学习进化复盘

要解决什么问题

OpenClaw 技能上线后，常见做法是凭印象改 prompt 或加功能，缺少可核对的使用证据。一旦把未填写的模板字段当成「已有数据」，还容易把猜测写进发布版本。Learning Evolution 面向「先复盘、再改技能」的流程：在本地生成带日期的 Markdown 模板，把使用分析、效果评估和演进规划拆开，并明确哪些字段必须来自可验证来源。

技能如何工作

技能提供三条命令，对应三类报告（默认写入 data/ 或通过 LEARNING_DATA_DIR 指定目录）：

• Analyze Usage Patterns：生成 USAGE--YYYYMMDD.md，用于记录经核实的使用次数、完成信号、流失点及有据可查的观察。
• Track Effectiveness：生成 EFFECTIVENESS--YYYYMMDD.md，用于成功指标、错误分析与人工复核备注。
• Suggest Evolutions：生成 EVOLUTIONS--YYYYMMDD.md，含证据清单与候选改进表；不会自动填写置信度。

输入应来自技能使用日志、用户反馈与评分、可复现的错误报告、成败结果、版本对比笔记或人工观察。脚本会在输出中附带数据策略提醒，避免 agent 或用户把空白字段误读为已测指标。脚本会校验 --skill 再写入文件名，仅写本地 Markdown，不联网、不读凭证、不修改其它技能。

适用边界与注意点

• 空白模板字段不是测量事实；未知项应标为 TODO，直到有证据。
• 不要编造使用率、满意度、完成率或错误率；每条指标需可追溯来源。
• 敏感反馈默认不应长期写入持久化报告，除非你有意保留。
• 根据报告生成的建议，在人工复核通过前不要直接改已发布技能；证据不足时可以选择不改、小修、大改或转向。