continuous-learning

continuous-learning

热门

[已弃用 - 请使用 continuous-learning-v2] 旧版 v1 停止钩子技能提取器。v2 是严格超集,具备基于直觉、项目范围、钩子可靠的学习能力。请勿调用 v1;将持续学习、会话学习和模式提取请求路由到 continuous-learning-v2。

23万Star
3.5万Fork
更新于 2026/7/14
SKILL.md
readonly只读
name
continuous-learning
description

[已弃用 - 请使用 continuous-learning-v2] 旧版 v1 停止钩子技能提取器。v2 是严格超集,具备基于直觉、项目范围、钩子可靠的学习能力。请勿调用 v1;将持续学习、会话学习和模式提取请求路由到 continuous-learning-v2。

持续学习技能 - 已弃用

已于 2026-04-28 弃用。 请改用 continuous-learning-v2。v2 是严格超集:停止钩子观察变为 PreToolUse/PostToolUse 观察,完整技能变为带有置信度评分的原子直觉,全局存储变为项目范围加全局提升。

此文件保留用于存档参考和与现有安装的向后兼容。


原始 v1 文档(存档)

在 Claude Code 会话结束时自动评估,提取可重复使用的模式,并保存为学习技能。

何时激活

  • 设置从 Claude Code 会话中自动提取模式
  • 配置用于会话评估的停止钩子
  • 审查或整理 ~/.claude/skills/learned/ 中的学习技能
  • 调整提取阈值或模式类别
  • 比较 v1(此版本)与 v2(基于直觉)的方法

状态

此 v1 技能仍受支持,但 continuous-learning-v2 是新安装的首选路径。当您明确需要更简单的停止钩子提取流程或需要与旧版学习技能工作流兼容时,请保留 v1。

工作原理

此技能作为停止钩子在每个会话结束时运行:

  1. 会话评估:检查会话是否有足够消息(默认:10 条以上)
  2. 模式检测:从会话中识别可提取的模式
  3. 技能提取:将有价值的模式保存到 ~/.claude/skills/learned/

配置

编辑 config.json 进行自定义:

{
  "min_session_length": 10,
  "extraction_threshold": "medium",
  "auto_approve": false,
  "learned_skills_path": "~/.claude/skills/learned/",
  "patterns_to_detect": [
    "error_resolution",
    "user_corrections",
    "workarounds",
    "debugging_techniques",
    "project_specific"
  ],
  "ignore_patterns": [
    "simple_typos",
    "one_time_fixes",
    "external_api_issues"
  ]
}

模式类型

模式 描述
error_resolution 特定错误如何解决
user_corrections 来自用户纠正的模式
workarounds 框架/库问题的解决方案
debugging_techniques 有效的调试方法
project_specific 项目特定约定

钩子设置

添加到您的 ~/.claude/settings.json

{
  "hooks": {
    "Stop": [{
      "matcher": "*",
      "hooks": [{
        "type": "command",
        "command": "~/.claude/skills/continuous-learning/evaluate-session.sh"
      }]
    }]
  }
}

为什么使用停止钩子?

  • 轻量级:仅在会话结束时运行一次
  • 非阻塞:不会给每条消息增加延迟
  • 完整上下文:可访问完整会话记录

相关

  • 长篇指南 - 关于持续学习的部分
  • /learn 命令 - 在会话中手动提取模式

比较说明(研究:2025 年 1 月)

与 Homunculus 对比

Homunculus v2 采用了更复杂的方法:

特性 我们的方法 Homunculus v2
观察 停止钩子(会话结束) PreToolUse/PostToolUse 钩子(100% 可靠)
分析 主上下文 后台代理(Haiku)
粒度 完整技能 原子“直觉”
置信度 0.3-0.9 加权
演化 直接到技能 直觉 → 聚类 → 技能/命令/代理
共享 导出/导入直觉

来自 homunculus 的关键见解:

“v1 依赖技能进行观察。技能是概率性的——它们大约 50-80% 的时间会触发。v2 使用钩子进行观察(100% 可靠),并将直觉作为学习行为的原子单位。”

潜在的 v2 增强功能

  1. 基于直觉的学习 - 更小的原子行为,带有置信度评分
  2. 后台观察者 - Haiku 代理并行分析
  3. 置信度衰减 - 如果被反驳,直觉会失去置信度
  4. 领域标记 - 代码风格、测试、git、调试等
  5. 演化路径 - 将相关直觉聚类为技能/命令

参见:docs/continuous-learning-v2-spec.md 获取完整规范。