什么是Adityasagar
Adityasagar 是一个专为 AI 编码代理设计的自我改进技能，核心目标是帮助开发者在与 Claude、Codex、GitHub Copilot 等工具协作过程中，系统化地记录经验教训、操作错误和需求变更。通过将每次失败的操作、用户的纠正反馈或新发现的最佳实践转化为结构化的 Markdown 条目，该工具实现了知识沉淀与持续优化的闭环流程。其设计强调即时性——在问题发生后立即记录，确保上下文清晰；同时支持优先级标记、分类标签和关联引用，便于后续检索和复用。无论是命令执行崩溃、API 调用异常，还是对系统行为的误解，所有关键信息都会被归档到 `.learnings/` 目录下对应的文件中，形成可查询的项目记忆库。 该工具特别适合需要长期维护代码库或频繁迭代功能的场景。它不仅帮助个体开发者避免重复踩坑，还能通过‘推广机制’将高价值的学习内容升级至项目级文档（如 CLAUDE.md 或 AGENTS.md），从而让团队中其他成员（包括人类工程师和 AI 助手）共享这些隐性知识。例如，当某个 Git 操作因认证缺失而失败时，错误会被记录并附带环境细节；一旦解决，不仅状态更新为‘已修复’，还可能作为‘工具陷阱’被写入 TOOLS.md，供未来会话自动提醒。这种机制显著提升了开发效率，减少了因信息孤岛导致的重复劳动。 Adityasagar 还支持跨会话的知识传递，尤其是在 OpenClaw 工作流环境中，它能通过钩子脚本自动触发学习评估，或在命令执行出错后即时捕获异常。此外，它还提供了模式识别功能：当类似问题反复出现时，系统会建议创建稳定的 Pattern-Key 并链接相关条目，推动根本性解决方案而非临时修补。对于希望建立企业级智能开发环境的组织而言，这一技能不仅是个人成长的工具，更是构建集体认知资产的关键基础设施。
核心功能特点
- 结构化记录错误、修正与需求变更，支持按类别（如 correction、knowledge_gap）和优先级分类管理
- 自动生成唯一 ID（如 LRN-YYYYMMDD-XXX）并追踪状态流转（pending → resolved/promoted）
- 支持将高价值学习内容推广至项目级记忆文件（CLAUDE.md、AGENTS.md 等），实现知识复用
- 提供模式识别与重复问题检测机制，通过 Pattern-Key 稳定标识同类问题并累积复发计数
- 集成 OpenClaw 工作流时，可通过钩子自动提醒日志行为并在命令失败后触发错误检测
适用场景
在日常编码过程中，当某个命令行操作意外失败（例如 `git push` 因未配置远程仓库而报错），Adityasagar 能快速将该事件记录到 `.learnings/ERRORS.md` 中，包含具体错误信息、执行环境和建议修复步骤。这不仅保留了调试线索，还为后续排查提供了可追溯的上下文。更常见的是用户主动纠正 AI 的回答——比如指出某段 API 调用方式已过时，此时系统会将其归类为‘correction’类型的学习条目，并标记来源为 user_feedback。这类修正往往揭示了模型知识盲区，通过标准化格式保存后，可在下次交互中被有效规避。 另一个典型应用场景是发现更好的实现方式。假设在处理前端组件性能优化时，你意识到原方案存在内存泄漏风险，转而采用虚拟滚动技术解决问题。此时可将此‘最佳实践’写入 LEARNINGS.md，附上对比分析和迁移指南。若该模式在未来多个项目中反复出现（如后端服务重试逻辑也适用相同原则），则可通过 Recurrence-Count 达到阈值后自动触发推广流程，将其提炼成简洁规则嵌入 AGENTS.md，指导后续所有相关任务。这种从具体案例到通用规则的升华，正是 Adityasagar 推动工程能力进化的核心路径。 对于团队协作环境，尤其是使用 GitHub Copilot 的大型项目，该工具的价值尤为突出。由于 Copilot 缺乏长期记忆，开发者常需反复解释项目约定（如必须用 pnpm 而非 npm 安装依赖）。通过在 .github/copilot-instructions.md 中集中存放此类规范，并结合定期审查机制清理过期条目，整个团队得以维持一致的编码标准。而当某个复杂问题（如 Docker 镜像构建超时）被彻底解决后，完整的故障树和解决方案可被转化为可复用的技能模块，甚至导出为独立 skill 供其他项目调用。这种端到端的知识生命周期管理，使得每一次挫败都成为集体智慧的增量来源。