⚡

持续学习代理 continuous-learning-agent

这个技能是用于AI代理的自我改进，通过系统收集反馈、识别错误和成功模式，实现从经验中持续学习和性能提升。它帮助AI代理建立记忆、优化决策和适应环境变化。关键词：AI代理、持续学习、模式识别、反馈机制、自我优化、机器学习、智能体改进、错误分析、成功策略。

AI智能体 0 次安装 0 次浏览 更新于 3/7/2026

name: continuous-learning-agent description: 用于AI代理自我改进的元技能，通过系统反馈收集和模式识别从经验中学习并随时间改进 license: MIT metadata: source: affaan-m/everything-claude-code adapted-by: ai-skills category: agent-improvement

持续学习代理

一个元技能，使AI代理能够通过系统反馈收集和模式识别从经验中学习并随时间改进。

核心概念

传统代理在会话之间完全重置。此技能实现记忆和学习机制来：

  • 从错误中学习
  • 识别成功模式
  • 随时间构建上下文
  • 适应用户偏好
  • 改进决策制定

学习机制

1. 错误模式识别

每次错误后，记录：

## 错误日志条目

**日期**: 2026-01-30
**上下文**: 实现用户认证
**错误**: TypeError: Cannot read property 'id' of undefined
**根因**: 在访问用户对象前缺少空值检查
**修复**: 添加可选链：user?.id
**模式**: 在属性访问前始终验证对象存在
**预防**: 添加TypeScript严格空值检查

2. 成功模式收集

成功实现后：

## 成功模式

**任务**: 添加分页到API端点
**方法**: 使用编码令牌的基于游标的分页
**为什么有效**: 高效处理大型数据集，无状态
**可重用模式**: 
- 使用游标令牌而不是偏移/限制
- 用base64编码游标
- 包括hasNext/hasPrevious标志
- 在响应中返回下一个/上一个游标

**代码模板**:
```typescript
interface PaginatedResponse<T> {
  data: T[];
  cursor: {
    next: string | null;
    previous: string | null;
  };
}


### 3. 反馈集成

创建 `.claude/learnings/` 目录：

```bash
mkdir -p .claude/learnings

将学习存储在分类文件中：

.claude/learnings/
  patterns/
    authentication.md
    database-queries.md
    error-handling.md
  mistakes/
    common-bugs.md
    performance-issues.md
  preferences/
    code-style.md
    testing-approach.md
    naming-conventions.md

4. 决策日志

主要决策前：

## 决策: [标题]

**上下文**: 需要决策的当前情况
**考虑选项**:
1. 选项 A - 优点: X, 缺点: Y
2. 选项 B - 优点: X, 缺点: Y
3. 选项 C - 优点: X, 缺点: Y

**决策**: 选择选项 B
**推理**: 详细解释
**预期结果**: 我们期望发生的事情
**实际结果**: (实现后填写)
**学到的教训**: 从这个决策中学到了什么

学习循环

每日回顾循环

编码会话结束时：

## 会话回顾 - [日期]

**进展顺利**:
- 成功实现 X
- 发现模式 Y
- 改进 Z 的性能

**可以改进**:
- 花太长时间调试 A
- 应该更早测试 B
- 错过边缘案例 C

**关键学习点**:
1. 学习点 1
2. 学习点 2
3. 学习点 3

**行动项**:
- [ ] 记录模式 X
- [ ] 为 Y 创建助手
- [ ] 为 Z 添加测试

每周综合循环

每周回顾和综合：

# 生成每周摘要
cat .claude/learnings/daily/*.md | grep "关键学习点" -A 3 > weekly-synthesis.md

## 每周综合 - [日期] 周

**新兴模式**:
- 模式 1: 描述
- 模式 2: 描述

**重复问题**:
- 问题 1: 根因分析
- 问题 2: 根因分析

**改进的技能**:
- 技能 1: 如何改进
- 技能 2: 如何改进

**下周重点**:
- 重点领域 1
- 重点领域 2

自适应策略

上下文意识

维护上下文文件：

# 项目上下文

**类型**: Web应用 / API / CLI工具 / 库
**技术栈**: Next.js, TypeScript, Prisma, PostgreSQL
**架构**: 包含包的monorepo: api, web, shared
**关键模式**: 
- 基于功能的文件夹结构
- 数据访问的仓库模式
- 业务逻辑的服务层

