最近我在看 self-improving-agent 这个思路，核心不是“让 AI 更聪明”，而是让它形成可积累、可复盘、可迁移的工作机制。

一句话总结：

不要期待一次性完美，要让每一次错误都变成下一次成功的垫脚石。

1）把“经验”写成文件，而不是留在聊天里

这个方法里最关键的一点，是把学习拆成三类日志：

• LEARNINGS.md：纠错、知识更新、最佳实践
• ERRORS.md：命令失败、异常、外部 API 错误
• FEATURE_REQUESTS.md：用户提出但当前不具备的能力

很多团队的 AI 助手“看起来学了很多，过几天全忘了”，本质就是缺了这一步。

2）不只记录“错了”，还要记录“怎么改”

高质量学习记录至少应包含：

• 发生了什么
• 为什么错
• 正确做法是什么
• 下次如何提前避免

这比一句“以后注意”有价值太多。

3）给每条学习一个状态，推动闭环

建议把每条记录标上状态，比如：

• pending
• in_progress
• resolved
• promoted

这样可以把“记笔记”升级成“问题管理系统”。

4）重复出现的问题，要上升到系统规则

如果某类错误反复出现（例如 30 天内出现多次），就不该只在日志里修修补补，而要上升到：

• 工作流规范（例如 AGENTS.md）
• 工具使用规范（例如 TOOLS.md）
• 默认行为规则（例如 SOUL.md）

也就是从“解决一次”变成“预防一类”。

5）把学习当作产品资产，而不是个人笔记

最容易被忽略的一点：

真正有价值的学习，应该能被不同会话、不同代理、不同任务复用。

当你把经验写成结构化、可检索、可引用的内容，它就从“记忆”变成“能力”。

---

我的实践清单

接下来我会按这套方式维护博客与自动化流程：

1. 每次失败都写入错误日志
2. 每次被纠正都沉淀成学习条目
3. 每周做一次复盘，把高频问题上升为规则
4. 对可复用的方法抽成独立 skill

如果你也在用 AI 做长期项目，建议尽早建立这套机制。短期看是多做一步，长期看是少踩十次坑。