continuous-learning-v2

continuous-learning-v2 技能概览

continuous-learning-v2 是做什么的

continuous-learning-v2 技能会把 Claude Code 会话变成一个持续学习闭环：它会监控工具调用活动，提取原子化的“instincts”，按置信度打分，并将有价值的模式提升为 skills、commands 或 agents。若你需要的是 continuous-learning-v2 这类具备持久化、项目感知记忆的方案，而不是一次性的 prompt，这个技能就很适合。

适合哪些人使用

当你希望 AI 工作流能跨会话记住重复行为，尤其是在约定稳定的代码仓库里，continuous-learning-v2 很适合用于 Skill Authoring。它尤其适合 agents、基于 hook 的自动化，以及希望获得项目专属学习能力、又不想让不同代码库之间互相污染模式的团队。

为什么 v2 很关键

它最大的区别在于项目级作用域存储：React 的习惯保留在 React 仓库里，Python 的习惯保留在 Python 仓库里，只有通用价值足够高的模式才会提升为全局规则。因此，continuous-learning-v2 比那种泛泛的“从我的会话中学习”prompt 噪音更低，也更适合真正的多项目使用场景。

如何使用 continuous-learning-v2 技能

先安装并激活

使用 continuous-learning-v2 install 路径，从仓库中添加该技能：
npx skills add affaan-m/everything-claude-code --skill continuous-learning-v2
安装后，确认你的 Claude Code 配置里已经启用 hook 和 observer 相关组件；仓库中的 hooks/ 和 agents/ 目录才是实际接入入口，不只是补充说明文档。

从正确的文件开始看

先读 SKILL.md，然后看 config.json、scripts/detect-project.sh、hooks/observe.sh 和 agents/start-observer.sh。如果你想快速掌握最关键的执行路径，下一步优先查看 agents/observer-loop.sh 和 agents/session-guardian.sh；这两个文件能直接告诉你分析是在什么时候触发的、哪些内容会被限流，以及项目上下文是如何判定的。

给它比模糊目标更好的输入

高质量的 continuous-learning-v2 usage prompt，应该明确说明要观察什么、什么才算有价值的模式，以及学习结果是否应限制在当前项目内。例如：“Track how I handle TypeScript errors in this repo, keep conventions project-scoped, and only promote patterns used in two or more files.” 这样的输入，远比“learn my coding style”有效。

能产出可用 instincts 的工作流

先正常进行 Claude Code 会话，让 hook 捕获工具事件，再让 observer 按计划或按需分析累积的观察结果。拿到输出后先检查是否有误判，再去微调阈值和作用域规则，之后再期待它稳定地把模式提升为 commands 或 agents。

continuous-learning-v2 技能 FAQ

continuous-learning-v2 对新手友好吗？

友好，但前提是你能接受安装基于 hook 的工作流，并愿意看几份 shell 脚本。它不是一个 no-code 功能：如果你能检查 SKILL.md、理解项目检测逻辑，并接受前期可能需要一些调优，那么会更容易上手。

它和普通 prompt 有什么不同？

普通 prompt 只能在单次交互里“模拟学习”，而 continuous-learning-v2 的设计目标是长期观察、存储、评分并复用行为。因此，当你需要可重复的记忆、置信度阈值和项目边界，而不是一次性回答时，它会更合适。

什么情况下不该用它？

如果你只需要一次性答案、当前环境无法稳定运行 hooks，或者你不希望本地会话数据被保存下来做分析，那就不建议使用 continuous-learning-v2。另外，如果你的工作流要求所有项目共享完全相同的习惯，它也不是理想选择。

它适合 Claude Code 生态吗？

适合。这个仓库本身就是围绕 Claude Code hooks、后台 agents，以及位于 ~/.claude/homunculus/ 下的项目级存储来组织的。如果你的环境无法接入这些集成点，continuous-learning-v2 的价值会明显下降。

如何改进 continuous-learning-v2 技能

给 continuous-learning-v2 提供更干净的样本

continuous-learning-v2 的最佳效果通常来自那些决策清晰、重复性强的会话，例如命名方式、校验流程、测试运行、重构方式，或仓库特有约定。如果输入本身很模糊，或者夹杂大量无关试验，最终学到的 instincts 就会更嘈杂，也更难安全地提升为可复用能力。

先调作用域，再调数量

如果模式开始在不同仓库之间串味，先检查项目检测是否正确，重点看 scripts/detect-project.sh 和项目级存储布局。对于 continuous-learning-v2 for Skill Authoring 来说，作用域是否准确，比一味增加观察样本更重要。

有意识地设置阈值和提升规则

continuous-learning-v2 的优势，建立在你提前定义好什么叫“足够好”再进行提升。应先明确置信度、出现频率和项目内重复次数的标准，避免系统把一次性的偶然行为升级成长期指令。

在第一次分析后继续迭代

把第一次输出当作 instincts 草案库，而不是最终规则集。先审查它提取了什么，删掉过于泛化或偶然出现的模式，再用更明确的 prompt 重新运行，例如：“Only keep behaviors that were corrected by me or repeated across at least two sessions.”