continuous-learning-v2

continuous-learning-v2 技能概覽

continuous-learning-v2 是做什麼的

continuous-learning-v2 技能會把 Claude Code 的工作階段變成一個可持續學習的迴圈：它會監看工具活動、萃取出原子化的「instincts」、依信心分數評估，並可將有用的模式提升為 skills、commands 或 agents。若你需要的是 continuous-learning-v2 這種具持久性、可感知專案脈絡的記憶能力，而不是一次性的提示詞效果，那它就是合適的選擇。

適合哪些人使用

當你希望 AI 工作流程能跨工作階段記住重複出現的行為，特別是在慣例穩定的 repo 中，continuous-learning-v2 很適合用於 Skill Authoring。它特別適合 agents、以 hook 驅動的自動化流程，以及希望保有專案專屬學習能力、又不想讓不同 codebase 之間互相汙染模式的團隊。

為什麼 v2 值得注意

它最關鍵的差異在於以專案為範圍的儲存方式：React 的習慣留在 React repo，Python 的習慣留在 Python，只有真正具普遍價值的模式才會升級為全域。這讓 continuous-learning-v2 比起泛泛的「從我的工作階段學習」提示更不吵雜，也更適合真實的多專案使用情境。

如何使用 continuous-learning-v2 技能

安裝並啟用 continuous-learning-v2

使用 continuous-learning-v2 install 路徑，透過 repo 加入這個 skill：
npx skills add affaan-m/everything-claude-code --skill continuous-learning-v2
安裝完成後，請確認你的 Claude Code 設定中已啟用 hook 與 observer 相關元件；實際上應優先查看 repository 的 hooks/ 與 agents/ 資料夾，不能只看文件說明。

先從正確的檔案讀起

先讀 SKILL.md，接著看 config.json、scripts/detect-project.sh、hooks/observe.sh 與 agents/start-observer.sh。如果你想快速掌握最重要的執行路徑，下一步就看 agents/observer-loop.sh 和 agents/session-guardian.sh；這兩個檔案會直接說明分析何時執行、哪些內容會被節流，以及專案脈絡如何被判定。

提供比模糊目標更好的輸入

好的 continuous-learning-v2 usage 提示，應該明確說出要觀察什麼、什麼才算有用的模式，以及學習結果是否應限制在專案內。例子如下：「追蹤我在這個 repo 中如何處理 TypeScript 錯誤，將慣例限定在專案範圍內，只有在兩個以上檔案都出現的模式才升級。」這會比「學習我的程式風格」有效得多。

能產出可用 instincts 的工作流程

照常進行 Claude Code 工作階段，讓 hook 擷取工具事件，再由 observer 按排程或在需要時分析累積到的觀察結果。先檢查輸出中是否有 false positives，再調整門檻與範圍規則，之後再期待它能穩定地把模式升級成 commands 或 agents。

continuous-learning-v2 技能常見問題

continuous-learning-v2 對新手友善嗎？

是，但前提是你能接受安裝一套以 hook 為基礎的工作流程，並願意閱讀幾個 shell scripts。它不是 no-code 功能：如果你能檢查 SKILL.md、理解專案偵測方式，並接受可能需要一些調校，這個 skill 會比較好上手。

它和一般提示詞有什麼不同？

一般提示詞可以在單次互動中模擬「學習」，但 continuous-learning-v2 是為了長時間觀察、儲存、評分與重用行為而設計。當你要的是可重複使用的記憶、信心門檻與專案邊界，而不是只求一次回覆時，它就更合適。

什麼情況下不該使用 continuous-learning-v2？

如果你只需要一次性的答案、你的環境無法可靠執行 hooks，或你不希望本地工作階段資料被儲存下來做分析，就不建議使用 continuous-learning-v2。另外，若你的工作流程要求所有專案都共用完全相同的習慣，它也不是理想選擇。

continuous-learning-v2 是否適合 Claude Code 生態？

適合。這個 repository 的設計核心就是 Claude Code hooks、背景 agents，以及位於 ~/.claude/homunculus/ 下的專案範圍儲存。如果你的環境無法提供這些整合點，這個 skill 的價值就會明顯下降。

如何改進 continuous-learning-v2 技能

給 continuous-learning-v2 更乾淨的範例

continuous-learning-v2 的最佳效果來自那些決策清楚、且會重複出現的工作階段，例如命名、驗證、測試執行、重構，或 repo 專屬慣例。若你的輸入本身很模糊，或混入許多無關的嘗試性操作，學到的 instincts 就會更雜亂，也更難安全地升級。

先調整範圍，再考慮增加量

如果模式開始在不同 repo 之間外溢，應先檢查 scripts/detect-project.sh 與專案範圍儲存結構，優先修正專案偵測。對 continuous-learning-v2 for Skill Authoring 來說，範圍判定的品質比蒐集更多觀察資料更重要。

有意識地設定門檻與升級規則

這個 skill 最強的地方，在於你能先定義什麼才叫「足夠好」再進行升級。請先設定好對信心值、出現頻率與跨專案重複程度的期待，避免系統把只出現一次的行為誤當成永久指令。

第一次分析後務必再迭代

請把第一次輸出視為 instincts 草稿庫，而不是最終政策集合。先檢查它萃取了哪些內容，移除過於泛化或只是偶然出現的模式，再用更精準的提示重新執行，例如：「只保留那些由我親自修正過，或至少在兩個工作階段中重複出現的行為。」