learning-engine 是一个智能化的学习系统，能够自动从错误日志、自我评估结果和性能数据中提取关键模式，并将其转化为可执行的规则。它通过持续记录失败案例与成功经验，构建了一套闭环的学习机制，帮助技能在运行中不断进化。该系统不仅追踪单次操作的得失，更深入分析重复性问题的根本原因，从而将‘避免重复犯错’的原则自动化。
其核心工作流程始于对各类事件（如操作失败或定期复盘）的监听，随后将原始信息归档至 memory/errors/、memory/self-eval/ 等目录中。learning-engine 会扫描这些来源，识别共性问题并生成结构化规则，例如‘Instagram上传前必须转为JPG格式’或‘API调用优于浏览器快照’。这些规则被保存为 Markdown 文件，并自动注入到相关技能的 SKILL.md 文档中，实现知识的即时复用。
此外，系统每周自动生成学习报告，总结新发现的规律、应用效果及改进建议，形成可追踪的成长轨迹。整个过程无需人工干预，且具备元学习能力——即 learning-engine 自身也会分析哪些规则最有效、哪些技能进步最快，为进一步优化提供依据。这种设计使其成为个人效率工具或智能代理生态中的关键组件，显著提升任务执行的成功率与稳定性。
核心功能特点
- 自动从错误日志、自我评估和性能数据中提取失败与成功模式
- 将学习成果转化为可复用的结构化规则并注入对应技能文档
- 每周生成详细学习报告，总结新规律与改进方向
- 支持事件驱动触发，集成 on-error、post-hook 等多种自动化流程
- 具备元学习能力，持续优化规则优先级与技能演进策略
适用场景
learning-engine 特别适用于需要高频执行、易出错且依赖经验积累的任务场景。例如，在社交媒体内容发布领域，用户常因文件格式不符或发布时间不当导致发布失败。该工具能自动识别 PNG 上传错误、16:9 图片被裁剪等问题，并建立‘转 JPG’和‘1024×1024 正方形’的规则，大幅降低人为失误概率。对于 API 调用密集型工作流，它能发现‘直接 exec 比浏览器快照节省 95% token’的高效实践，推动自动化脚本向轻量化演进。
在企业级智能代理或多 Agent 协作系统中，learning-engine 可作为通用学习中枢，统一收集各子系统的运行反馈。无论是爬虫任务中的验证码处理、客服机器人的对话策略调整，还是数据分析流程中的异常恢复机制，系统都能沉淀最佳实践，防止同类问题反复出现。尤其当团队缺乏显性知识文档时，它能主动从历史操作中提炼经验，填补知识空白。
此外，对于追求持续优化的开发者或研究员而言，该工具提供了透明的成长路径：每次失败后不再盲目重试，而是基于已验证规则快速修复；每周的报告则像代码审查一样，揭示潜在改进点。长期来看，它不仅提升个体效率，也为构建自适应的智能体奠定了数据驱动的基础。未来还可扩展 A/B 测试、规则冲突检测等功能，进一步增强其决策可靠性。