con un clic
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。
Instalar con Codex o Claude Copia este prompt, pégalo en Codex, Claude u otro asistente, y deja que revise la página de la skill y la instale por ti.
Menú
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。
Instalar con Codex o Claude Copia este prompt, pégalo en Codex, Claude u otro asistente, y deja que revise la página de la skill y la instale por ti.
Basado en la clasificación ocupacional SOC
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。