continual-learning

continual-learning 技能概览

continual-learning 做什么

continual-learning 技能帮助 AI 编码代理把有用的经验跨会话保留下来，而不是每次都从零开始。它适合希望代理根据反馈、工具结果和项目约定持续改进行为的团队，而不用反复解释同一套上下文。

这个技能最适合谁

如果你在搭建会反复在同一个 repo、多个 repo，或者更长生命周期工作流里运行的 AI 代理，就很适合使用 continual-learning 技能。它尤其适合你重视工具可靠性、项目特定偏好，以及减少重复性错误的场景。

为什么很多人会安装它

它的核心价值不是“更强的 AI”，而是更少的重复配置和更少本可避免的失败。这个技能提供了一套实用的持续学习闭环，帮助你把学习内容捕获、保存并复用起来，而且是为 Agent Orchestration 服务的，不只是一次性的 prompt 调优。

如何使用 continual-learning 技能

安装 continual-learning

按照 repo 的标准 skills 工作流安装 continual-learning 技能，然后把 hook 放到你的 agent runtime 期望的位置。repo 的 Quick Start 里展示了核心安装路径：

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

安装完成后，检查 hook 路径是否正确，并确认你的 agent session 真的能加载它。对于自定义 hook 路径或受限文件访问的环境来说，continual-learning install 这一步尤其关键。

先从正确的文件读起

先读 SKILL.md，再沿着同一个 skill 文件里引用的实现细节往下看，最后再做适配。对这个技能来说，关键概念是学习闭环：Experience → Capture → Reflect → Persist → Apply。集成到你自己的 agent stack 时，要尽量保留这条闭环，不要把它拆散。

把粗略目标改写成可用的 prompt

一个很弱的需求是“给 agent 加记忆”。更好的说法是：“配置 continual-learning，让 agent 本地保存项目特定约定，全局保存跨项目的工具经验，并在每次 session 开始时暴露之前的失败记录。” 这样的表述能把你想要的范围、存储模型和行为都讲清楚。

有意识地使用记忆模型

这个技能把全局记忆和本地记忆分开。全局记忆适合跨项目复用的工具模式和偏好；本地记忆适合 repo 级规则和反复出现的错误。如果把两者混在一起，agent 很容易泛化失真。无论是写 prompt 还是写 policy，都要明确哪些学习内容必须留在项目本地，哪些可以跨 repo 迁移。

continual-learning 技能 FAQ

continual-learning 只适合编码代理吗？

它主要面向 AI 编码代理，但真正有价值的部分更广：让重复性工作形成持久学习。如果你的工作流已经使用 hooks、memory store 或 session 启动逻辑，continual-learning 技能通常能很好地接入。

它和普通 prompt 有什么区别？

普通 prompt 只会给一次性指令。continual-learning 关注的是搭建一个可重复的系统：观察结果、保存学习内容、以后再复用。如果你只需要一次性的行为调整，prompt 可能更简单。

continual-learning 技能适合新手吗？

如果你只需要 Quick Start 安装和一个基础的本地/全局记忆拆分，那它对新手是友好的。等你开始把它接入自定义 orchestration、基于 SQL 的记忆写入，或者严格的团队约定时，使用门槛才会明显提高。

什么时候不该用它？

如果你的 agent 运行是一次性的、repo 无法持久化状态，或者你不希望模型从之前的 session 中学习，就不要安装它。在这些情况下，continual-learning 的额外开销可能大于收益。

如何改进 continual-learning 技能

给技能更清晰的输入边界

最好的效果来自明确告诉 agent 应该保存哪些类型的学习内容。比如：“工具失败要全局保存，但 API 命名约定只保留在这个 repo 本地。” 这比“把一切都记住”要好得多。

留意最常见的失败模式

最大的问题通常是过度泛化：agent 学到的是本地习惯，却把它应用到所有地方。另一种失败模式是捕获不足：明明已经出现了有用的纠正，但没有真正持久化。要检查你的 hook 或 memory 写入路径，在第一次出错后是否真的把这条经验记录下来了。

在第一次 session 之后继续迭代

跑完一轮后，检查到底存了什么，以及它有没有改变下一次 session 的行为。如果 agent 还是不断重复同一个错误，就把源规则写得更明确，或者把学习类别收窄到 pattern、mistake、preference 或 tool_insight。

为 Agent Orchestration 做针对性调优

如果是面向 Agent Orchestration 的 continual-learning，要明确 agent 何时反思、存到哪里，以及 session 开始时应该应用什么。通常只要补上这点 orchestration 细节，输出质量就会比单纯增加更多叙述性上下文提升得更明显。