OpenClaw 自我改进系统全解:让 AI 从错误中学习、持续进化,越用越聪明,不再重复犯同样的错

0. 引言

OpenClaw系列前 17 篇，你的 AI 已经非常强大了——能聊天、查数据、操作浏览器、定时自动干活、分身并行、连上手机、记忆系统完善、多个人格、装各种插件、逛技能市场。

但它还有一个致命问题——

它犯过的错，下次还会再犯。

你纠正过它："不要用 rm，用 trash。"——下次它还是直接 rm。你告诉它："PowerShell 处理中文文件会乱码，用 Node.js。"——下次它还是用 PowerShell。

人类从错误中学习，犯过一次就记住了。但 AI 每次醒来都是全新的——除非你给它一套"自我改进系统"。

而且这套系统不用你自己从零造——它是一个现成的技能（Skill），装好就能用。今天这篇除了讲原理，还会带你一条命令把它装上。

今天这篇，带你彻底搞懂 OpenClaw 的自我改进系统（Self-Improvement）——让 AI 从错误中学习、记录教训、持续进化，不再重复犯同样的错。

打个比方：

💡 自我改进 = 给 AI 一个错题本 = 犯过的错不再犯，踩过的坑变成经验。

1. 什么是自我改进系统？

在动手之前，先搞清楚三个问题：它到底是什么、为什么 AI 需要它、它和前面讲过的记忆系统有什么区别。

1.1 一句话：自我改进就是让 AI 犯错后记住教训

自我改进系统是 OpenClaw 的一套机制——让 AI 在犯错、被纠正、发现更好的方法时，自动记录教训，并在未来的会话中应用这些经验。

1.2 为什么 AI 需要自我改进？

1.3 自我改进 vs 记忆系统

别搞混了——它们有各自的角色：

简单说：

• 记忆系统 = 日记本（记录发生过什么）

• 自我改进 = 错题本（记录犯过什么错）

概念理清了，接下来看看这套系统是怎么搭起来的。

2. 自我改进的三层架构

整个自我改进的工作流可以概括成三个词：记下来、翻一翻、提上去。三层，一层管一件事。

2.1 第一层：犯错就记，绝不手软

当 AI 发现以下情况时，立即记录：

2.2 第二层：定期翻翻错题本，别再犯

光记不翻，等于白记。AI 要定期回顾 .learnings/ 中的记录：

2.3 第三层：错题变教科书，永久记住

当一条教训被反复验证有价值时，提升到更高层级：

💡 提升规则：一条教训出现 3 次以上、跨越 2 个不同任务、在 30 天内反复出现 → 应该提升。

三层架构清楚了，下一个问题：具体每条记录该怎么写？格式是什么？

3. 记录格式规范

格式必须统一——同一种记录一个模板，后面检索、复习、提升才都有据可依。下面三个模板，直接抄。

3.1 ERRORS.md：命令跑失败了怎么记？

## [ERR-20260530-001] rm_command**Logged**: 2026-05-30T14:30:00+08:00**Priority**: high**Status**: pending**Area**: config### Summary使用 rm 删除文件导致不可恢复的数据丢失### Error    rm: cannot remove 'important.txt': Permission denied### Context- 用户要求删除旧文件- 使用了 `rm -rf` 命令- 用户反馈应该用 trash 而不是 rm### Suggested Fix所有删除操作统一使用 trash 命令，而非 rm### Metadata- Reproducible: yes- Related Files: AGENTS.md- Tags: delete, safety---

3.2 LEARNINGS.md：被纠正了怎么记？

## [LRN-20260530-001] chinese_file_encoding**Logged**: 2026-05-30T14:30:00+08:00**Priority**: high**Status**: resolved**Area**: config### Summary处理含中文的文件时，PowerShell 会乱码，应使用 Node.js### DetailsPowerShell 的编码处理在 Windows 上对中文支持不好，会导致文件内容乱码。Node.js 的 fs 模块可以正确处理 UTF-8 中文。### Suggested Action涉及中文文件的读写操作，统一使用 Node.js### Metadata- Source: user_feedback- Related Files: TOOLS.md- Tags: encoding, powershell, nodejs- Pattern-Key: encoding.chinese_files- Recurrence-Count: 3- First-Seen: 2026-04-13- Last-Seen: 2026-05-30---

