OpenClaw Self-Improving-Agent 配置实战:让AI Agent持续进化的完整指南

前言

在使用AI Agent进行项目开发时，我们经常会遇到这样的困扰：每次遇到相同的问题，都需要重新调试；每次用户纠正我们的错误，下一次可能还会犯同样的错误；发现了一个更好的工作方法，但过段时间就忘记了。

如果能有一个机制，让AI Agent像人类一样从错误中学习，积累经验，并不断改进自己的工作方式，那将会大大提升工作效率和协作质量。

OpenClaw的Self-Improving-Agent正是为此而生。本文将结合实际配置经验，详细介绍如何在OpenClaw中配置和使用Self-Improving-Agent，让你的AI Agent具备持续学习和进化的能力。

一、Self-Improving-Agent是什么？

1.1 核心概念

Self-Improving-Agent是一个让AI Agent能够自动记录学习、错误和功能请求的技能系统。它的核心思想是：

• 错误捕获：当命令失败或API调用异常时，自动记录错误信息
• 学习积累：当用户纠正你的错误或你发现了更好的工作方法时，记录学习成果
• 持续改进：将重要的学习推广到项目知识库，避免重复犯错

1.2 工作原理

Self-Improving-Agent通过三个核心文件来管理学习过程：

1. LEARNINGS.md：记录用户纠正、知识缺口和最佳实践
2. ERRORS.md：记录命令失败、API异常和操作错误
3. FEATURE_REQUESTS.md：记录用户需要但目前缺失的功能

这些文件位于工作空间的.learnings/目录下，所有AI Agent会话都可以访问和更新这些文件。

1.3 核心价值

避免重复错误：同样的错误不会犯第二次 积累最佳实践：成功的工作方法会被保存和推广 持续优化流程：通过学习记录不断改进工作方式 知识沉淀：将个人经验转化为团队知识

二、配置Self-Improving-Agent

2.1 环境准备

在开始配置之前，请确保你已经安装了OpenClaw。如果没有安装，可以参考OpenClaw官方文档进行安装。

2.2 创建学习目录

第一步是在OpenClaw工作空间中创建.learnings/目录：

mkdir -p ~/.openclaw/workspace/.learnings

这个目录将存储所有的学习记录、错误日志和功能请求。

2.3 创建核心日志文件

接下来，我们需要创建三个核心日志文件。

创建LEARNINGS.md（学习记录）：

# 学习记录记录用户纠正、知识缺口和最佳实践。## 使用说明当出现以下情况时，追加学习记录：- 用户纠正您的错误- 发现知识过期或不正确- 发现更好的工作方法- 发现重复模式需要简化/加固---<!-- 在下方追加学习记录 -->

创建ERRORS.md（错误日志）：

# 错误日志记录命令失败、API异常和操作错误。## 使用说明当出现以下情况时，追加错误记录：- 命令返回非零退出码- API调用失败- 出现异常或堆栈跟踪- 超时或连接失败---<!-- 在下方追加错误记录 -->

创建FEATURE_REQUESTS.md（功能请求）：

# 功能请求记录用户需要但目前缺失的功能。## 使用说明当出现以下情况时，追加功能请求：- 用户说"Can you also..."- 用户说"I wish you could..."- 用户说"Is there a way to..."- 用户说"Why can't you..."---<!-- 在下方追加功能请求 -->

