技能介绍

解决重复试错与经验流失

AI Agent 在执行编码任务时，经常会遇到命令报错、被用户纠正、发现知识盲区或收到新功能请求。这些反馈往往随着会话结束而流失，导致 Agent 在后续任务中重复踩坑，或无法将单次会话中的有效实践沉淀为团队共识。该技能旨在建立一套结构化的自我改进日志机制，让 Agent 能够持续记录、复盘并晋升这些关键信息。

核心能力与工作流程

该技能通过以下关键步骤实现知识的闭环管理：

初始化日志目录：在项目根目录创建 .learnings/ 文件夹，并初始化 ERRORS.md、LEARNINGS.md 和 FEATURE_REQUESTS.md 文件。
实时捕获与结构化记录：当检测到命令失败、用户纠偏（如“不对，应该…”）或知识缺口时，Agent 会立即将上下文、复现步骤和优先级追加到对应的 Markdown 文件中，避免遗漏关键细节。
模式识别与去重：通过 Pattern-Key 识别重复出现的错误模式，关联已有记录并提升其优先级，避免日志膨胀。
记忆晋升（Promotion）：当某条经验具有普遍适用性时（如项目依赖管理约定、特定工具的坑），Agent 会将其提炼为简短的规则，并写入 CLAUDE.md、AGENTS.md 或 .github/copilot-instructions.md 等长期记忆文件，使其成为后续会话的默认上下文。
定期复盘与状态更新：在任务节点或周期性检查时，Agent 会审查日志，将已修复的问题标记为 resolved，并将已晋升的经验标记为 promoted。

适用边界与注意点

隐私与安全：技能默认不记录 secrets、tokens、private keys 等敏感信息。记录错误时，应优先使用脱敏后的摘要或短代码片段，而非完整的原始输出。
团队共享策略：日志文件可作为开发者的本地私有笔记（建议加入 .gitignore），也可以作为团队共享的知识库（提交到仓库）。需根据项目合规要求选择。
环境依赖：该技能依赖 Agent 能够读写 Markdown 文件，并在 OpenClaw、Claude Code 或 Codex 等支持上下文注入或 Hook 机制的环境中表现最佳。