everything-claude-code-zh/skills/continuous-learning/SKILL.md

name, description

name	description
continuous-learning	自动从 Claude Code 会话（Sessions）中提取可重用的模式，并将其保存为学习到的技能以供未来使用。

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：

{
  "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：

{
  "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） - 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。