| name | continuous-learning-v2 |
| description | 基于直觉（Instinct）的学习系统，通过钩子（Hooks）观测会话，创建带有置信度评分（Confidence Scoring）的原子直觉，并将其演进为技能（Skills）、命令（Commands）或智能体（Agents）。 |
| version | 2.0.0 |
持续学习 v2 - 基于直觉的架构（Instinct-Based Architecture）
这是一个先进的学习系统，通过原子化“直觉（Instincts）”——即带有置信度评分的小型习得行为，将你的 Claude Code 会话转化为可复用的知识。
v2 版本新特性
| 特性 | v1 | v2 |
|---|
| 观测（Observation） | Stop 钩子（会话结束时） | PreToolUse/PostToolUse (100% 可靠) |
| 分析（Analysis） | 主上下文（Main context） | 后台智能体 (Haiku) |
| 粒度（Granularity） | 完整技能（Full skills） | 原子化“直觉（Instincts）” |
| 置信度（Confidence） | 无 | 0.3-0.9 加权评分 |
| 演进（Evolution） | 直接转化为技能 | 直觉 → 聚类 → 技能/命令/智能体 |
| 共享（Sharing） | 无 | 导出/导入直觉 |
直觉模型（The Instinct Model）
直觉（Instinct）是一种小型习得行为：
---
id: prefer-functional-style
trigger: "when writing new functions"
confidence: 0.7
domain: "code-style"
source: "session-observation"
---
在合适的情况下，优先使用函数式模式（Functional Patterns）而非类（Classes）。
- 观测到 5 次函数式模式偏好实例
- 用户在 2025-01-15 将基于类的方法修正为函数式方法
属性：
- 原子化（Atomic） — 一个触发器对应一个动作
- 置信度加权（Confidence-weighted） — 0.3 = 尝试性的，0.9 = 近乎确定
- 领域标签（Domain-tagged） — 代码风格（code-style）、测试（testing）、git、调试（debugging）、工作流（workflow）等
- 证据支持（Evidence-backed） — 追踪是哪些观测结果创建了它
工作原理
会话活动（Session Activity）
│
│ 钩子（Hooks）捕获提示词 + 工具使用 (100% 可靠)
▼
┌─────────────────────────────────────────┐
│ observations.jsonl │
│ (提示词、工具调用、执行结果) │
└─────────────────────────────────────────┘
│
│ 观测者智能体读取 (后台运行, Haiku)
▼
┌─────────────────────────────────────────┐
│ 模式检测（PATTERN DETECTION） │
│ • 用户修正 → 直觉 │
│ • 错误解决 → 直觉 │
│ • 重复工作流 → 直觉 │
└─────────────────────────────────────────┘
│
│ 创建/更新
▼
┌─────────────────────────────────────────┐
│ instincts/personal/ │
│ • prefer-functional.md (0.7) │
│ • always-test-first.md (0.9) │
│ • use-zod-validation.md (0.6) │
└─────────────────────────────────────────┘
│
│ /evolve 聚类
▼
┌─────────────────────────────────────────┐
│ evolved/ │
│ • commands/new-feature.md │
│ • skills/testing-workflow.md │
│ • agents/refactor-specialist.md │
└─────────────────────────────────────────┘
快速入门
1. 启用观测钩子（Observation Hooks）
将以下内容添加到你的 ~/.claude/settings.json 中。
如果作为插件安装（推荐）：
{
"hooks": {
"PreToolUse": [{
"matcher": "*",
"hooks": [{
"type": "command",
"command": "${CLAUDE_PLUGIN_ROOT}/skills/continuous-learning-v2/hooks/observe.sh pre"
}]
}],
"PostToolUse": [{
"matcher": "*",
"hooks": [{
"type": "command",
"command": "${CLAUDE_PLUGIN_ROOT}/skills/continuous-learning-v2/hooks/observe.sh post"
}]
}]
}
}
如果手动安装到 ~/.claude/skills：
{
"hooks": {
"PreToolUse": [{
"matcher": "*",
