Self-Improving Agent是一款让AI Agent从错误中学习、在经验中成长的轻量级自我改进框架，ClawHub评分第一，零外部依赖。
Self-Improving Agent【自我改进Skill】Self-Improving Agent是ClawHub平台上评分最高的技能之一，由开发者pskoett创建和维护，目前拥有132颗星标，稳居ClawHub Skills排行榜首位。核心定位是一个轻量级自主学习框架，通过模拟人类的认知学习过程——捕获学习成果、记录错误教训、提取改进建议——让AI Agent能够从每一次交互中持续学习和优化。
与同类产品的全功能进化引擎定位不同，Self-Improving Agent刻意保持极简设计，不追求复杂的代码自动修改或网络协作，而是专注于做好一件事——让Agent学会从经验中成长。这种”简单即有效”的设计哲学使其成为个人用户和小型团队的理想选择，无需复杂配置和维护投入，却能带来实实在在的体验改善。
Self-Improving Agent通过错误检测器实时捕获工具调用失败，文件系统型记忆系统持久化学习内容，技能脚手架生成器自动创建可复用技能，提醒激活器智能注入历史经验。核心运行于OpenClaw钩子系统，零外部依赖，纯文本存储，为AI Agent提供持续自我进化的基础能力。
在日常使用AI Agent的过程中，用户经常会遇到以下痛点：
重复犯同样的错误： 传统Agent无法记住历史错误，导致在相似场景下反复出现相同的失误。例如，Agent可能多次忘记在git commit前检查暂存区状态，或者在特定文件路径下反复出现权限问题。
无法积累有效经验： 每个新会话都是”从零开始”，Agent无法将成功的任务处理模式固化为可复用的工作流程。用户每次都需要重新指导Agent熟悉项目结构和偏好设置。
用户偏好丢失： Agent无法记住用户的个人偏好（如代码风格偏好、文档格式要求等），每次交互都需要重新说明，降低效率。
错误上下文缺失： 当Agent执行失败时，调试信息往往不够完整，用户难以快速定位问题根因。
Self-Improving Agent正是为解决这些问题而生。它通过轻量级的文件系统存储，将学习内容组织为可读的Markdown文档，让Agent能够跨会话访问历史经验，实现真正的”持续学习”。
根据ClawHub平台数据：
GitHub仓库数据显示：
Self-Improving Agent的核心运行机制建立在OpenClaw的**钩子系统（Hooks System）**之上，通过三种主要钩子实现自动化学习流程：
PostToolUse钩子： 每次工具调用完成后触发，用于错误检测。当Agent的工具调用返回失败结果时，错误检测器自动分析失败原因，将错误信息记录到.learnings/ERRORS.md文件中，并尝试理解错误的本质和正确解决方向。
UserPromptSubmit钩子： 用户消息提交给AI前触发，用于注入学习提醒。系统在消息处理前检索与当前任务相关的历史学习内容，在适当时机向Agent注入相关提醒，帮助Agent在决策过程中考虑历史经验。
Reminders钩子： 生成周期性提醒任务，确保Agent定期回顾学习内容。这一机制模拟了人类的”定期复盘”习惯，让Agent不会因为时间推移而遗忘重要的经验教训。
整个系统采用事件驱动架构，各组件之间通过文件系统进行通信，解耦程度高，易于理解和维护。当某个组件检测到需要学习的事件时，它只需要写入对应的Markdown文件，其他组件会自动感知并做出响应。
**错误检测器（Error Detector）**是Self-Improving Agent的第一道学习机制，能够实时监控Agent的工具调用输出，自动识别执行过程中的失败和错误。系统不仅记录错误本身，还会尝试理解错误的本质和正确解决方向。
错误检测器充分利用OpenClaw的PostToolUse钩子机制，在工具执行后自动捕获信息。内置多种常见错误模式识别，包括但不限于：
| 错误类型 | 示例 | 检测方式 |
|---|---|---|
| 命令语法错误 | git commit -m”missing quote | 正则匹配语法特征 |
| 文件路径问题 | No such file or directory | 路径存在性验证 |
| 权限不足 | Permission denied | 系统错误码识别 |
| 网络超时 | Connection timeout | 超时时间检测 |
| 依赖缺失 | module not found | npm/node错误解析 |
当检测到错误时，系统会自动执行以下流程：
.learnings/ERRORS.md，附带解决建议Self-Improving Agent采用文件系统基础的记忆存储方案，将学习内容保存在.learnings/目录下。这种设计避免了数据库依赖，降低了系统复杂度，同时保证了数据的可读性和可移植性。
记忆系统自动组织为几个核心类别：
.learnings/LEARNINGS.md（经验教训）： 记录从成功和失败案例中学到的具体知识。根据内容类型进一步细分为：