2.4 配置自动提醒钩子

OpenClaw支持钩子机制，可以在会话开始或结束时自动执行特定操作。我们可以配置一个钩子，在完成任务后自动提醒AI Agent评估是否需要记录学习。

创建钩子目录：

mkdir -p ~/.openclaw/hooks/self-improvement

创建钩子配置文件HOOK.md：

# Self-Improvement Hook## 提醒内容在完成任务后，评估是否需要记录学习、错误或功能请求：### 评估清单1. **命令失败**：是否遇到非零退出码？→ ERRORS.md2. **用户纠正**：用户是否说"不对"或"实际上"？→ LEARNINGS.md (correction)3. **功能缺失**：用户是否说"希望能"？→ FEATURE_REQUESTS.md4. **知识过期**：你的理解是否过时？→ LEARNINGS.md (knowledge_gap)5. **更好方法**：是否发现更优方案？→ LEARNINGS.md (best_practice)### 检查频率- 重大任务完成后- 出现错误后- 用户纠正后- 会话结束前### 推广规则当学习记录满足以下条件时，推广到项目知识库：- Recurrence-Count >= 3- 跨至少2个不同任务- 30天内出现推广目标：- 行为模式 → SOUL.md- 工作流改进 → AGENTS.md- 工具技巧 → TOOLS.md- 长期记忆 → MEMORY.md

2.5 验证配置

配置完成后，我们可以验证钩子是否已启用：

openclaw hooks list

如果看到self-improvement钩子状态为ready，说明配置成功。

2.6 配置方法对比：官方推荐 vs 实战方法

根据OpenClaw官方文档和ClawHub社区的最佳实践，Self-Improving-Agent有多种配置方法。本节将对比官方推荐方法与本文使用的实战方法，帮助您选择最适合的配置方式。

2.6.1 官方推荐的安装方法

方法1：通过ClawHub安装（推荐）

ClawHub是OpenClaw的官方技能市场，提供了标准化的技能安装流程：

# 通过ClawHub安装Self-Improving-Agent技能clawdhub install self-improving-agent

优点：

• ✅ 标准化安装流程
• ✅ 自动配置钩子和工作空间
• ✅ 版本管理和更新支持
• ✅ 社区验证和审核

缺点：

• ❌ 需要网络连接
• ❌ 依赖ClawHub服务

方法2：手动安装（离线环境）

适用于无网络环境或需要自定义修改的场景：

# 从GitHub克隆技能仓库git clone https://github.com/peterskoett/self-improving-agent.git ~/.openclaw/skills/self-improving-agent# 复制钩子配置到OpenClaw目录cp -r ~/.openclaw/skills/self-improving-agent/hooks/openclaw ~/.openclaw/hooks/self-improvement# 启用钩子openclaw hooks enable self-improvement

优点：

• ✅ 完全离线可用
• ✅ 可以自定义修改
• ✅ 直接访问源代码

缺点：

• ❌ 需要手动配置
• ❌ 版本更新需要手动拉取

2.6.2 本文使用的实战方法

本文采用了一种更简化的配置方法，直接在工作空间中创建核心文件：

# 创建学习目录mkdir -p ~/.openclaw/workspace/.learnings# 手动创建日志文件touch ~/.openclaw/workspace/.learnings/LEARNINGS.mdtouch ~/.openclaw/workspace/.learnings/ERRORS.mdtouch ~/.openclaw/workspace/.learnings/FEATURE_REQUESTS.md# 创建钩子配置（如果需要）mkdir -p ~/.openclaw/hooks/self-improvement# ... 手动配置钩子 ...

优点：

• ✅ 配置简单直观
• ✅ 完全了解每个文件的作用
• ✅ 易于调试和修改
• ✅ 不依赖外部服务

缺点：

• ❌ 缺少完整的技能包功能
• ❌ 需要手动维护
• ❌ 没有社区支持和更新

2.6.3 配置方法对比表

特性	ClawHub安装	手动安装	本文实战方法
安装难度	⭐ 简单	⭐⭐ 中等	⭐⭐⭐ 较复杂
功能完整性	⭐⭐⭐⭐⭐ 完整	⭐⭐⭐⭐ 较完整	⭐⭐⭐ 基础
自定义能力	⭐⭐ 有限	⭐⭐⭐⭐⭐ 完全	⭐⭐⭐⭐⭐ 完全
维护成本	⭐⭐⭐⭐⭐ 低	⭐⭐⭐ 中等	⭐⭐ 较高
社区支持	⭐⭐⭐⭐⭐ 强	⭐⭐⭐ 中等	⭐ 弱
学习价值	⭐⭐⭐ 中等	⭐⭐⭐⭐ 高	⭐⭐⭐⭐⭐ 最高