"hooks": [{
"type": "command",
"command": "~/.claude/skills/continuous-learning-v2/hooks/observe.sh pre"
}]
}],
"PostToolUse": [{
"matcher": "*",
"hooks": [{
"type": "command",
"command": "~/.claude/skills/continuous-learning-v2/hooks/observe.sh post"
}]
}]
}
}
2. 初始化目录结构
Python CLI 会自动创建这些目录，但你也可以手动创建：
mkdir -p ~/.claude/homunculus/{instincts/{personal,inherited},evolved/{agents,skills,commands}}
touch ~/.claude/homunculus/observations.jsonl
3. 使用直觉命令
/instinct-status
/evolve
/instinct-export
/instinct-import
命令（Commands）
| 命令 | 描述 |
|---|
/instinct-status | 显示所有已习得的直觉及置信度 |
/evolve | 将相关的直觉聚类为技能/命令 |
/instinct-export | 导出直觉以便分享 |
/instinct-import <file> | 从他人处导入直觉 |
配置（Configuration）
编辑 config.json：
{
"version": "2.0",
"observation": {
"enabled": true,
"store_path": "~/.claude/homunculus/observations.jsonl",
"max_file_size_mb": 10,
"archive_after_days": 7
},
"instincts": {
"personal_path": "~/.claude/homunculus/instincts/personal/",
"inherited_path": "~/.claude/homunculus/instincts/inherited/",
"min_confidence": 0.3,
"auto_approve_threshold": 0.7,
"confidence_decay_rate": 0.05
},
"observer": {
"enabled": true,
"model": "haiku",
"run_interval_minutes": 5,
"patterns_to_detect": [
"user_corrections",
"error_resolutions",
"repeated_workflows",
"tool_preferences"
]
},
"evolution": {
"cluster_threshold": 3,
"evolved_path": "~/.claude/homunculus/evolved/"
}
}
文件结构
~/.claude/homunculus/
├── identity.json # 你的个人资料、技术水平
├── observations.jsonl # 当前会话观测结果
├── observations.archive/ # 已处理的观测结果
├── instincts/
│ ├── personal/ # 自动习得的直觉
│ └── inherited/ # 从他人处导入的直觉
└── evolved/
├── agents/ # 生成的专家智能体
├── skills/ # 生成的技能
└── commands/ # 生成的命令
与 Skill Creator 集成
当你使用 Skill Creator GitHub App 时，它现在会同时生成：
- 传统的 SKILL.md 文件（用于向下兼容）
- 直觉集合（用于 v2 学习系统）
来自仓库分析的直觉具有 source: "repo-analysis" 属性，并包含源仓库 URL。
置信度评分（Confidence Scoring）
置信度随时间演进：
| 分数 | 含义 | 行为 |
|---|
| 0.3 | 尝试性的（Tentative） | 建议但不强制执行 |
| 0.5 | 中等（Moderate） | 在相关时应用 |
| 0.7 | 强（Strong） | 自动批准应用 |
| 0.9 | 近乎确定（Near-certain） | 核心行为 |
置信度增加的情况：
- 模式被重复观测到
- 用户没有修正建议的行为
- 来自其他来源的类似直觉达成一致
置信度降低的情况：
- 用户明确修正了该行为
- 模式长时间未被观测到
- 出现矛盾的证据
为什么使用钩子（Hooks）而非技能（Skills）进行观测？
"v1 依赖技能进行观测。技能具有概率性——根据 Claude 的判断，其触发率约为 50-80%。"
钩子（Hooks）的触发是 100% 确定性的。这意味着：
- 每一个工具调用都会被观测到
- 不会遗漏任何模式
- 学习是全面的
向下兼容性
v2 完全兼容 v1：
- 现有的
~/.claude/skills/learned/ 技能仍然有效
- Stop 钩子仍然运行（但现在也会为 v2 提供输入）
- 渐进式迁移路径：两者并行运行
隐私（Privacy）
- 观测结果保存在你本地机器上
- 只有直觉（模式）可以被导出
- 不会分享实际的代码或对话内容
- 你可以控制导出的内容
相关链接
基于直觉的学习：通过每一次观测，教会 Claude 你的模式。