3.3 FEATURE_REQUESTS.md：想要个新功能？记下来

## [FEAT-20260530-001] auto_database_backup**Logged**: 2026-05-30T14:30:00+08:00**Priority**: medium**Status**: pending**Area**: infra### Requested Capability自动定时备份 MySQL 数据库### User Context用户有阿里云 RDS 数据库，担心数据丢失### Complexity Estimate: medium### Suggested Implementation使用 Cron 定时任务 + mysqldump 命令### Metadata- Frequency: recurring---

格式是死的，场景是活的。更重要的是——上面这些文件你一个字都不用手写，全程跟 AI 对话就行。下面 5 步，每步给你"你说什么、AI 会做什么"，照着说就能跑起来。

4. 从零搭建：装个技能，5 步上线

讲了这么多原理，落地其实一点不复杂——这套能力是一个现成的技能（Skill）：self-improving-agent，来自第 17 篇讲过的 ClawHub 技能市场。装上之后，AI 就自动知道什么时候该记、记成什么格式、怎么升级，全程你只需要对话。

4.1 第一步：安装自我改进技能

先给 AI 装上"行为规则"。直接跟 AI 说：

你说："帮我安装self-improving-agent"

或者自己在终端跑一条命令：

clawhub install self-improving-agent

装好后，技能文件会落在工作区的 skills/self-improving-agent/ 里，核心是一份 SKILL.md——它替你把规则都定好了：什么情况触发记录、记录用什么模板（就是第 3 章那套格式）、高频教训怎么升级成永久规则。AI 每次会话启动都会读到它。

装完就搞定了——AI 读到技能的 SKILL.md 后，会自动创建 .learnings/ 文件夹并初始化三个模板文件，你不用操心。

💡 技能和错题本是两回事：技能（SKILL.md）是行为规则——怎么记、怎么升级，装一次永久生效；.learnings/ 是数据——记下来的教训，随用随长。

4.2 第二步：给 AI 装上"犯错就记"的开关

技能已经规定了触发条件，想再加一道保险，就在工作区放个提醒文件——AI 每次会话启动都会读到它。直接说：

你说："建一个 SELF_IMPROVEMENT_REMINDER.md，写清楚触发规则：命令失败记到 ERRORS.md，被我纠正记到 LEARNINGS.md，用户要新功能记到 FEATURE_REQUESTS.md，每条记录带日期、优先级、状态"

AI：创建提醒文件，写入触发规则和记录格式

再让 AI 把这条规则写进它的"工作守则"，确保长期生效、换会话也不丢：

你说："把'犯错和被纠正时要记录到 .learnings'这条规则加到 AGENTS.md 里"

AI：编辑 AGENTS.md，追加这条规则

到这一步，AI 已经知道"什么情况该记、记到哪、怎么记"了。接下来是最关键的练习——真的去用它。

4.3 第三步：当场纠正，AI 立刻记住

系统装好后，找个机会真的纠正 AI 一次，看它会不会记。两种情况都试一下。

情况一：AI 命令跑失败了

比如 AI 用了 python -c 一行命令查数据库，被安全网关拦截。你会看到这样的对话：

AI：这条命令被安全机制拦截了——内联 python -c 会被识别为代码混淆。已记录到 .learnings/ERRORS.md。以后涉及数据库凭证的查询，我会写成独立 .py 脚本。要现在提升进 TOOLS.md 吗？

你说：提升。

AI：已写入 TOOLS.md，那条记录状态改为 resolved。

情况二：你主动纠正 AI

比如 AI 用了 rm 删文件，你纠正它：

你说：别用 rm，以后删除文件一律用 trash，这个记下来。

AI：好的，已记录到 .learnings/LEARNINGS.md：「删除文件统一用 trash，不用 rm」，优先级 high，状态 pending。下次删除我会自动用 trash。

你不用管格式、不用管写到哪个文件——AI 会按第 3 章的模板自己写好。想确认？直接问：

你说："打开 LEARNINGS.md 给我看刚才记的那条"

AI：这是刚写入的那条——## [LRN-20260729-001] delete_use_trash，Priority: high，Status: pending，Area: config，Summary 是「删除文件统一用 trash，不用 rm」。ID、优先级、状态都齐全，格式没问题。