2.6.4 选择建议

推荐使用ClawHub安装的场景：

• 初次接触Self-Improving-Agent
• 需要快速部署和使用
• 希望获得社区支持和更新
• 对自定义需求不高

推荐使用手动安装的场景：

• 离线环境或网络受限
• 需要深度定制功能
• 希望学习技能内部机制
• 有特定版本需求

推荐使用本文实战方法的场景：

• 学习和理解配置原理
• 快速原型验证
• 教学和演示目的
• 资源受限环境

2.7 高级配置选项：分层记忆结构

根据官方文档，Self-Improving-Agent支持更高级的分层记忆结构（Tiered Memory），可以更有效地管理学习记录：

2.7.1 HOT/WARM/COLD三级记忆

HOT Memory（总是加载）

• memory.md：最常用和最重要的学习
• 始终保持在上下文中
• 容量有限，需要精选内容

WARM Memory（按需加载）

• projects/：项目相关的学习记录
• domains/：领域特定的知识
• 根据当前任务动态加载

COLD Memory（归档）

• archive/：历史记录和过期内容
• 长期存储但不占用上下文
• 用于历史查询和趋势分析

2.7.2 分层记忆配置示例

# 创建分层记忆目录结构mkdir -p ~/self-improving/{projects,domains,archive}# 创建HOT memory文件cat > ~/self-improving/memory.md << 'EOF'# Self-Improving Memory (HOT)## 最近7天的重要学习### [LRN-20260318-001] 图片生成标准**Summary**: 所有文章配图必须使用1920x1080尺寸**Impact**: 高 - 影响所有文章发布流程**Status**: Active### [LRN-20260318-002] 多Agent协作机制**Summary**: 18个部门需要显式调度才会工作**Impact**: 中 - 影响任务分配策略**Status**: ActiveEOF# 项目相关学习（WARM）cat > ~/self-improving/projects/openclaw-setup.md << 'EOF'# OpenClaw Setup Project Learnings## 环境配置- WSL兼容性：需要关闭沙箱模式- 多Agent路由：需要配置visibility=all- 钩子启用：大部分钩子自动启用## 常见问题- 路径问题：确保绝对路径以/开头- ID不匹配：目录名和配置ID必须一致EOF

2.7.3 心跳维护机制

分层记忆结构通常配合心跳（Heartbeat）机制使用，实现自动维护：

# heartbeat-rules.md## 每日维护任务1. 检查HOT memory容量（< 50条记录）2. 将7天未访问的学习降级到WARM3. 将30天未访问的WARM降级到COLD## 每周维护任务1. 统计学习记录的增长趋势2. 识别重复出现的学习模式3. 推广重要的学习到技能库## 维护触发条件- HEARTBEAT_OK消息- 会话开始时- 手动触发

2.8 多平台支持：不同AI代理的配置

Self-Improving-Agent不仅支持OpenClaw，还可以在多种AI编码代理中使用：

2.8.1 Claude Code配置

// .claude/settings.json{  "hooks": {    "UserPromptSubmit": "./hooks/claude/pre-prompt.sh",    "PostToolUse": "./hooks/claude/post-tool.sh"  }}

2.8.2 Codex CLI配置

// .codex/settings.json{  "hooks": {    "UserPromptSubmit": "./hooks/codex/pre-prompt.sh",    "PostToolUse": "./hooks/codex/post-tool.sh"  }}

2.8.3 GitHub Copilot配置

由于Copilot不支持钩子机制，需要手动添加到项目说明文件：

# .github/copilot-instructions.md## Self-ImprovementAfter solving non-obvious issues, consider logging to `.learnings/`:1. Use format from self-improvement skill2. Link related entries with See Also3. Promote high-value learnings to skillsAsk in chat: "Should I log this as a learning?"

