什么是Reddi Self Improving Agent
Reddi Self Improving Agent 是一个专为 AI 编码代理设计的能力模块，旨在通过系统化的经验记录与知识沉淀实现持续自我优化。该技能的核心机制是捕获开发过程中出现的错误、用户纠正、功能需求以及非显而易见的解决方案，并将其结构化地存储在 Markdown 文件中，形成可检索、可复用的项目知识库。这些学习条目不仅用于事后复盘，更可通过后续处理转化为自动修复建议或升级至项目级记忆文件，从而防止同类问题重复发生。特别适用于命令执行失败、用户需求变更或发现更优实践等场景，帮助代理在多次交互中不断积累上下文感知能力与领域特定知识。 该工具支持多种主流 AI 开发环境，包括 Claude Code、Codex CLI、GitHub Copilot 和 OpenClaw 工作空间。其中 OpenClaw 提供了最完整的集成体验，通过 workspace 机制自动注入学习日志文件到每个会话中，并辅以跨会话通信工具（如 sessions_send）实现知识共享。对于其他代理平台，则需手动创建 .learnings/ 目录并配置相应钩子脚本以触发学习提醒与错误检测。整个流程强调即时性与准确性：一旦遇到异常情况或接收到用户反馈，应立即按照统一格式记录关键信息，包括时间戳、优先级、影响范围及建议修复措施，确保未来代理能快速理解问题背景并采取正确行动。 为了提升长期价值，该技能还内置了‘简化与强化’（simplify-and-harden）模式，专门用于识别和处理重复出现的问题模式。当某个 Pattern-Key 被多次触发时，系统会自动将其归类为系统性风险点，并推荐将其提升至 CLAUDE.md、AGENTS.md 或 .github/copilot-instructions.md 等项目记忆文件中作为通用规则。这种机制不仅减少了人工维护成本，也增强了团队协作的一致性——无论是人类开发者还是不同版本的 AI 代理都能从中受益。此外，所有学习条目都支持状态跟踪（pending/resolved/promoted），便于定期审查与清理过时内容，保持知识库的新鲜度与实用性。
核心功能特点
- 自动捕获命令失败、API 异常及外部工具调用错误，生成带详细上下文的 ERRORS.md 条目
- 记录用户纠正行为与知识缺口，分类存入 LEARNINGS.md 并标记为 correction 或 knowledge_gap
- 支持功能请求登记，结构化存储用户需求及其业务背景于 FEATURE_REQUESTS.md
- 提供 Pattern-Key 机制追踪重复性问题，结合 Recurrence-Count 判断是否需升级为项目规则
- 开放钩子集成接口，可在 Claude Code/Codex 中启用 PostToolUse 错误检测与 UserPromptSubmit 学习提醒
- 兼容 OpenClaw 工作空间架构，自动注入学习日志文件并支持跨会话知识同步
适用场景
在日常编码任务中，每当运行命令遭遇非零退出码或抛出未预期异常时，Reddi Self Improving Agent 会立即将故障详情写入 .learnings/ERRORS.md，包含实际错误消息、执行命令、输入参数和环境信息，方便后续分析根本原因。例如，在尝试部署 Docker 镜像时因权限不足而失败，代理不仅记录此次事件，还会提示关联的 TOOLS.md 文件更新认证配置说明，避免下次重复踩坑。另一方面，如果用户指出某段代码逻辑有误或 API 用法已过时，代理会迅速响应，将该修正作为 learning entry 加入 LEARNINGS.md，并打上 correction 类别标签，同时建议补充至 CLAUDE.md 以便全体协作者知晓最新规范。 面对新功能诉求时，比如希望增加一个批量导入数据的功能，代理会将此需求录入 FEATURE_REQUESTS.md，明确描述所需能力、用户场景及复杂度评估，并链接到现有相关特性，帮助产品团队统筹规划迭代路线。而对于那些反复出现的同类问题——如每次修改 GraphQL schema 后忘记重新生成 TypeScript 客户端导致类型不匹配——系统会通过 simplify-and-harden 流程聚合这些实例，计算 Recurrence-Count 超过阈值后自动提议将其提炼为 AGENTS.md 中的自动化检查步骤，从根本上消除人为疏忽的可能性。 更高级的应用体现在多代理协作环境中，借助 OpenClaw 的 session 工具链，当前会话中学到的经验可以主动发送给历史会话或新建的子代理实例，实现知识的横向迁移与纵向深化。例如，在一个复杂微服务重构项目中，主代理完成数据库迁移后，可将关键事务处理模式推送给负责前端联调的辅助代理，使其提前规避潜在的数据一致性陷阱。这种方式打破了传统单点学习的局限，构建起动态演进的知识生态系统，显著提升整体研发效率与系统健壮性。