self-improving-agent

• 您經常需要糾正您的 AI 代理 — 當您發現自己說「不，那是錯的」或「其實，請用 pnpm 而不是 npm」時，self-improving-agent 會記錄這些糾正，避免重蹈覆轍。
• 您正在進行長期專案 — 跨多個工作階段與 AI 代理互動的團隊或個人開發者，能從不斷成長、可搜尋的專案慣例與注意事項記錄中獲益。
• 您希望從解決方案中建立可重複使用的技能 — 當發現不那麼顯而易見的修復方式時，self-improving-agent 的提取工作流程會將其轉化為獨立且可分享的技能。
• 您使用多代理工作流程 — OpenClaw 使用者可以跨工作階段廣播學習成果，並生成子代理來運用累積的知識採取行動。

• 短暫的一次性任務 — 如果您使用 agent 只是為了執行單一的臨時腳本，且不會有後續的工作階段，那麼記錄和審閱項目的額外開銷將不會帶來任何價值。
• 完全自動化且沒有人工回饋迴路的流水線 — self-improving-agent 的價值來自於使用者的修正與審閱而不斷累積；純粹無人監管的執行無法產生有用的訊號。

每個捕獲的事件都會獲得一個帶有類型與時間戳記的條目，包含優先級、領域標籤、狀態，以及 Pattern-Key 和 See Also 連結等中繼資料欄位。三個獨立的日誌檔案將更正記錄、指令失敗和功能請求分類整理，便於搜尋與 grep 查詢。

當某項學習具有廣泛適用性時，self-improving-agent 技能會提供清晰的工作流程，將其提煉為簡潔的規則，並寫入 CLAUDE.md、AGENTS.md、.github/copilot-instructions.md，或 OpenClaw 工作區檔案（SOUL.md、TOOLS.md）。這將轉瞬即逝的會話情境轉化為持久且對貢獻者可見的知識。

條目包含穩定的 Pattern-Key 與 Recurrence-Count。當某一模式在 30 天內跨越 2 個以上不同任務被記錄達 3 次或以上時，self-improving-agent 的晉升規則會自動將其標記，提升為系統提示層級的指導方針，從根源阻止重複錯誤的發生。

可選的 hook 腳本（activator.sh、error-detector.sh）透過 UserPromptSubmit 與 PostToolUse hooks 與 Claude Code 及 Codex CLI 整合。這意味著錯誤偵測與學習提示會自動觸發，無需人工介入（每次提示約增加 50–100 個 token 的額外開銷）。

符合品質標準（重複出現、經過驗證、非顯而易見、廣泛適用）的學習成果，可使用提供的 extract-skill.sh 輔助工具提取為獨立且可共享的技能。此工作流程包含模擬執行模式、品質把關機制，以及對原始條目的狀態追蹤功能。

與 Claude Code、Codex CLI、GitHub Copilot 及 OpenClaw 相容。每個代理均有對應的說明文件記載其啟動方式——Claude Code/Codex 採用基於 hook 的方式，Copilot 採用手動注入 .github/copilot-instructions.md 的方式，而 OpenClaw 則採用工作區注入搭配跨會話訊息傳遞工具的方式。

一個 agent 反覆嘗試在 pnpm 工作區中執行 npm install。在第一次修正之後，self-improving-agent 會記錄一筆 correction 條目，開發者隨即將其提升至 CLAUDE.md，內容為 Package manager: pnpm。後續的工作階段會讀取此規則，從此不再重蹈相同的錯誤。

一個團隊在版本控制中追蹤 .learnings/ 目錄。當某位開發者的工作階段遇到 CI 驗證問題並將其記錄至 ERRORS.md 後，團隊中的每個 self-improving-agent 在未來的工作階段中都能取得已記錄的修正方式與建議的解決方案。

在診斷一個棘手的 TypeScript 用戶端重新生成問題（需要三次除錯作業）之後，相關學習記錄累積了多個 See Also 連結以及較高的 Recurrence-Count。開發者執行 extract-skill.sh api-client-regen，將該解決方案打包為可發佈的 self-improving-agent 技能。

在開始大規模重構之前，OpenClaw 工作階段會使用鉤子觸發的提醒功能，掃描 .learnings/ 目錄，尋找 backend 領域中待處理的高優先級條目，在撰寫任何一行程式碼之前，先套用所有累積的慣例規範。