自学习

解决什么问题

AI Agent 在长期任务中常常面临知识更新与经验沉淀的难题：模型参数本身不会自动吸收交互过程中的教训，每轮会话仍可能重复犯错，跨会话也难以积累可复用的经验。这个技能集要解决的正是 Agent 自主学习与知识积累 的工程缺口——让 Agent 在执行任务的同时记录有效策略、识别失败原因，并在后续调用中检索并复用这些记忆。

技能如何工作

• 模块化子技能：SKILL.md 明确说明这是一个技能集合，包含多个子技能，使用方需根据具体需求加载对应的子技能文件。
• 按需加载：当 Agent 识别到当前任务目标后，可以先检查清单索引，再决定加载哪一个子技能文件，避免一次性把全部内容塞进上下文。
• 面向自主学习的设计：技能定位为 AI Agent 的自主学习与知识积累工具，核心路径是“执行任务 → 记录经验 → 形成可复用记忆 → 后续任务中检索复用”。
• 跨平台兼容：清单声明支持 Claude Code、Codex、Hermes Agent、OpenClaw、QClaw、WorkBuddy 等平台，覆盖了主流 Agent 运行时与工具链环境。

适用边界与注意点

• 技能定位是 辅助 Agent 建立记忆与经验复用机制，不会替代模型自身的推理能力；效果仍取决于子技能文件编写质量、任务反馈信号是否可观测。
• 它面向的是已经具备任务执行、日志记录或文件读写能力的 Agent 运行时；若使用方是独立 Agent 或自定义工具链，需要自行适配子技能的调用接口。
• 知识积累高度依赖任务的结构化程度：若失败原因、有效参数或上下文摘要难以明确表达，Agent 可能只能形成低质量记忆，需要结合任务结果校验。
• 子技能按需加载意味着使用方需要维护清单与文件路径约定，初始化时只引入完整清单、执行时再加载具体子技能，以控制上下文开销。
• 许可证为 MIT License，允许修改与再分发；若引入第三方工作流，仍需确认对应组件的授权条款。