continuous-learning

continuous-learning 技能概览

continuous-learning 技能是做什么的

continuous-learning 技能会把 Claude Code 会话转化为可复用的已学习技能。它面向那些希望助手在一次会话结束时，自动识别重复模式、有价值的修复方法以及项目特定技巧，并将这些内容保存下来供后续复用的用户。如果你想让 continuous-learning skill 基于你自己的工作历史帮助 Claude 逐步变强，这正是适合的自动化方式。

最适合哪些人

这个 continuous-learning 技能最适合经常在不同会话里解决相似问题，并希望这些解决方案被自动捕获的 Claude Code 用户。它尤其适合技能作者、仓库维护者和重度用户；他们更在意保留调试模式、临时绕过方案和项目约定，而不是手动把每条经验都写下来。

它与其他方案有何不同

这个 continuous-learning 技能的核心区别在于：它是基于 Stop hook 的，而不是只靠 prompt。也就是说，它会在会话结束时统一评估一次，而不是试图实时检查每一条消息。它更简单、更轻量，也更容易理解，但能力范围也比 continuous-learning-v2 更窄；仓库本身把后者视为新安装的优先路径。

如何使用 continuous-learning 技能

安装并挂接 hook

先把 continuous-learning 技能安装到你的 Claude skills 目录，然后把它接到 Stop hook 上，让它在会话结束时运行。仓库里的脚本预期放在 ~/.claude/skills/continuous-learning/，而学习结果会写到 ~/.claude/skills/learned/。对大多数人来说，安装这项技能的关键不只是“能不能加上”，而是你是否希望把会话结束时的提取过程，纳入日常 Claude 工作流。

从合适的输入开始

这项技能在会话内容足够丰富、能够提炼出模式时表现最好。默认的最小会话长度是 10 条消息，所以很短的对话通常不会产出有价值的 learned skills。如果你希望有扎实的 continuous-learning usage，就要喂给它包含真实问题、纠正、绕行方案或重复技术的会话，而不是只有一个简短回答。

先读这些文件

在实际配置时，先读 SKILL.md，再读 config.json，最后读 evaluate-session.sh。这个顺序能让你快速看懂：技能本身做什么、有哪些参数可调、以及 Stop hook 是怎么实现的。如果你想改阈值、改输出位置，或者调整它识别的模式类别，config.json 是最关键的文件。

通过更清晰的提示提升提取质量

如果你把这个 continuous-learning guide 纳入自己的工作流，就要让会话表达得足够明确，方便 hook 识别出可复用行为。好的输入像是：“我需要一种可重复的方法来排查这个仓库里失败的安装；请把步骤和最终修复提炼成可复用模式。” 弱的输入像是：“帮我处理一下这个。”前者给评估器提供了稳定可学习的内容，后者往往很难留下可持续复用的模式。

continuous-learning 技能常见问题

这是我想要的自动学习技能吗？

如果你的目标是自动从 Claude Code 会话中提取可复用模式，并把它们保存成已学习技能，那答案是肯定的。若你希望有一个能悄悄利用过往经验改善后续会话的 continuous-learning skill，它非常符合这个用途。若你更想要一种更主动、更多依赖直觉判断的系统，仓库本身会建议你考虑 continuous-learning-v2。

它和普通 prompt 有什么区别？

普通 prompt 可以描述你想要什么，但会话结束后不会保留任何内容。这个技能则多了一层工作流：它会识别可复用模式，然后把这些内容保存到 learned-skills 目录。相比一次性的指令，它更适合团队里反复出现的工作，或者仓库特有的任务。

它适合新手吗？

算是中等友好。逻辑本身并不复杂，但配置时需要理解 Claude Code hooks、会话边界，以及 learned skills 存放的位置。新手只要严格按提供的文件来操作也能用，但如果 hook 没接好、config 没配对，就不要指望它能稳定工作。

什么时候应该跳过它？

如果你只想临时获得帮助、会话通常很短，或者你不希望自动提取内容写入本地 skills 文件夹，那就可以跳过这次 continuous-learning 安装。另一个不太合适的场景是：你已经明确知道自己想走更新的 continuous-learning-v2 路径。

如何改进 continuous-learning 技能

先调 config，再判断效果

最大的调节杠杆是 config.json。你可以根据自己真正有价值的会话长度，上调或下调 min_session_length；如果技能过于保守或过于积极，再调整 extraction_threshold。如果你更在意某些特定模式类型，就把 patterns_to_detect 保持聚焦，只保留对你工作最重要的那些。

给 hook 更明确的模式信号

当会话里包含明确纠正、重复的调试步骤，或者被命名的绕行方案时，这个技能会表现得更好。比如，“第一个修复失败是因为问题其实在路径解析；请把这个区分也提炼出来”就比泛泛的成功反馈更有价值。输入越强，提取出来的 learned skill 就越可执行，也越不容易变得泛化空洞。

留意常见失败模式

最常见的失败模式，是把拼写错误、一次性修补，或者技能本来就应该忽略的外部 API 问题也过度学习进去。另一个问题是，保存下来的模式过于项目专属，根本无法迁移到别处。如果你发现输出很杂，就要减少你希望模型当作可复用经验的内容，并把会话范围收窄到真正的决策或技术点。

根据已保存输出继续迭代

第一次运行后，检查 ~/.claude/skills/learned/ 里的内容，看看每一条提取结果是否真的能在未来会话中派上用场。如果不能，就收紧模式判断标准，或者改写你在会话中描述问题的方式。这个反馈闭环，正是 continuous-learning for Skill Authoring 真正有用的原因：源会话越好，产出的可复用技能就越好。