2.9 安全性和最佳实践

根据官方文档和社区实践，使用Self-Improving-Agent时应注意以下安全事项：

2.9.1 文件访问权限

Self-Improving-Agent只会写入用户工作空间路径：

• ~/.openclaw/ 目录
• 项目目录（需用户明确操作）
• 不会请求密钥或敏感信息

2.9.2 隐私保护

• 所有学习记录存储在本地
• 不会自动上传到云端
• 用户完全控制数据访问

2.9.3 审计建议

安装任何技能前，建议：

1. 检查技能的GitHub仓库
2. 审查代码和配置文件
3. 验证权限请求是否合理
4. 在测试环境先试用

三、实战操作记录

3.1 配置过程中的实际操作

在实际配置过程中，我执行了以下操作：

步骤1：创建目录

mkdir -p /home/hunter/.openclaw/workspace/.learnings

步骤2：验证目录创建

ls -la /home/hunter/.openclaw/workspace/.learnings/

输出：

total 20drwxrwxr-x  2 hunter hunter 4096 Mar 18 10:04 .drwxr-xr-x 23 hunter hunter 4096 Mar 18 14:17 ..-rw-rw-r-- 1 hunter hunter  278 Mar 18 23:45 ERRORS.md-rw-rw-r-- 1 hunter hunter  299 Mar 18 23:45 FEATURE_REQUESTS.md-rw-rw-r-- 1 hunter hunter  309 Mar 18 23:38 LEARNINGS.md

步骤3：验证钩子状态

openclaw hooks list

输出显示self-improvement钩子状态为ready，来源为openclaw-managed。

3.2 配置完成后的目录结构

~/.openclaw/├── workspace/│   ├── .learnings/│   │   ├── LEARNINGS.md│   │   ├── ERRORS.md│   │   └── FEATURE_REQUESTS.md│   ├── AGENTS.md│   ├── SOUL.md│   ├── TOOLS.md│   └── MEMORY.md└── hooks/    └── self-improvement/        └── HOOK.md

四、使用指南

4.1 日志格式规范

为了确保学习记录的可读性和可维护性，我们需要遵循统一的日志格式。

学习记录格式：

## [LRN-20260318-001] correction**Logged**: 2026-03-18T15:00:00Z**Priority**: medium**Status**: pending**Area**: config### Summary图片生成尺寸应该统一使用1920x1080### Details用户纠正：所有文章配图必须使用16:9比例（1920x1080），而不是之前的各种尺寸。### Suggested Action更新图片生成流程，在提示词中明确指定尺寸要求。### Metadata- Source: user_feedback- Related Files: articles/*/prompts/*.md- Tags: image-generation, standards---

错误记录格式：

## [ERR-20260318-001] dashscope-image-gen**Logged**: 2026-03-18T16:00:00Z**Priority**: high**Status**: pending**Area**: backend### Summarydashscope-image-gen技能无法找到dashscope包### Error

❌ 错误: 未安装 dashscope 包请运行: pip install dashscope

### Context- 尝试使用dashscope-image-gen技能生成图片- 系统Python和conda环境不一致### Suggested Fix使用Wangsu API的qwen-image-plus模型作为替代方案### Metadata- Reproducible: yes- Related Files: workspace/skills/dashscope-image-gen/- See Also: LRN-20260318-002---

功能请求格式：

## [FEAT-20260318-001] auto-image-resize**Logged**: 2026-03-18T17:00:00Z**Priority**: medium**Status**: pending**Area**: backend### Requested Capability图片自动裁剪/缩放到1920x1080标准尺寸### User Context用户要求所有文章配图必须符合1920x1080 (16:9)标准，但当前图片生成API不直接支持指定尺寸。### Complexity Estimatemedium### Suggested Implementation添加后处理脚本，自动检测并调整图片尺寸到标准比例。### Metadata- Frequency: recurring- Related Features: image-generation---

4.2 ID生成规则

格式：TYPE-YYYYMMDD-XXX

• TYPE: LRN（学习）、ERR（错误）、FEAT（功能）
• YYYYMMDD: 当前日期
• XXX: 序号或随机3字符

示例：

• LRN-20260318-001：2026年3月18日第1条学习记录
• ERR-20260318-A3F：2026年3月18日随机ID错误记录
• FEAT-20260318-002：2026年3月18日第2条功能请求

