (SOUL.md, TOOLS.md). Isso transforma o contexto efêmero da sessão em conhecimento duradouro e visível para os contribuidores.

As entradas incluem um Pattern-Key estável e um Recurrence-Count. Quando um padrão é registrado 3 ou mais vezes em 2 ou mais tarefas distintas dentro de 30 dias, as regras de promoção do self-improving-agent o sinalizam automaticamente para elevação ao nível de orientação do prompt de sistema, interrompendo erros repetidos na origem.

Scripts de hook opcionais (activator.sh, error-detector.sh) se integram com Claude Code e Codex CLI por meio dos hooks UserPromptSubmit e PostToolUse. Isso significa que a detecção de erros e os prompts de aprendizado são disparados automaticamente sem intervenção manual (~50–100 tokens de overhead por prompt).

Aprendizados que atendem aos critérios de qualidade (recorrentes, verificados, não óbvios, amplamente aplicáveis) podem ser extraídos em habilidades independentes e compartilháveis usando o utilitário extract-skill.sh fornecido. O fluxo de trabalho inclui modo de simulação (dry-run), verificações de qualidade e rastreamento de status na entrada original.

Funciona com Claude Code, Codex CLI, GitHub Copilot e OpenClaw. Cada agente possui um método de ativação documentado — baseado em hooks para Claude Code/Codex, injeção manual via .github/copilot-instructions.md para o Copilot, e injeção no workspace com ferramentas de mensagens entre sessões para o OpenClaw.

Um agente tenta repetidamente npm install em um workspace pnpm. Após a primeira correção, a skill registra uma entrada de correction e o desenvolvedor a promove para CLAUDE.md como Package manager: pnpm. Sessões subsequentes leem essa regra e nunca cometem o mesmo erro.

Uma equipe rastreia .learnings/ no controle de versão. Quando a sessão de um desenvolvedor encontra um problema de autenticação no CI e o registra em ERRORS.md, todos os agentes da equipe passam a ter acesso à correção documentada e à resolução sugerida em sessões futuras.

Após diagnosticar um problema complicado de regeneração de cliente TypeScript que exigiu três sessões de depuração, o aprendizado acumula links See Also e um Recurrence-Count elevado. O desenvolvedor executa extract-skill.sh api-client-regen para empacotar a solução como uma habilidade distribuível do self-improving-agent.

Antes de iniciar uma grande refatoração, uma sessão do OpenClaw utiliza o lembrete disparado por hook para varrer .learnings/ em busca de entradas de alta prioridade pendentes na área backend, aplicando todas as convenções acumuladas antes de escrever uma única linha de código.