.learnings/ERRORS.md（错误记录）： 专门记录命令失败和集成错误，包括：
.learnings/FEATURE_REQUESTS.md（功能请求）： 记录用户请求但当前无法实现的功能：
**技能脚手架生成器（Extract-Skill）**是Self-Improving Agent的亮点功能之一。当Agent发现某个任务或工作流值得固化为可复用技能时，此功能自动触发。
工作流程如下：
生成的技能脚手架包括：
这一功能极大降低了创建自定义技能的门槛，让用户无需从头了解OpenClaw技能规范，即可快速将个人工作流程固化为可复用的技能。
**提醒激活器（Activator）**是Self-Improving Agent的第四个核心组件，负责在适当时机向Agent注入相关学习提醒。
系统会根据当前任务上下文智能选择最相关的学习内容：
提醒激活器支持多种触发模式：
Self-Improving Agent的另一个重要能力是支持跨会话的知识传递。通过OpenClaw提供的会话管理工具，Agent能够：
这一机制使得学习内容能够在多个会话之间流动。当用户在主会话中获得重要经验后，可以通过sessions_send将其传递给其他会话，实现团队级别的知识共享。
功能一：错误实时捕获与分类
功能二：学习内容持久化存储
功能三：智能提醒注入
功能四：技能脚手架自动生成
功能五：学习内容提升机制
功能六：跨会话知识共享
特点一：零外部依赖Self-Improving Agent是真正的”零依赖”技能，仅需要Node.js运行时即可运行。这使其成为极少数不需要任何外部服务或云端支持的AI学习框架之一。用户无需注册API Key、无需配置云存储、无需连接外部服务，即可享受完整的学习功能。
这种设计哲学体现了开发者的”最小惊讶原则”——系统行为完全可预测，不会有任何隐藏的网络流量或外部依赖带来的不确定性。
特点二：纯文本存储所有学习内容以Markdown格式存储在.learnings/目录下。这意味着：
特点三：最小权限原则系统只请求完成功能所必需的权限，不要求网络访问、文件系统完全访问或其他可能影响安全的特殊权限。这使得Self-Improving Agent成为少数能够在企业环境中安全部署的AI学习框架之一。
特点四：渐进式学习不同于追求”一次性解决所有问题”的复杂系统，Self-Improving Agent采用渐进式学习策略：
特点五：高度可组合Self-Improving Agent被设计为”可组合单元”，可以：
根据SKILL.md文档，Self-Improving Agent主要支持以下平台：
建议使用最新版本的OpenClaw以获得最佳体验和完整的钩子支持。
在安装Self-Improving Agent之前，请确保满足以下条件：
系统要求：
知识准备：
方法一：通过ClawdHub安装（推荐）
ClawdHub是OpenClaw的包管理工具，提供简化的安装体验：
# 安装ClawdHub（如果尚未安装）
npm install -g clawdhub
# 安装Self-Improving Agent
clawdhub install self-improving-agent
这种方法会自动处理依赖关系，并在安装完成后提供配置指导。
方法二：手动克隆安装
对于高级用户或离线环境，可以手动克隆仓库：
# 克隆仓库到OpenClaw技能目录
git clone https://github.com/pskoett/self-improving-agent.git ~/.openclaw/skills/self-improving-agent
# 进入目录
cd ~/.openclaw/skills/self-improving-agent
# 查看安装说明
cat README.md
方法三：通过OpenClaw CLI安装
使用OpenClaw命令行工具：
# 列出可用技能
openclaw skills list
# 安装Self-Improving Agent
openclaw skills install self-improving-agent
安装完成后，需要进行初始配置以启用完整功能：
步骤一：创建学习目录
# 在工作区根目录创建学习目录
mkdir -p ~/.openclaw/workspace/.learnings
# 或在当前项目目录创建
mkdir -p .learnings
步骤二：初始化学习文件
系统会自动检测缺失的文件并提示创建，也可以在SKILL.md中找到文件模板：
# LEARNINGS.md模板
mkdir -p .learnings
[ -f .learnings/LEARNINGS.md ] || printf "# Learnings\n\nCorrections, insights, and knowledge gaps captured during development.\n\n**Categories**: correction | insight | knowledge_gap | best_practice\n\n---\n" > .learnings/LEARNINGS.md