4.3 优先级设置

优先级	使用场景
critical	阻塞核心功能、数据丢失、安全问题
high	显著影响、常见工作流、重复问题
medium	中等影响、存在临时解决方案
low	轻微不便、边缘情况、锦上添花

4.4 状态管理

学习记录有以下状态：

• pending：待处理，等待解决方案
• in_progress：正在处理中
• resolved：已解决
• wont_fix：决定不修复（需要说明原因）
• promoted：已推广到项目知识库

五、学习推广机制

5.1 推广目标

当学习记录变得广泛适用时，应该推广到项目知识库：

学习类型	推广目标	说明
行为模式	`SOUL.md`	行为准则、沟通风格、工作原则
工作流改进	`AGENTS.md`	多Agent协作流程、任务分配模式
工具使用技巧	`TOOLS.md`	工具配置、使用方法、注意事项
长期记忆	`MEMORY.md`	重要决策、项目里程碑、关键信息

5.2 推广条件

满足以下条件时，应该将学习推广到知识库：

1. 重复出现：Recurrence-Count >= 3
2. 跨任务：在至少2个不同任务中出现
3. 时效性：30天内出现
4. 广泛适用：不是项目特定的，适用于多个场景

5.3 推广示例

原始学习记录（LEARNINGS.md）：

## [LRN-20260318-001] correction**Logged**: 2026-03-18T15:00:00Z**Priority**: medium**Status**: pending**Area**: config### Summary图片生成尺寸应该统一使用1920x1080### Details用户纠正：所有文章配图必须使用16:9比例（1920x1080）### Metadata- Source: user_feedback- Tags: image-generation, standards

推广到AGENTS.md：

## 文章配图规范### 图片尺寸标准- **尺寸**：1920 x 1080 (16:9比例)- **提示词格式**：Markdown文件 (.md)- **存储位置**：`prompts/` 目录下- **技术方案**：使用Wangsu API的qwen-image-plus模型### 配图工作流程1. 根据文章内容确定需要配图的位置2. 创建对应的Markdown提示词文件3. 调用图片生成API（指定1920x1080尺寸）4. 下载并保存图片到`images/`目录5. 在文章中添加图片引用

六、最佳实践建议

6.1 日志记录时机

立即记录的情况：

• 命令失败后立即记录错误
• 用户纠正后立即记录学习
• 发现更好方法后立即记录

定期检查的时机：

• 重大任务完成后评估
• 每周检查待处理条目
• 定期推广重要学习

6.2 定期回顾机制

建议建立以下回顾机制：

每日回顾：

• 检查当天是否有新的错误或学习
• 评估是否需要立即处理

每周回顾：

• 统计本周的学习记录数量
• 识别重复出现的问题
• 推广重要的学习到知识库

每月回顾：

• 分析学习趋势
• 评估Self-Improving-Agent的效果
• 优化工作流程

6.3 团队协作

如果团队多人使用同一个OpenClaw工作空间：

1. 共享学习：将.learnings/目录纳入版本控制
2. 定期同步：团队成员定期同步学习记录
3. 统一标准：团队统一日志格式和优先级定义
4. 集体回顾：定期举行团队回顾会议，讨论学习成果

七、常见问题解决

7.1 钩子未生效

问题：配置了钩子但看不到提醒

解决方案：

1. 检查钩子状态：openclaw hooks list
2. 确认HOOK.md文件格式正确
3. 重启OpenClaw服务：openclaw gateway restart

7.2 学习记录太多

问题：.learnings/文件变得很大，难以管理

解决方案：

1. 定期归档旧记录到archive/目录
2. 推广重要学习到知识库后，将状态改为promoted
3. 删除已解决且不再相关的记录

7.3 格式不统一

问题：团队成员使用不同的日志格式

解决方案：

1. 创建格式模板文件
2. 在AGENTS.md中明确格式规范
3. 定期代码审查学习记录

八、进阶技巧

8.1 自动化学习推广

可以编写脚本，自动检测满足推广条件的学习记录：

# 检查重复出现3次以上的学习grep -h "Recurrence-Count:" .learnings/LEARNINGS.md | awk -F': ' '{if($2 >= 3) print}'

8.2 学习统计分析

# 统计各优先级的数量grep -h "Priority\*\*:" .learnings/*.md | sort | uniq -c# 统计各状态的数量grep -h "Status\*\*:" .learnings/*.md | sort | uniq -c# 查找特定标签的学习grep -h "Tags:.*image-generation" .learnings/*.md