**团队偏好**:
- 测试覆盖率: 至少80%
- 代码风格: Prettier + ESLint
- 提交消息: 规范提交
- PR流程: 需要审查 + CI通过

渐进优化

跟踪理解水平：

## 理解地图

**充分理解** (★★★):
- 认证流程
- 数据库模式
- API端点

**部分理解** (★★):
- 缓存策略
- 错误处理模式

**需要学习** (★):
- 部署过程
- 监控设置
- 功能标志系统

实现钩子

任务后钩子

完成任何任务后：

#!/bin/bash
# .claude/hooks/post-task.sh

echo "## 任务完成: $1" >> .claude/learnings/daily/$(date +%Y-%m-%d).md
echo "" >> .claude/learnings/daily/$(date +%Y-%m-%d).md
echo "**方法**: $2" >> .claude/learnings/daily/$(date +%Y-%m-%d).md
echo "**结果**: $3" >> .claude/learnings/daily/$(date +%Y-%m-%d).md
echo "**学习**: $4" >> .claude/learnings/daily/$(date +%Y-%m-%d).md
echo "" >> .claude/learnings/daily/$(date +%Y-%m-%d).md

任务前钩子

开始任务前：

#!/bin/bash
# .claude/hooks/pre-task.sh

# 检查类似过去任务
echo "检查学习: $1"
grep -r "$1" .claude/learnings/ | head -5

# 检查已知陷阱
grep -r "mistake.*$1" .claude/learnings/mistakes/

知识库结构

.claude/
  learnings/
    daily/
      2026-01-30.md
      2026-01-29.md
    weekly/
      2026-week-05.md
    patterns/
      successful/
        authentication-patterns.md
        api-design-patterns.md
      antipatterns/
        common-mistakes.md
        performance-pitfalls.md
    context/
      project-overview.md
      tech-stack.md
      team-preferences.md
    decisions/
      architecture-decisions.md
      technology-choices.md

查询过去学习

查找类似解决方案

# 搜索模式
grep -r "分页" .claude/learnings/patterns/

# 查找过去错误
grep -r "TypeError" .claude/learnings/mistakes/

# 检查决策
grep -r "decision.*数据库" .claude/learnings/decisions/

提取模式

# 获取所有成功模式
grep -h "^## 成功模式" .claude/learnings/patterns/successful/*.md

# 获取所有学到的教训
grep -h "^**学到的教训**" .claude/learnings/ -A 3

集成点

补充：

  • knowledge-architecture: 用于组织学习
  • second-brain-librarian: 用于长期知识存储
  • verification-loop: 用于质量反馈
  • project-orchestration: 用于将学习应用到规划

渐进增强

随着代理改进：

级别1: 基本错误记录 级别2: 模式识别 级别3: 自动化建议 级别4: 主动指导 级别5: 在约束内自主决策

跟踪当前级别和进展指标。

指标

跟踪改进：

## 代理性能指标

**错误率**: 随时间每个任务的错误
**模式重用**: 学习模式应用的频率
**决策质量**: 结果与预期结果的对齐
**上下文准确性**: 代理理解项目的程度
**适应速度**: 学习新模式的时间

**趋势**: 改进 / 稳定 / 下降

初始化

首次设置：

# 创建学习基础设施
mkdir -p .claude/learnings/{daily,weekly,patterns,mistakes,context,decisions}

# 初始化上下文文件
cat > .claude/learnings/context/project-overview.md << 'EOF'
# 项目概述
- 项目类型:
- 技术栈:
- 架构:
- 关键文件:
EOF

# 创建第一个会话日志
date +%Y-%m-%d > .claude/learnings/daily/$(date +%Y-%m-%d).md

每个会话开始时回顾最近学习。