这就是自我改进的核心体验：你说一句，AI 记一辈子。

4.4 第四步：给 AI 配个"定期复习"闹钟

错题本光记不翻等于白记。让 AI 定时自己复习、把高频教训升级。直接说：

你说："帮我设个定时任务，每周一早上 9 点，检查 .learnings 里待解决的记录，把反复出现的高频教训提升到 TOOLS.md"

AI：创建 cron 定时任务，按时触发复习流程（定时任务是第 11 篇讲过的）

不想等定时、想现在就看错题本现状？让 AI 跑几条查询：

# 看待解决的教训有多少条grep -h "Status\*\*: pending" .learnings/*.md | wc -l# 列出高优先级的待解决项grep -B5 "Priority\*\*: high" .learnings/*.md | grep "^## \["# 查找某个领域的教训grep -l "Area\*\*: config" .learnings/*.md

或者干脆说人话，让 AI 直接总结：

你说："总结一下 .learnings 里攒了哪些教训，哪些该升级成永久规则"

AI：扫了三个文件，共 12 条：待解决 5 条（high 2、medium 3），已 resolved 6 条，wont_fix 1 条。两条建议升级成永久规则——「中文文件用 Node.js 不用 PowerShell」已踩 3 次坑，「数据库查询必须用独立脚本」是 high 优先级且反复出现，都适合写进 TOOLS.md。要我现在处理吗？

4.5 第五步：把高频教训"毕业"成永久规则

当一条教训反复出现（比如"中文文件用 Node.js"已经踩了三次坑），就该让它"毕业"——从临时记录提升到永久生效的规则。直接说：

你说："把'处理中文文件用 Node.js 不用 PowerShell'提升成永久规则，写进 TOOLS.md，以后都照这个来"

AI：编辑 TOOLS.md 追加规则，并把 .learnings 里对应记录标记为 resolved

提升到哪个文件有讲究（呼应第 2.3 节）：工具技巧进 TOOLS.md，流程规范进 AGENTS.md，行为准则进 SOUL.md。拿不准放哪？直接问 AI：

你说："这条教训应该提升到哪个文件？"

AI：建议写进 TOOLS.md。这条是「PowerShell 处理中文路径会乱码」，属于工具使用的踩坑经验，TOOLS.md 专门记这类。如果是流程规范（比如「发布前必须跑预览」）放 AGENTS.md，行为准则（比如「回复要简洁」）才放 SOUL.md。

5 步走完，你的 AI 就拥有了一套能持续进化的"错题本系统"。 从这一步开始，它犯的每一个错，都在让它变得更强。

5. 会话压缩与记忆刷新

记录写到文件里就安全了。但还有一个隐患——如果教训还在对话里、还没来得及写，而对话本身被"忘掉"了呢？

这就得先搞懂 OpenClaw 的会话压缩机制，以及它为这件事准备的兜底方案。

5.1 什么是会话压缩？

简单说：AI 的对话上下文有上限（比如 128K token）。当对话太长时，OpenClaw 会把旧的对话内容"压缩"成摘要——就像把厚厚的一本书压缩成一句话总结。

5.2 压缩会带来什么问题？

5.3 自我改进的应对：重要的教训必须写入文件

关键原则：重要的教训不能只存在于对话中——必须写入文件。

写下来总归是对的。但如果 AI 忙着对话，忘了写怎么办？别担心——OpenClaw 还有一道保险。

5.4 自动记忆刷新：压缩前的保险丝

OpenClaw 的会话会自动压缩（当上下文快满时）。压缩发生时，如果有重要信息还没保存到文件里，就会丢失。

记忆刷新就是在压缩发生前，自动运行一个静默回合，让 AI 把该记的东西写到 memory/ 文件夹里。整个过程对用户完全无感：

会话进行中...    ↓上下文使用量接近阈值    ↓OpenClaw 检测到"快该压缩了"    ↓自动发送静默指令："现在把重要记忆写入文件"    ↓AI 执行写入（用户看不到）    ↓然后进行压缩

5.5 记忆刷新的配置（默认开启，一般不用动）

这套机制默认就是开的，大多数情况下你什么都不用改。只有当你想让它用更便宜的本地小模型、或者调整触发时机时，才需要动配置。

不用自己翻配置文件、记字段名——直接跟 AI 说：

你说："确认一下我的记忆刷新是不是开着的"

