Everything-claude-code-zh continuous-learning

Automatically extract reusable patterns from Claude Code sessions and save them as learned skills for future use.

install

source · Clone the upstream repo

git clone https://github.com/xu-xiang/everything-claude-code-zh

Claude Code · Install into ~/.claude/skills/

T=$(mktemp -d) && git clone --depth=1 https://github.com/xu-xiang/everything-claude-code-zh "$T" && mkdir -p ~/.claude/skills && cp -r "$T/skills/continuous-learning" ~/.claude/skills/xu-xiang-everything-claude-code-zh-continuous-learning-5f5c17 && rm -rf "$T"

manifest: skills/continuous-learning/SKILL.md

持续学习技能（Continuous Learning Skill）

在会话结束时自动评估 Claude Code 会话，提取可保存为已学习技能（Learned Skills）的可复用模式。

何时激活

设置从 Claude Code 会话中自动提取模式
为会话评估配置
```
Stop
```
钩子（Hook）
查看或整理
```
~/.claude/skills/learned/
```
中的已学习技能
调整提取阈值或模式类别
比较 v1（当前）与 v2（基于直觉/Instinct）的方法

工作原理

此技能在每个会话结束时作为 Stop 钩子（Hook） 运行：

会话评估：检查会话是否有足够的消息（默认：10 条以上）
模式检测：从会话中识别可提取的模式
技能提取：将有用的模式保存到
```
~/.claude/skills/learned/
```

配置

编辑

config.json

进行自定义：

{
  "min_session_length": 10,
  "extraction_threshold": "medium",
  "auto_approve": false,
  "learned_skills_path": "~/.claude/skills/learned/",
  "patterns_to_detect": [
    "error_resolution",
    "user_corrections",
    "workarounds",
    "debugging_techniques",
    "project_specific"
  ],
  "ignore_patterns": [
    "simple_typos",
    "one_time_fixes",
    "external_api_issues"
  ]
}

模式类型

模式	描述
`error_resolution`	特定错误的解决方法
`user_corrections`	来自用户纠偏的模式
`workarounds`	针对框架/库缺陷的解决方案
`debugging_techniques`	有效的调试方法
`project_specific`	项目特定的约定

钩子设置（Hook Setup）

添加到您的

~/.claude/settings.json

：

{
  "hooks": {
    "Stop": [{
      "matcher": "*",
      "hooks": [{
        "type": "command",
        "command": "~/.claude/skills/continuous-learning/evaluate-session.sh"
      }]
    }]
  }
}

为什么使用 Stop 钩子？

轻量化：仅在会话结束时运行一次
非阻塞：不会给每条消息增加延迟
完整上下文：可以访问完整的会话记录

比较笔记（调研：2025年1月）

与 Homunculus 对比

Homunculus v2 采用了更复杂的方法：

特性	我们的方法	Homunculus v2
观察机制（Observation）	`Stop` 钩子（会话结束）	`PreToolUse` / `PostToolUse` 钩子（100% 可靠）
分析方式（Analysis）	主上下文（Main context）	后台智能体（Haiku agent）
粒度（Granularity）	完整技能（Full skills）	原子化“直觉”（Atomic "instincts"）
置信度（Confidence）	无	0.3-0.9 权重
演进路径（Evolution）	直接生成技能	直觉 → 聚类 → 技能/命令/智能体
共享方式（Sharing）	无	导出/导入直觉

来自 Homunculus 的关键见解：

“v1 依赖技能（Skills）进行观察。技能是概率性的——它们的触发频率约为 50-80%。v2 使用钩子（Hooks）进行观察（100% 可靠），并将‘直觉（Instincts）’作为学习行为的原子单位。”

潜在的 v2 增强功能

基于直觉的学习 - 带有置信度评分的更小、原子化的行为
后台观察者 - 并行分析的 Haiku 智能体
置信度衰减 - 如果发生冲突，直觉的置信度会降低
领域标签 - 代码风格、测试、Git、调试等
演进路径 - 将相关的直觉聚类为技能/命令

参见：

/Users/affoon/Documents/tasks/12-continuous-learning-v2.md

获取完整规范。