continuous-learning

# 持续学习技能（Continuous Learning Skill） 在会话结束时自动评估 Claude Code 会话（Sessions），以提取可保存为学习技能（Learned Skills）的可重用模式。 ## 工作原理 该技能作为 **停止钩子（Stop hook）** 在每个会话结束时运行： 1. **会话评估（Session Evaluation）**：检查会话是否有足够的消息（默认：10 条以上） 2. **模式检测（Pattern Detection）**：识别会话中可提取的模式 3. **技能提取（Skill Extraction）**：将有用的模式保存到 `~/.claude/skills/learned/` ## 配置 编辑 `config.json` 进行自定义： ```json { "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（Pattern） | 描述（Description） | |---------|-------------| | `error_resolution` | 特定错误的解决方式 | | `user_corrections` | 来自用户修正的模式 | | `workarounds` | 框架/库特有问题的变通方案 | | `debugging_techniques` | 有效的调试方法 | | `project_specific` | 项目特定的约定 | ## 钩子设置（Hook Setup） 添加到你的 `~/.claude/settings.json`： ```json { "hooks": { "Stop": [{ "matcher": "*", "hooks": [{ "type": "command", "command": "~/.claude/skills/continuous-learning/evaluate-session.sh" }] }] } } ``` ## 为什么使用停止钩子（Stop Hook）？ - **轻量级（Lightweight）**：在会话结束时运行一次 - **非阻塞（Non-blocking）**：不会给每条消息增加延迟 - **完整上下文（Complete context）**：可以访问完整的会话记录 ## 相关内容 - [长篇指南（The Longform Guide）](https://x.com/affaanmustafa/status/2014040193557471352) - 关于持续学习的部分 - `/learn` 命令 - 在会话中手动提取模式 --- ## 对比笔记（研究：2025年1月） ### vs Homunculus (github.com/humanplane/homunculus) Homunculus v2 采用了更复杂的方法： | 特性（Feature） | 我们的方法（Our Approach） | Homunculus v2 | |---------|--------------|---------------| | 观测（Observation） | 停止钩子（Stop hook，会话结束时） | PreToolUse/PostToolUse 钩子（100% 可靠） | | 分析（Analysis） | 主上下文（Main context） | 后台智能体（Background agent，Haiku） | | 粒度（Granularity） | 完整技能（Full skills） | 原子化的“本能（instincts）” | | 置信度（Confidence） | 无 | 0.3-0.9 加权 | | 演进（Evolution） | 直接转化为技能 | 本能（Instincts）→ 聚类（cluster）→ 技能/命令/智能体 | | 共享（Sharing） | 无 | 导出/导入本能 | **来自 homunculus 的关键洞察：** > “v1 依赖技能进行观测。技能是概率性的——它们的触发率约为 50-80%。v2 使用钩子进行观测（100% 可靠），并将本能（instincts）作为学习行为的原子单位。” ### 潜在的 v2 增强功能 1. **基于本能的学习（Instinct-based learning）** - 带有置信度评分的小型原子化行为 2. **后台观测器（Background observer）** - 并行分析的 Haiku 智能体 3. **置信度衰减（Confidence decay）** - 如果出现矛盾，本能将失去置信度 4. **领域标签（Domain tagging）** - 代码风格（code-style）、测试（testing）、git、调试（debugging）等 5. **演进路径（Evolution path）** - 将相关的本能聚类为技能/命令 参见：`/Users/affoon/Documents/tasks/12-continuous-learning-v2.md` 以获取完整规范。 --- > Source: [codelably/harmony-claude-code](https://github.com/codelably/harmony-claude-code) — distributed by [TomeVault](https://tomevault.io). <!-- tomevault:4.0:skill_md:2026-07-16 -->