智能自进化AI代理

问题背景

AI 代理在执行编码任务时，常面临以下具体问题：

• 学习经验丢失：从错误或用户纠正中获得的洞见仅停留在当前会话，下次类似情况可能重蹈覆辙。
• 错误重复发生：相同的命令失败、API 集成问题或代码缺陷被多次触发，缺乏系统化的预防机制。
• 知识碎片化：项目特有的约定、最佳实践和架构决策未集中管理，导致新代理或贡献者需重新发现。

该技能通过结构化的自我改进工作流解决这些问题，确保学习被持久化和共享。

核心工作机制

日志记录与追踪系统

技能在项目根目录创建 .learnings/ 文件夹，使用模板化文件记录不同事件：

• LEARNINGS.md：记录学习条目，包括类别如 correction、knowledge_gap、best_practice。
• ERRORS.md：记录命令或操作失败，附带集成细节和复现步骤。
• FEATURE_REQUESTS.md：记录用户请求的缺失功能。

每条记录使用统一 ID 格式，例如 LRN-20250115-001，便于通过 grep 搜索和链接（如 See Also）。

促进到项目记忆

当学习满足促进规则时（复现计数 ≥3、跨至少两个任务、在 30 天内发生），技能将其提升到项目级记忆文件：

• CLAUDE.md：存放项目事实和约定，适用于所有 Claude 交互。
• AGENTS.md：存放代理特定工作流、工具使用模式和自动化规则。
• .github/copilot-instructions.md：为 GitHub Copilot 提供上下文。

促进时需将学习提炼为简洁的预防规则，并更新原始条目状态为 promoted。

自动化与多代理集成

技能支持通过钩子（hooks）自动提醒：

• 在 Claude Code 中，配置 .claude/settings.json 可在用户提示后注入学习评估提醒（约 50-100 tokens 开销）。
• 错误检测钩子（如 scripts/error-detector.sh）解析工具响应中的错误模式，自动触发提醒。

此外，技能可从日志中提取可重用子技能（满足条件如反复出现、已验证修复），形成技能生态系统。

适用边界与注意事项

• 配置依赖：要启用自动化钩子，需按代理类型（如 Claude Code、Codex CLI）正确设置。对于 GitHub Copilot，主要通过 .github/copilot-instructions.md 手动集成。
• 团队协作：日志可本地化（个人使用）或提交到仓库（团队共享）。选择 .gitignore 策略时需考虑是否跟踪条目。
• 推广阈值：严格遵循三条件规则，避免将一次性修复或琐碎经验过早提升到项目记忆。
• 技能提取：只有满足标准（如 See Also 链接多、优先级高、广泛适用）的学习才应提取为新技能，防止技能冗余。

定期在任务间歇审查 .learnings/ 目录，解析固定条目、链接相关项，以维持知识库的健康。