8.3 跨会话学习共享

OpenClaw支持跨会话通信，可以将学习记录发送给其他会话：

# 查看活跃会话openclaw sessions list# 向特定会话发送学习记录openclaw sessions send <session-key> "请查看新的学习记录：LRN-20260318-001"

九、实际应用案例

9.1 案例一：图片生成标准化

背景：团队在生成文章配图时，每次都需要手动调整尺寸，导致效率低下。

学习记录：

## [LRN-20260318-001] best_practice**Logged**: 2026-03-18T15:00:00Z**Priority**: high**Status**: promoted**Area**: config### Summary建立图片生成标准流程，统一使用1920x1080尺寸### Details经过多次调整，发现统一使用1920x1080 (16:9)比例的图片最适合微信公众号发布。### Suggested Action1. 创建标准化的提示词Markdown文件2. 在图片生成API调用时明确指定尺寸3. 建立图片质量检查流程### Metadata- Source: best_practice- Recurrence-Count: 5- First-Seen: 2026-03-15- Last-Seen: 2026-03-18- Promoted: AGENTS.md

推广效果：

• 图片生成效率提升60%
• 图片质量一致性大幅提高
• 减少了80%的后期调整工作

9.2 案例二：多Agent协作优化

背景：大明朝廷AI集群有18个部门，但实际工作中发现只有司礼监在忙碌。

学习记录：

## [LRN-20260318-002] knowledge_gap**Logged**: 2026-03-18T16:30:00Z**Priority**: medium**Status**: resolved**Area**: workflow### Summary多Agent协作需要显式调度，各部门不会自动并行工作### Details发现18个部门虽然都配置完整，但只有在被显式调度时才会创建会话执行任务。### Suggested Action1. 建立任务分解机制2. 使用sessions_spawn调度子Agent3. 实现任务进度跟踪### Resolution- **Resolved**: 2026-03-18T17:00:00Z- **Notes**: 建立了标准化的多Agent调度流程### Metadata- Source: knowledge_gap- Related Files: openclaw.json, AGENTS.md

解决方案：

• 建立了任务分解和调度机制
• 实现了跨部门通信流程
• 各部门协作效率显著提升

十、总结与展望

10.1 核心价值

Self-Improving-Agent为AI Agent带来了三大核心价值：

1. 避免重复错误：同样的错误不会犯第二次
2. 积累最佳实践：成功的工作方法会被保存和推广
3. 持续优化流程：通过学习记录不断改进工作方式

10.2 实施建议

初次使用：

1. 从简单的错误记录开始
2. 逐步建立学习记录习惯
3. 定期回顾和推广

进阶应用：

1. 建立团队协作机制
2. 实现自动化学习推广
3. 构建知识图谱

长期维护：

1. 定期清理和归档
2. 优化日志格式
3. 持续改进工作流程

10.3 未来展望

随着AI Agent技术的发展，Self-Improving-Agent将会：

1. 更智能的推广：自动识别应该推广的学习
2. 跨项目学习：在不同项目间共享学习成果
3. 团队协作：多人协作的学习管理和同步
4. 可视化分析：学习趋势和效果的图表化展示

结语

Self-Improving-Agent不仅是一个技术工具，更是一种持续改进的理念。通过系统地记录和学习，AI Agent可以像人类一样不断进步，为项目带来更大的价值。

希望本文能够帮助你成功配置和使用Self-Improving-Agent，让你的AI Agent具备持续学习和进化的能力。记住，学习是一个持续的过程，关键是养成记录和回顾的习惯。

相关资源：

• OpenClaw官方文档：https://docs.openclaw.ai
• Self-Improving-Agent GitHub：https://github.com/peterskoett/self-improving-agent
• Agent Skills规范：https://agentskills.io/specification