# ERRORS.md模板
[ -f .learnings/ERRORS.md ] || printf "# Errors\n\nCommand failures and integration errors.\n\n---\n" > .learnings/ERRORS.md
# FEATURE_REQUESTS.md模板
[ -f .learnings/FEATURE_REQUESTS.md ] || printf "# Feature Requests\n\nCapabilities requested by the user.\n\n---\n" > .learnings/FEATURE_REQUESTS.md
步骤三：启用钩子（可选但推荐）
要启用自动错误检测和提醒注入，需要启用OpenClaw钩子：
# 复制钩子文件到OpenClaw钩子目录
cp -r hooks/openclaw ~/.openclaw/hooks/self-improvement
# 启用钩子
openclaw hooks enable self-improvement
步骤四：验证安装
验证安装是否成功：
# 检查文件是否存在
ls -la ~/.openclaw/skills/self-improving-agent/
# 检查钩子状态
openclaw hooks list
场景一：自动错误记录
当Agent的工具调用失败时，错误检测器会自动捕获并记录：
用户：请帮我创建一个名为"test-project"的新React项目
Agent：执行命令 npx create-react-app test-project
结果：ERROR - command not found: npx
此时系统会自动将错误记录到.learnings/ERRORS.md：
# Errors
## [时间戳] npx command not found
**错误类型：** 命令不存在
**错误输出：** command not found: npx
**可能原因：** Node.js未安装或PATH配置不正确
**解决建议：**
1. 检查Node.js是否正确安装
2. 确认npx在系统PATH中
3. 考虑使用npm代替或安装create-react-app全局包
场景二：手动记录学习
用户也可以主动触发学习记录：
用户：以后创建React项目时，请先检查Node.js是否安装
Agent：理解，我会将这个规则添加到学习记录中
系统会更新.learnings/LEARNINGS.md：
## [时间戳] React项目创建前检查
**类型：** best_practice
**内容：** 创建React项目前应先验证Node.js环境
**应用场景：** 用户请求创建新的前端项目时
场景三：触发技能生成
当Agent识别到值得复用的工作流时：
用户：帮我把这个数据处理流程固化为一个技能
Agent：我会使用extract-skill工具为你创建技能脚手架
场景四：主动回顾
用户：回顾一下我们之前学到的所有关于Git的最佳实践
Agent：（检索LEARNINGS.md中的best_practice类别，整理后呈现）
配置一：自定义触发条件
通过修改钩子配置文件，可以自定义触发条件：
# 编辑钩子配置
nano ~/.openclaw/hooks/self-improvement/config.json
配置二：调整学习内容提升规则
编辑SKILL.md中的提升规则，决定哪些学习内容应自动提升到Workspace级文件：
| Learning Type | Promote To | Example |
|---------------|------------|---------|
| Behavioral patterns | `SOUL.md` | "Be concise" |
| Workflow improvements | `AGENTS.md` | "Spawn sub-agents" |
| Tool gotchas | `TOOLS.md` | "Git push needs auth" |
配置三：设置提醒频率
通过OpenClaw配置调整自动提醒的触发频率：
{
"self-improvement": {
"reminderInterval": "1h",
"maxRemindersPerSession": 5
}
}
| 资源类型 | 地址 |
|---|---|
| ClawHub主页 | https://clawhub.ai/pskoett/self-improving-agent |
| GitHub仓库 | https://github.com/pskoett/self-improving-agent |
| GitHub SKILL.md | https://github.com/pskoett/self-improving-agent/blob/master/SKILL.md |