AI：开着的。openclaw.json 里 compaction.memoryFlush.enabled = true，触发阈值设在上下文用到 85% 时刷新，当前用的模型是 qwen-turbo。一切正常，不用动。

你说："把记忆刷新改成用本地小模型跑，省点 token"

AI：修改 memoryFlush.model 为你指定的模型，并重启生效

对应的配置段在 openclaw.json 中：

{  "agents": {    "defaults": {      "compaction": {        "memoryFlush": {          "enabled": true,               // 总开关（默认 true）          "softThresholdTokens": 6000,   // 压缩前提前多少 token 触发          "forceFlushTranscriptBytes": "2mb", // 转录文件多大时强制刷新          "model": "ollama/qwen3:8b",    // 可选：刷新专用模型，省 token          "systemPrompt": "会话即将压缩，把要长期记住的内容写入文件。"        }      }    }  }}

5.6 注意事项：这些坑别踩

💡 建议：保持默认开启。这能确保 AI 的重要记忆在压缩前不会丢失。

6. 错误检测与自动触发

记录的格式和复习的流程都讲完了。你可能会问：每次犯错都要手动处理吗？其实不用——AI 可以自己检测、自己记。

6.1 自动检测：什么情况该记录？

OpenClaw 的 AI 会在以下情况自动记录：

6.2 优先级：哪些错值得记，哪些可以忽略？

不是所有错都值得写进错题本。按优先级分级：

7. 从教训到技能

记录和检测都讲了。最后一步：教训攒多了，其中特别有用的那些，可以"毕业"——提升成可复用的技能。

7.1 什么时候应该提取为技能？

7.2 怎么把教训变成技能？

同样不用自己敲命令——直接跟 AI 说一句话就行：

你说："把'数据库查询必须用独立脚本'这条高频教训提取成一个可复用技能"

AI：检查记录是否满足提取条件，生成 SKILL.md，并把原记录标记为 promoted

第 4 章装的自我改进技能自带一个提取脚本，AI 会直接调用它：

# 确认教训记录满足提取条件后，运行提取脚本~/.openclaw/workspace/skills/self-improving-agent/scripts/extract-skill.sh my-skill# 脚本会自动：# 1. 新建技能目录 ~/.openclaw/skills/my-skill/# 2. 根据教训内容生成 SKILL.md# 3. 更新 .learnings 里对应记录的状态为 promoted

不想用脚本也简单——手动创建，或者直接让 AI 帮你生成 SKILL.md。技能怎么组织、怎么写（第 9 篇讲过的）这里不展开，重点是一句话：教训被验证有效，就该让它变成谁都能复用的技能。

8. 常见问题

最后回答几个大家常问的问题。

8.1 .learnings/ 文件夹在哪里？

默认在工作区目录下：

~/.openclaw/workspace/.learnings/├── LEARNINGS.md        ← 学习记录├── ERRORS.md           ← 错误记录└── FEATURE_REQUESTS.md ← 功能请求

装好自我改进技能后，让 AI 一句话就能初始化（见 4.1）。想手动创建也行：

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

8.2 怎么防止 .learnings/ 文件无限膨胀？

8.3 不同 Agent 之间能共享教训吗？

可以。 如果 .learnings/ 在共享的工作区路径下，所有 Agent 都能读取。

对于跨会话的教训传播，还可以使用：

8.4 自我改进会影响性能吗？

建议：完全无感，放心开启。

9. 总结

到第 18 篇，我们终于让 AI 拥有了"从错误中学习"的能力。

回顾一下：

一句话总结：自我改进 = AI 的错题本 + 经验提炼

自我改进 = AI 的错题本 = 从"金鱼记忆"变成"学霸体质"

18 篇，一个大里程碑：你的 AI 已经很能干了

从第 1 篇的"从零部署"到今天的"自我改进"——你的 AI 现在已经是一个完整的、能进化的、服务多人的、有记忆有技能有插件的智能体系统了。

💡 下一篇预告：《实战工作流》——18 篇能力融会贯通，从零搭建一个完整的个人 AI 助手！

👋 我是路人甲甲，公众号「AI 打怪升级」，专注 AI 工具实战。

觉得有用？点个在看，分享给需要的朋友。