continuous-learning-v2

name	continuous-learning-v2
description	一种基于本能（Instinct）的训练系统，通过钩子（Hooks）观察会话，创建带有置信度评分的原子化本能，并将其进化为技能（Skills）、命令（Commands）或智能体（Agents）。
version	2.0.0

持续学习（Continuous Learning）v2 - 基于本能（Instinct）的架构

这是一款先进的学习系统，能够通过带有置信度评分的小型已学习行为——“本能（Instinct）”，将 Claude Code 会话转化为可重用的知识。

v2 新特性

特性	v1	v2
观察（Observation）	Stop 钩子（会话结束时）	PreToolUse/PostToolUse（100% 可靠性）
分析	主上下文（Main Context）	后台智能体（Background Agent, Haiku）
粒度	完整的技能（Skill）	原子化“本能（Instinct）”
置信度	无	0.3-0.9 加权
进化	直接转化为技能	本能 → 聚类 → 技能/命令/智能体
共享	无	本能导出/导入

本能模型（Instinct Model）

本能（Instinct）是小型且已学习的行为：

---
id: prefer-functional-style
trigger: "when writing new functions"
confidence: 0.7
domain: "code-style"
source: "session-observation"
---

# 优先使用函数式风格

## Action
在合适的情况下，优先使用函数式模式而非类（Class）。

## Evidence
- 观察到 5 次优先使用函数式模式
- 用户在 2025-01-15 将基于类的方法修正为函数式

属性：

• 原子化（Atomic） — 一个触发器，一个动作。
• 置信度加权（Confidence Weighting） — 0.3 = 暂定，0.9 = 几乎确定。
• 领域标签（Domain Tagged） — 如 code-style、testing、git、debugging、workflow 等。
• 基于证据（Evidence-based） — 跟踪创建该本能的观察记录。

工作原理

会话活动（Session Activity）
      │
      │ 钩子捕获提示词 + 工具调用（100% 可靠性）
      ▼
┌─────────────────────────────────────────┐
│         observations.jsonl              │
│   (prompts, tool calls, outcomes)       │
└─────────────────────────────────────────┘
      │
      │ 观察者智能体（Observer Agent）读取（后台运行，Haiku）
      ▼
┌─────────────────────────────────────────┐
│              模式检测                   │
│   • 用户修正 → 本能                     │
│   • 错误解决 → 本能                     │
│   • 重复工作流 → 本能                   │
└─────────────────────────────────────────┘
      │
      │ 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. 启用观察钩子（Observation Hooks）

添加到 ~/.claude/settings.json 中。

作为插件安装时（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"
      }]
    }]
  }
}

在 ~/.claude/skills 中手动安装时：

{
  "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，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. 使用本能命令

/instinct-status     # 显示带有置信度评分的已学习本能
/evolve              # 将相关的本能聚类为技能/命令
/instinct-export     # 导出本能以便共享
/instinct-import     # 从他人处导入本能

命令（Commands）

命令	说明
/instinct-status	显示所有已学习的本能及其置信度
/evolve	将相关的本能聚类为技能/命令
/instinct-export	导出本能以便共享
/instinct-import <file>	从他人处导入本能

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           # 个人资料、技术水平
├── observations.jsonl      # 当前会话观察记录
├── observations.archive/   # 已处理的观察记录
├── instincts/
│   ├── personal/           # 自动学习的本能
│   └── inherited/          # 从他人处导入的本能
└── evolved/
    ├── agents/             # 生成的专项智能体
    ├── skills/             # 生成的技能
    └── commands/           # 生成的命令

与 Skill Creator 的集成

使用 Skill Creator GitHub App 会同时生成：

• 传统的 SKILL.md 文件（用于向后兼容）
• 本能集合（用于 v2 学习系统）

来自仓库分析的本能会带有 source: "repo-analysis" 标记，并包含源仓库 URL。

置信度评分（Confidence Scoring）

置信度会随着时间进化：

分数	含义	行为
0.3	暂定	会被建议但不会强制执行
0.5	中等	在相关情况下应用
0.7	强	应用会被自动批准
0.9	几乎确定	核心行为

置信度提升的情况：

• 模式被重复观察到。
• 用户未对建议的行为进行修正。
• 来自其他源的类似本能匹配。

置信度下降的情况：

• 用户显式修正了行为。
• 长期未观察到该模式。
• 出现了矛盾的证据。

为什么在观察中使用钩子（Hooks）而不是技能（Skills）？

“v1 依赖于技能进行观察。技能是概率性的，根据 Claude 的判断，其触发概率约为 50-80%。”

钩子（Hooks）是100% 确定性触发的。这意味着：

• 所有的工具调用都会被观察到。
• 模式不会被遗漏。
• 学习是全面的。

向后兼容性

v2 与 v1 完全兼容：

• 现有的 ~/.claude/skills/learned/ 技能仍然有效。
• Stop 钩子仍然会运行（但也会为 v2 提供数据）。
• 平滑迁移路径：支持两者并行运行。

隐私（Privacy）

• 观察记录保留在机器本地。
• 仅可导出本能（模式）。
• 实际的代码或对话内容不会被共享。
• 你可以控制导出的内容。

相关链接

• Skill Creator - 从仓库历史生成本能。
• Homunculus - v2 架构的灵感来源（原子化观察、置信度评分、本能进化流水线）。
• The Longform Guide - 持续学习章节。

---

基于本能的学习：一次一次地观察，教会 Claude 你的模式。