| 安装命令 | clawdhub install self-improving-agent |
| 手动安装 | git clone https://github.com/pskoett/self-improving-agent.git ~/.openclaw/skills/ |
| 资源类型 | 地址 |
|---|---|
| OpenClaw官网 | https://openclaw.ai |
| ClawHub平台 | https://clawhub.ai |
| OpenClaw文档 | https://docs.openclaw.ai |
| pskoett主页 | https://github.com/pskoett |
根据GitHub提交记录，Self-Improving Agent经历了以下主要更新：
| 版本 | 更新时间 | 主要更新内容 |
|---|---|---|
| v1.0 | 2024年初 | 初始版本发布 |
| v1.1 | 2024年中 | 新增Extract-Skill功能 |
| v1.2 | 2024年末 | 优化错误检测准确性 |
| v1.3 | 2025年初 | 增加Remind钩子支持 |
| v1.4 | 2025年中 | 修复安全扫描问题，完善文档 |
| 对比维度 | Self-Improving Agent | Capability Evolver | Reflexion | RAG系统 |
|---|---|---|---|---|
| 开发者 | pskoett | VoltAgent | Shibo Zhao | Various |
| ClawHub星标 | 132（第一） | 35K+下载 | N/A | N/A |
| 依赖复杂度 | 零依赖 | 中等依赖 | 需LangChain | 需要向量数据库 |
| 存储方式 | Markdown文件 | JSON+文件 | 内存+日志 | 向量数据库 |
| 学习速度 | 即时 | 批量处理 | 迭代式 | 检索增强 |
| 错误检测 | 自动钩子 | 手动触发 | 反射机制 | 无 |
| 技能生成 | 自动脚手架 | 代码修改 | 无 | 无 |
| 安装难度 | 简单 | 中等 | 复杂 | 复杂 |
| 适用场景 | 个人/小型团队 | 大型企业 | 研究用途 | 大型企业 |
| 维护成本 | 低 | 中 | 高 | 高 |
| 数据隐私 | 完全本地 | 部分云端 | 本地 | 取决于部署 |
Capability Evolver
Capability Evolver是另一个广受欢迎的OpenClaw学习技能，由VoltAgent开发。它采用全功能进化引擎的定位，提供更全面的代码自动修改能力。
优势：
劣势：
适用场景建议：
Reflexion
Reflexion是一个基于LangChain的AI自我反思框架，通过语言反馈实现自我改进。
优势：
劣势：
适用场景建议：
RAG系统
检索增强生成（Retrieval-Augmented Generation）系统是另一种实现AI学习的方案，通过向量数据库存储和检索知识。
优势：
劣势：
适用场景建议：
基于以上分析，我们推荐选择Self-Improving Agent的场景包括：
场景一：个人用户和小型团队
场景二：追求简单有效的团队
场景三：教育和学习用途
场景描述：张明是一名全栈开发工程师，日常使用OpenClaw作为编程助手。他经常需要在多个项目间切换，每个项目有不同的代码规范和配置要求。
问题痛点：
使用Self-Improving Agent后：
张明安装Self-Improving Agent后，系统自动记录：
三个月后，张明反馈：
“现在切换项目只需要几分钟就能让AI助手’想起’项目规范，效率提升明显。有一次AI助手自动提醒我某个API已经废弃，并建议了替代方案，避免了一个潜在的bug。”
量化收益：
场景描述：某创业公司的技术团队有5名成员，人员流动率较高。新成员入职时需要较长时间熟悉项目结构和开发规范。
问题痛点：
使用Self-Improving Agent后：
团队在Slack频道中部署了OpenClaw + Self-Improving Agent：
实际效果：
场景描述：某DevOps工程师管理着20+微服务实例，日常需要处理各种部署和运维问题。
问题痛点：
使用Self-Improving Agent后：
Self-Improving Agent自动记录：
实际效果：
场景描述：某内容创作者使用AI助手辅助撰写技术博客和文档。
问题痛点：
使用Self-Improving Agent后：
系统自动记录：
量化收益：
价值一：降低重复错误率
Self-Improving Agent的核心价值在于帮助用户避免重复犯同样的错误。通过自动记录和分析错误模式，系统能够在类似场景出现时主动提醒用户或自动应用正确的解决方案。
根据用户反馈，这一功能能够：
价值二：加速新手上手
对于新成员加入团队或用户开始使用新的AI助手，Self-Improving Agent能够：
