continual-learning

連續學習技能概覽

連續學習做什麼

continual-learning skill 幫助 AI coding agent 在不同 session 之間記住有用的經驗，而不是每次都重置。它適合希望 agent 能從回饋、工具結果與專案慣例中持續變好的團隊，不必一次又一次重講同樣的背景。

這個技能最適合誰

如果你正在設定會在同一個 repo、跨多個 repo，或在較長期流程中反覆工作的 AI agents，就很適合使用 continual-learning skill。當你重視工具穩定性、專案特有偏好，以及減少重複犯錯時，這個技能特別有用。

為什麼有人會安裝它

它的主要價值不是「更多 AI」，而是減少重複設定與可避免的失敗。這個技能提供一套實用的連續學習迴圈，讓你能以支援 Agent Orchestration 的方式收集、保存並重用學到的內容，而不是只靠一次性的提示詞。

如何使用 continual-learning skill

安裝 continual-learning

依照該 repo 的標準 skills 工作流程安裝 continual-learning skill，然後把 hook 放到你的 agent runtime 預期的位置。repo 的 Quick Start 有展示核心安裝路徑：

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

安裝後，請確認 hook 位置正確，並確保 agent session 真的能載入它。當你的環境有自訂 hook 路徑或檔案存取受限時，continual-learning install 這一步尤其重要。

先從正確的檔案看起

先讀 SKILL.md，再依照同一個 skill 檔案中引用的實作細節往下看，之後再進行調整。對這個 skill 來說，最重要的概念是學習迴圈：Experience → Capture → Reflect → Persist → Apply。整合到自己的 agent stack 時，這條迴圈就是你要保留的核心。

把模糊目標改寫成可用的 prompt

較弱的需求會是「幫 agent 加記憶」。更好的說法是：「設定 continual-learning，讓 agent 將專案特有慣例保存在本地、將跨專案的工具經驗全域保存，並在每次 session 開始時先顯示先前失敗過的地方。」這種寫法能把你要的範圍、儲存模型與行為都交代清楚。

有意識地使用記憶模型

這個 skill 會把全域記憶和本地記憶分開。全域記憶用來放可重用的工具模式與跨專案偏好；本地記憶則用來放 repo 專屬規則與反覆出現的錯誤。如果把兩者混在一起，agent 就會過度泛化。撰寫提示詞或政策時，請明確說明哪些學習內容必須留在專案內，哪些可以跨 repo 移動。

continual-learning skill 常見問答

continual-learning 只適用於 coding agents 嗎？

它的目標確實是 AI coding agents，但真正有價值的部分更廣：讓重複工作的學習結果能持久保留。如果你的流程已經使用 hooks、記憶儲存，或 session 啟動邏輯，continual-learning skill 會很適合。

這和一般 prompt 有什麼不同？

一般 prompt 只會給一次指令。continual-learning 的重點是建立可重複運作的系統，持續觀察結果、儲存學習內容，並在之後重複使用。如果你只需要一次性的行為改變，用 prompt 可能更簡單。

continual-learning skill 適合初學者嗎？

可以，如果你只需要快速安裝與基本的本地／全域記憶切分，就不算難。當你開始把它接進自訂 orchestration、以 SQL 寫入記憶，或套用嚴格的團隊規範時，難度才會明顯提高。

什麼情況下不應該使用它？

如果你的 agent 執行是短暫即丟、repo 無法保存狀態，或你不希望模型根據先前 session 調整行為，就不要安裝它。在這些情況下，continual-learning 的額外負擔可能大於收益。

如何改進 continual-learning skill

給技能更清楚的輸入邊界

最佳效果來自明確告訴 agent 要保存哪些類型的學習內容。例如：「工具失敗記錄存到全域，但 API 命名慣例只保留在這個 repo。」這比「把所有東西都記住」好得多。

注意最常見的失敗模式

最大的失敗模式是過度泛化：agent 把某個本地習慣套用到所有地方。另一個失敗模式是擷取不足：明明已經出現有用的修正，卻沒有真的被保存。請檢查你的 hook 或 memory write 路徑，看看第一次犯錯後，學到的內容是否真的有被記錄下來。

在第一次 session 後就開始迭代

跑完一次之後，檢查到底存了什麼，以及它是否改變了下一次 session 的行為。如果 agent 還是重複同一個錯誤，就把來源規則寫得更明確，或把學習類別縮小成 pattern、mistake、preference 或 tool_insight。

針對 Agent Orchestration 做調校

若要把 continual-learning 用在 Agent Orchestration 上，請明確定義 agent 何時該反思、要把內容存到哪裡，以及在 session 開始時該套用哪些內容。通常只要補上這些 orchestration 細節，輸出品質就會比單純增加更多敘述背景還要好。