用过 OpenClaw 的朋友都遇到过这个场景：Agent 犯了个错，你纠正它，下一次同样的坑它又踩进去了。会话结束，记忆清零，一切归零重来。

这是大模型的原罪——没有跨会话记忆。每次对话都是一个孤立的宇宙，昨天的教训在今天毫无意义。

self-improving-agent这个技能，就是为了解决这个问题。

这个技能干的是什么事

一句话概括：把 OpenClaw Agent 在工作中积累的经验，以结构化方式写到磁盘上，让它在下一次会话里能读取这些记录，不重复犯同样的错。

以上为官方描述原文，大意：将学习记录和错误写入 Markdown 文件，供后续会话读取和处理，重要发现可晋升为项目级永久记忆。

本质上，它构建了一套AI 的外部长期记忆系统——用文件系统模拟人类大脑里的「经验积累」。

哪些情况会触发记录

技能内置了明确的触发条件，不是什么都记，只记有价值的东西：

判断标准是：解决方案不是立即显而易见的，或者用户给出了明确纠正。那种一眼就知道怎么做的任务，不记。

文件存在哪里，怎么组织的

所有记录落到项目目录下的.learnings/文件夹，分三类：

每条记录有标准格式，包含时间戳、优先级、状态、所属领域（frontend/backend/infra/docs...），以及最关键的两个字段：Summary（一行描述）和Suggested Action（具体行动建议）。

学到的东西怎么"晋升"

这是设计里最聪明的部分。记录不会永远躺在.learnings/里——有一套晋升机制，把高价值的学习提升到更持久的位置：

Hook 自动化：让记录无感发生

手动记学习日志这件事本身就反人类。官方提供了三个 Hook 脚本，实现自动触发：

启用方式：

这样每次会话启动，activator.sh自动把.learnings/的内容注入上下文；出错时error-detector.sh自动触发记录；积累到一定程度，extract-skill.sh把通用 pattern 提炼成新的 skill。

安装方法

它真正解决的问题是什么

光说机制有点抽象，来做个对比。

换一个角度：这是在把 OpenClaw Agent 从一个「每次出门都忘带钥匙的人」，改造成一个「会在门口贴备忘录的人」。方法很朴素，但效果实在。

我的使用建议

这个技能适合有持续项目的场景：同一个代码仓库长期开发、固定团队用同一套 OpenClaw workspace、或者你有个人的 AI 工作流需要不断优化。

如果你只是随机问问题、临时任务，装了也意义不大——.learnings/会积累一堆没人看的文件。

有几个使用技巧值得注意：

主动问 Agent "要不要记录这个"。技能说明里有提示："Ask in chat: Should I log this as a learning?"——你可以直接这样问，OpenClaw Agent 会根据技能格式来判断和记录。

定期 Review .learnings/ 里的内容。pending 状态的条目需要人工决定是否 promote。Agent 会建议，但最终判断还是你来做。

在重大任务前提示 OpenClaw Agent 先读记录。官方说明里有这句话："Also review learnings before major tasks"——可以在 prompt 里加一句"先看看 .learnings/ 里有没有相关记录"。

最后说几句

这个技能本质上是在弥补 LLM 架构的一个先天缺陷——无状态。它用的方法不是什么黑魔法，就是最朴素的文件 IO：把值得记的东西写下来，下次读进去。

但这个设计思路很有意思：它把「AI 变聪明」这件事，从一个模型训练问题，转化成了一个工程问题。不需要等 Anthropic 更新模型，你自己就能让你的 OpenClaw 越用越好用。

从某种意义上说，这才是个人 AI 工作流的正确打开方式：不只是使用 AI，而是在持续地训练和优化你的 AI 工作方式。