价值三：释放创造力
当AI助手能够自动处理琐碎的记忆和规则遵循任务时，用户可以：
价值四：构建组织知识资产
Self-Improving Agent将个人经验转化为可检索、可共享的知识资产：
价值五：推动AI能力进化
通过持续学习机制，Self-Improving Agent为更高级的AI能力进化奠定基础：
价值六：降低AI使用门槛
通过自然的学习和适应机制，Self-Improving Agent让AI助手更加”善解人意”：
| 投入维度 | 投入内容 | 回报维度 | 预期回报 |
|---|---|---|---|
| 时间成本 | 初始配置1-2小时 | 错误率降低 | 每周节省3-5小时调试时间 |
| 维护成本 | 每月1-2小时回顾 | 知识积累 | 相当于1名初级工程师的经验 |
| 学习成本 | 2-3天熟悉系统 | 协作效率 | 团队产出提升20-30% |
| 迁移成本 | 无（纯本地） | 数据掌控 | 完全自主，无供应商锁定 |
更新一：v1.4版本发布（2025年Q3）
根据GitHub提交记录，Self-Improving Agent在2025年下半年发布了v1.4版本，主要更新包括：
更新二：ClawHub平台集成改进
作为ClawHub的旗舰技能之一，Self-Improving Agent受益于平台的多项改进：
动态一：AI自我改进成为热点
2025年以来，AI Agent的自我改进能力成为研究和应用的热点：
动态二：OpenClaw生态系统扩展
OpenClaw作为领先的Agent开发平台，持续扩展其技能生态：
根据开发者社区的讨论，Self-Improving Agent可能的未来发展方向包括：
方向一：云同步支持
方向二：协作学习增强
方向三：智能化提升
答： Self-Improving Agent的核心区别在于其轻量级设计哲学。
相比Capability Evolver等全功能框架，Self-Improving Agent刻意追求简单：
如果你需要快速为现有AI助手添加学习能力，Self-Improving Agent是最佳选择。如果需要更复杂的代码自动修改功能，可以考虑Capability Evolver。
答： Self-Improving Agent的设计高度重视隐私保护。
隐私保护机制：
最佳实践建议：
.learnings/目录内容答： 可以通过以下方式验证：
验证步骤：
.learnings/ERRORS.md是否更新了错误记录常见问题排查：
答： Self-Improving Agent的核心功能是语言无关的。
多语言支持情况：
中文用户注意事项：
答： Self-Improving Agent设计为高度可组合，可以与其他技能配合使用。
推荐配合方式：
与Capability Evolver配合：
与Memory技能配合：
与Reminder技能配合：
答： 不会丢失任何数据。
数据持久性：
.learnings/目录完全移除步骤：
rm -rf ~/.openclaw/skills/self-improving-agentrm -rf ~/.openclaw/hooks/self-improvement.learnings/目录作为历史记录答： 可以，而且非常适合。
Git集成建议：
# 在项目中添加学习目录
echo ".learnings/" >> .gitignore
# 或者使用模板（排除敏感内容）
# .learnings/ERRORS.md # 包含命令输出，建议忽略
# .learnings/LEARNINGS.md # 可以保留
# .learnings/FEATURE_REQUESTS.md # 可以保留
版本控制最佳实践：
.learnings/纳入版本控制共享团队知识Self-Improving Agent代表了”简单即有效”的设计哲学，在AI学习框架领域独树一帜：
核心优势：
适用人群：
新用户建议：
进阶用户建议：
Self-Improving Agent是OpenClaw生态中最值得关注的学习型技能之一。它用极简的设计实现了核心的学习功能，让AI助手真正具备了”从经验中成长”的能力。
在AI助手日益普及的今天，能够记住用户偏好、避免重复错误、积累项目经验的AI助手将带来显著的生产力提升。Self-Improving Agent正是实现这一目标的最佳起点。
无论你是AI新手还是资深用户，我都强烈推荐尝试Self-Improving Agent。它可能不会一次性解决所有问题，但它为AI的持续进化奠定了坚实基础——而这，正是未来AI发展的方向。
本文由猎人大师撰写，数据更新日期：2026年4月6日
本站SkillHub提供的Self-Improving Agent【自我改进Skill】都来源于网络，不保证外部链接的准确性和完整性，同时，对于该外部链接的指向，不由SkillHub实际控制，在2026年4月6日 上午6:48收录时，该网页上的内容，都属于合规合法，后期网页的内容如出现违规，可以直接联系网站管理员进行删除，SkillHub不承担任何责任。
