continual-learning

継続学習スキルの概要

継続学習ができること

continual-learning スキルは、AIコーディングエージェントが毎回リセットされるのではなく、セッションをまたいで役立つ学びを覚えていくためのものです。フィードバック、ツールの結果、プロジェクト固有の慣習をもとにエージェントの振る舞いを改善したいチームに向いており、同じコンテキストを何度も説明し直す手間を減らせます。

このスキルに向いているケース

同じ repo で何度も動くAIエージェント、複数 repo をまたぐAIエージェント、あるいは長期運用のワークフローにAIエージェントを組み込むなら、continual-learning スキルが合っています。とくに、ツールの信頼性、プロジェクトごとの好み、繰り返し起きるミスの削減を重視する場合に有効です。

インストールする理由

価値の中心は「AIを増やすこと」ではなく、毎回の初期設定を減らし、避けられる失敗を減らすことです。このスキルは、Agent Orchestration を前提に、学びを一度きりのプロンプトではなく、実用的な継続学習ループとして蓄積・保存・再利用できるようにします。

継続学習スキルの使い方

継続学習をインストールする

continual-learning スキルは、repo で使っている標準の skills ワークフローでインストールし、その後、エージェント runtime が期待する場所に hook を配置します。repo の Quick Start には、基本の導入手順が示されています。

cp -r hooks/continual-learning .github/hooks/

インストール後は、hook の配置場所を確認し、エージェント session が実際にそれを読み込めるか必ずチェックしてください。特に、環境に独自の hook path がある場合や、file access に制限がある場合は、continual-learning install の手順が重要になります。

まず読むべきファイルから始める

最初に SKILL.md を読み、その skill file 内で参照されている実装上の詳細も追ってから、必要に応じて適用してください。このスキルで重要なのは、Experience → Capture → Reflect → Persist → Apply という学習ループです。自分の agent stack に組み込むときも、この流れを崩さず保つことがポイントです。

あいまいな目的を使えるプロンプトに言い換える

弱い依頼は「エージェントに memory を追加して」です。より良い依頼は、「continual-learning を設定して、プロジェクト固有の慣習は local に保存し、プロジェクト横断のツール上の学びは global に保持し、各 session の開始時に過去の失敗を表示するようにして」です。こう書くと、スキルに必要な範囲、保存先のモデル、期待する振る舞いがはっきり伝わります。

memory model を意図して使う

このスキルは global memory と local memory を分けています。global memory は、複数プロジェクトで再利用できるツールのパターンや好みのためのものです。local memory は、repo 固有のルールや繰り返し発生するミスのためのものです。ここを混ぜると、エージェントは一般化を誤ります。プロンプトやポリシーを書くときは、どの学びを project-local に閉じ込め、どの学びを repo をまたいで持ち運ぶのかを明示してください。

継続学習スキル FAQ

継続学習はコーディングエージェント専用ですか？

主な対象は AI coding agent ですが、実際に役立つのはもっと広く、繰り返し作業から durable learning を得ることです。すでに hook、memory store、session startup logic を使っている workflow なら、continual-learning スキルはうまくはまります。

通常の prompt と何が違いますか？

通常の prompt は指示を一度だけ与えます。continual-learning は、結果を観察し、学びを保存し、後で再利用できる repeatable system を作ることが目的です。1回限りの振る舞い変更で足りるなら、prompt のほうがシンプルです。

continual-learning スキルは初心者向けですか？

はい。Quick Start のインストールと、basic な local/global memory の分け方だけなら扱いやすいです。ただし、custom orchestration、SQL ベースの memory write、厳格なチーム規約まで組み込もうとすると、難易度は上がります。

どんなときは使わないほうがいいですか？

エージェントの実行が ephemeral である場合、repo に state を保存できない場合、あるいは過去の session からモデルを適応させたくない場合は、インストールしないでください。そうしたケースでは、継続学習のオーバーヘッドがメリットを上回ることがあります。

継続学習スキルを改善する方法

スキルに与える入力の境界を明確にする

最も良い結果は、どんな種類の学びを保存するかをエージェントに具体的に伝えたときに出ます。たとえば、「ツールの失敗は global に保存し、API の命名規則はこの repo に local のまま残す」といった指定です。「全部覚えて」より、はるかに効果的です。

よくある失敗パターンを見逃さない

最大の失敗パターンは overgeneralization です。local な習慣を学んだのに、エージェントがそれをどこでも適用してしまいます。もう一つは under-capture で、有用な修正は起きているのに、何も保存されない状態です。hook や memory write path が、最初のミスのあとに本当に学びを記録しているか確認してください。

最初の session のあとに改善する

1回実行したら、何が保存されたか、次の session の振る舞いが変わったかを見直してください。エージェントが同じエラーを繰り返すなら、元のルールをもっと明示するか、学習カテゴリを pattern、mistake、preference、tool_insight のどれかに絞ってください。

Agent Orchestration 向けに調整する

Agent Orchestration 向けの continual-learning では、いつエージェントに Reflect させるか、どこに Persist するか、session 開始時に何を Apply するかを定義してください。こうした orchestration の詳細を少し足すだけで、説明文を増やすよりも出力品質が改善することがよくあります。