continuous-learning

name	continuous-learning
description	自动从OpenAI Codex会话中提取可重复使用的模式，并将其保存为学习到的技能以供将来使用。
origin	ecc

持续学习技能

自动评估 OpenAI Codex 会话的结尾，以提取可重用的模式，这些模式可以保存为学习到的技能。

何时激活

• 设置从 OpenAI Codex 会话中自动提取模式
• 为会话评估配置停止钩子
• 在 ~/.codex/skills/learned/ 中审查或整理已学习的技能
• 调整提取阈值或模式类别
• 比较 v1（本方法）与 v2（基于本能的方法）

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：检查会话是否包含足够多的消息（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：将有用的模式保存到 ~/.codex/skills/learned/

配置

编辑 config.json 以进行自定义：

{
  "min_session_length": 10,
  "extraction_threshold": "medium",
  "auto_approve": false,
  "learned_skills_path": "~/.codex/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	特定错误是如何解决的
user_corrections	来自用户纠正的模式
workarounds	框架/库特殊性的解决方案
debugging_techniques	有效的调试方法
project_specific	项目特定的约定

钩子设置

添加到你的 ~/.codex/settings.json 中：

{
  "hooks": {
    "Stop": [{
      "matcher": "*",
      "hooks": [{
        "type": "command",
        "command": "~/.codex/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：可以访问完整的会话记录

相关

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

---

对比说明（研究：2025年1月）

与 Homunculus 的对比

Homunculus v2 采用了更复杂的方法：

功能	我们的方法	Homunculus v2
观察	停止钩子（会话结束时）	PreToolUse/PostToolUse 钩子（100% 可靠）
分析	主上下文	后台代理 (Fast)
粒度	完整技能	原子化的“本能”
置信度	无	0.3-0.9 加权
演进	直接到技能	本能 → 集群 → 技能/命令/代理
共享	无	导出/导入本能

来自 homunculus 的关键见解：

"v1 依赖技能来观察。技能是概率性的——它们触发的概率约为 50-80%。v2 使用钩子进行观察（100% 可靠），并以本能作为学习行为的原子单元。"

潜在的 v2 增强功能

1. 基于本能的学习 - 更小、原子化的行为，附带置信度评分
2. 后台观察者 - Fast 代理并行分析
3. 置信度衰减 - 如果被反驳，本能会降低置信度
4. 领域标记 - 代码风格、测试、git、调试等
5. 演进路径 - 将相关本能聚类为技能/命令

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