什么是Self Improving Agent
Self Improving Agent 是一个专为 AI 编码代理设计的持续改进系统，其核心机制是通过结构化日志记录学习经验、操作错误及功能需求，从而实现代理能力的动态演进。该工具将每次失败的命令执行、用户的纠正反馈或新功能的请求，自动归档至标准化的 Markdown 文件中，形成可追溯的知识库。这些日志不仅用于事后复盘，更可通过后续处理转化为修复方案，并将具有普遍价值的学习成果升级至项目级记忆文件（如 CLAUDE.md、AGENTS.md），确保团队或跨会话的 AI 代理能复用这些经验。整个流程强调即时性、精确性和可推广性，使代理在反复实践中不断优化行为模式与问题解决策略。 Self Improving Agent 支持多种部署方式，最推荐集成于 OpenClaw 平台，利用其工作区注入机制实现技能的自动化加载。对于使用 Claude Code、Codex CLI 或 GitHub Copilot 的用户，则可通过配置钩子脚本（hooks）在特定时机触发学习评估提醒。系统提供了详细的日志模板，涵盖错误条目、学习条目和功能请求三种类型，每种条目均包含时间戳、优先级、影响领域、详细描述、建议修复措施以及元数据标签。特别地，当发现重复性问题时，系统支持通过 Pattern-Key 进行模式识别，并自动追踪其发生频次，为系统性优化提供依据。此外，工具还设计了‘简化与强化’（simplify-and-harden）的工作流，用于从任务摘要中提取候选模式，并将其整合进长期记忆体系。 该技能的价值在于构建一个闭环的自我进化机制：每当代理遭遇意外失败、接收到用户修正或识别出知识盲区时，便会触发日志记录流程；随后通过定期审查，将有广泛适用性的洞察提升为项目规范或通用技能，从而避免同类错误再次发生。这种机制尤其适合需要高度自适应和长期记忆的开发环境，无论是单人开发还是多智能体协作场景，都能显著提升生产力和代码质量的一致性。
核心功能特点
- 自动记录命令失败、用户纠正及功能请求到结构化 Markdown 日志文件
- 支持将高价值学习成果升级至项目级记忆文件（如 CLAUDE.md、AGENTS.md）
- 提供 Pattern-Key 机制追踪重复问题，支持系统性修复与优先级调整
- 兼容 OpenClaw 工作区注入、Claude Code/Codex 钩子及 Copilot 手动集成
- 内置简化与强化工作流，从任务摘要中提取并沉淀可复用的最佳实践
适用场景
Self Improving Agent 最适合应用于那些频繁出现非预期错误、依赖用户反馈进行调整，或需积累项目特定知识的 AI 驱动开发场景。例如，在一个长期使用 Claude Code 进行后端服务重构的项目中，某次数据库迁移脚本因未正确处理外键约束而崩溃。此时，代理应立即将该错误按 ERR 格式写入 .learnings/ERRORS.md，包含完整的命令行输出和环境信息。随后，若用户指出初始解决方案忽略了事务回滚逻辑，则需追加一条 LRN 条目至 LEARNINGS.md，分类为 correction，并建议增加 try-catch 块以保障数据一致性。经过数周迭代后，此类事务处理问题多次重现，系统可通过 Pattern-Key 关联历史条目，自动标记为 high priority，并推动生成一条新的预防规则嵌入 AGENTS.md，明确‘所有 DDL 操作必须包裹在显式事务中’。 另一个典型用例发生在多智能体协作环境中，比如 OpenClaw 工作流下多个子代理并行处理不同模块。当一个代理发现某个第三方 API 调用存在速率限制陷阱时，它不仅能在本会话的 .learnings/ 中记录 ERR 条目，还能借助 sessions_send 工具将该洞察广播给其他活跃代理。这样，即使其他代理尚未遇到相同问题，也能提前规避风险。更进一步，如果该问题源于对上游文档理解偏差，则可转化为 LRN 条目，并通过 promotion 机制同步更新 SOUL.md（行为准则）或 TOOLS.md（工具指南），确保整个团队遵循统一的最佳实践。这种跨会话的知识共享能力，使得 Self Improving Agent 成为构建健壮、自愈型 AI 开发生态的关键组件。