什么是自我成长
自我成长技能是一个专为AI编码代理设计的持续改进工具，其核心目标是系统化地记录开发过程中遇到的经验教训、错误修正以及功能需求，从而形成可复用的知识资产。该技能通过将零散的失败与洞察转化为结构化的Markdown日志文件，帮助代理在后续会话中快速回顾和应用这些知识，实现从错误中学习并不断优化工作流程。它适用于多种主流AI开发环境，包括Claude Code、Codex CLI和GitHub Copilot，并支持OpenClaw等高级工作流平台进行深度集成。 该技能的操作流程高度标准化，当出现命令执行失败、用户纠正错误或提出新功能请求时，系统会引导代理将事件按类别记录到`.learnings/`目录下的三个专用文件中：`ERRORS.md`用于记录技术故障，`LEARNINGS.md`用于归档经验总结，`FEATURE_REQUESTS.md`则收集用户需求。每个条目都包含时间戳、优先级、影响领域和解决建议等元数据，确保信息完整且易于检索。特别地，对于重复出现的模式性问题，可通过‘简化与强化’机制自动检测并升级处理，显著提升知识沉淀效率。 为了最大化知识价值，该技能还提供了明确的‘晋升’机制——一旦某项学习被证明具有广泛适用性（如避免同类错误、优化通用流程），即可将其提炼为简明规则，并写入项目级的记忆文件（如`CLAUDE.md`、`AGENTS.md`或`.github/copilot-instructions.md`）。这不仅减少了重复劳动，也为团队协作和跨项目迁移提供了统一的行为准则和技术规范。
核心功能特点
- 结构化日志记录：自动将错误、修正和需求分类存入Markdown文件，支持时间戳、优先级和影响区域标记
- 智能晋升机制：识别高价值学习内容，自动提升至项目级记忆文件（如CLAUDE.md）以全局生效
- 跨平台兼容：原生支持Claude Code、Codex、Copilot及OpenClaw等多种AI开发环境
- 模式识别与追踪：利用Pattern-Key机制识别重复问题，结合Recurrence-Count统计推动系统性修复
- 自动化提醒集成：可选钩子脚本在会话开始或命令出错时触发学习评估提示，强化即时记录习惯
适用场景
该工具最适合在频繁出现意外失败或需要外部干预的开发场景中启用。例如，当某个终端命令因权限不足或路径错误而返回非零退出码时，代理应立即将该事件作为错误条目写入`ERRORS.md`，附上完整的命令、参数和环境细节，以便后续排查。同样，若用户在对话中主动指出代理之前的回答存在事实偏差（如使用了过时的API文档），则应迅速创建一条带有`correction`类别的学习记录，并关联原始对话上下文，防止同类误解再次发生。这种即时反馈闭环特别适合敏捷迭代的个人或小团队项目，能有效降低认知负荷并加速调试过程。 另一个典型应用场景是发现新的最佳实践或架构优化点。假设代理在重构代码时发现某种设计模式能显著提升性能，但最初并未意识到这一点；此时应将其作为`best_practice`类别的学习记录下来，并标注具体的代码位置和对比效果。如果此类优化多次在不同模块中出现，系统将通过Recurrence-Count机制识别其为系统性机会，进而建议将其推广至`AGENTS.md`中的自动化模板或`TOOLS.md`中的工具配置指南。此外，在处理复杂任务链时（如CI/CD流水线部署失败），代理可借助`simplify-and-harden`技能联动功能批量分析候选模式，自动合并相似条目并生成预防性规则，极大提升长期维护效率。