بنقرة واحدة
continuous-learning
自动从 Claude Code 会话中提取可重用模式,并将其保存为 learned skills 供将来使用。
التثبيت باستخدام Codex أو Claude انسخ هذا Prompt والصقه في Codex أو Claude أو مساعد آخر ليراجع صفحة Skill ويثبّتها لك.
القائمة
自动从 Claude Code 会话中提取可重用模式,并将其保存为 learned skills 供将来使用。
التثبيت باستخدام Codex أو Claude انسخ هذا Prompt والصقه في Codex أو Claude أو مساعد آخر ليراجع صفحة Skill ويثبّتها لك.
استنادا إلى تصنيف SOC المهني
Kubernetes 工作负载模式、资源管理、RBAC、probes、autoscaling、ConfigMap/Secret 处理,以及面向生产级部署的 kubectl 调试。
完成任何非平凡任务后使用。智能体按 5 个维度自评输出——准确性、完整性、清晰度、可执行性、简洁性——每项都给出具体证据。生成结构化 1-5 评分卡和具体改进建议。
在 competitive-platform-analysis 产出分层竞品集合后使用。按九个加权维度(定位、声音、视觉工艺、offer packaging、证据、enterprise-readiness、thought leadership、定价、客户 strategic tension)为每个竞品评分,使用明确 1–5 rubrics 和 tension-plot。位于 competitive-report-structure 之前。
当品牌需要通过结构化多会话访谈发现或表达身份时使用。通过 laddering、5 Whys 和 projective techniques,覆盖目的、定位、受众、个性、声音、叙事以及 founder-brand 张力 8 个模块。产出可恢复 session、磁盘持久化状态和 master brandbook(90_SYNTHESIS.md)。
通过 CodeScene MCP 提供实时结构性 Code Health——编辑前审查,变更后验证分数变化,门控 commit 和 PR。用于代码质量审查、重构、检查 AI 变更是否降低文件质量,或 commit/PR 前。
用于界定竞争 landscape:在任何 benchmark 开始前,识别、分类并用分数过滤竞品集合。决定谁算竞品、属于哪个 tier、应挖哪些来源。三技能竞争分析流水线第一步;位于 benchmark-methodology 之前。
| name | continuous-learning |
| description | 自动从 Claude Code 会话中提取可重用模式,并将其保存为 learned skills 供将来使用。 |
| origin | ECC |
自动在结束时评估 Claude Code 会话,以提取可重用模式并将其保存为 learned skills。
此技能作为 Stop hook 在每个会话结束时运行:
~/.claude/skills/learned/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"
]
}
| Pattern | Description |
|---|---|
error_resolution | 特定错误是如何解决的 |
user_corrections | 来自用户纠正的模式 |
workarounds | 框架/库怪癖的解决方案 |
debugging_techniques | 有效的调试方法 |
project_specific | 项目特定约定 |
添加到你的 ~/.claude/settings.json:
{
"hooks": {
"Stop": [{
"matcher": "*",
"hooks": [{
"type": "command",
"command": "~/.claude/skills/continuous-learning/evaluate-session.sh"
}]
}]
}
}
/learn 命令 - 会话中手动提取模式Homunculus v2 采取了更复杂的方法:
| Feature | Our Approach | Homunculus v2 |
|---|---|---|
| 观察 (Observation) | Stop hook (会话结束) | PreToolUse/PostToolUse hooks (100% 可靠) |
| 分析 (Analysis) | 主上下文 | 后台 agent (Haiku) |
| 粒度 (Granularity) | 完整技能 | 原子 "instincts" (本能) |
| 置信度 (Confidence) | 无 | 0.3-0.9 加权 |
| 演进 (Evolution) | 直接从 skill | Instincts → cluster → skill/command/agent |
| 共享 (Sharing) | 无 | 导出/导入 instincts |
来自 homunculus 的关键见解:
"v1 依靠技能进行观察。技能是概率性的——它们大约 50-80% 的时间触发。v2 使用 hooks 进行观察(100% 可靠)并将 instincts 作为学习行为的原子单位。"
参见: /Users/affoon/Documents/tasks/12-continuous-learning-v2.md 获取完整规范。