Continuous Learning Agent 是一个元技能，目标是让 AI 智能体能够从经验中学习，并随着时间推移不断改进。它强调把“日志化记忆”与“改变未来行为的策略变更”区分开来。
核心概念
传统智能体在会话之间会完全重置。该技能把记忆和学习视为相关但不同的操作：
- 日志/记忆：记录发生了什么、尝试过什么、存在哪些证据。
- 学习/策略：改变智能体下次面对可识别事件类别时的行为。
除非产生策略增量、阈值修订、禁止动作或可复用模式，否则不要把会话日志、决策日志或上下文笔记称为“学习”。
学习机制
每个学习循环包含两层：
- 日志层：用于可审计的情节性或语义记录。
- 策略层：用于提升未来任务表现的紧凑行为增量。
如果已有记忆系统覆盖日志层，则日志层可选；策略层对本技能是必需的。
1. 错误模式识别
每次出错后，如果现有记忆系统尚未记录该事件，先记录事件，包括日期、上下文、错误、根因、修复、模式和预防措施。然后提取策略增量，包括日期、事件类别、先前策略、失败模式、修订策略、触发条件、传播目标和验证方式。
2. 成功模式收集
成功实现后，同时记录可复用模式和策略形式，让未来智能体无需重放整个故事即可应用。示例包括任务、方法、成功原因、可复用模式、代码模板，以及获取模式的事件类别、修订策略、触发条件和验证方式。
3. 反馈整合
当项目存在策略表面时，优先使用它，例如 AGENTS.md、CLAUDE.md、GEMINI.md 等运行时指令文件，或 .claude/policy/、.codex/policy/、.agents/policy/ 等本地策略增量目录。只有在没有更强记忆表面时，才创建本地日志目录。日志记录和策略增量应分开存储。
4. 决策日志
重大决策前记录上下文、考虑过的选项、决策、理由、预期结果、实际结果和策略增量。
学习循环
每日回顾循环
在编码会话结束时记录：哪些做得好、哪些可改进、日志笔记、策略增量、行动项。行动项包括把策略增量应用到正确的指令或策略文件，并通过测试、清单或下次会话回顾验证新行为。
每周综合循环
每周回顾并综合，生成每周摘要，识别新兴策略变化、反复出现的问题、要提升的规则和下周重点。
自适应策略
上下文感知
维护上下文文件，记录项目类型、技术栈、架构、关键模式、团队偏好等。
渐进式细化
跟踪理解水平，分为“已充分理解”“部分理解”“需要学习”。
实现钩子
提供任务后钩子和任务前钩子脚本示例。任务后钩子把任务完成信息追加到每日日志；任务前钩子检查相似过往任务和已知陷阱。
知识库结构
给出 .claude/ 下 journal 和 policy 的目录结构，包括 daily、weekly、patterns、context、decisions，以及 policy 下的 deltas、acquired-patterns.md、banned-moves.md、thresholds.md。
查询过往学习
提供 grep 命令示例，用于查找相似解决方案、提取模式。
集成点
与 knowledge-architecture、second-brain-librarian、verification-loop、project-orchestration 互补。
渐进式增强
分为五级：基础日志记录、策略增量提取、策略传播到正确指令表面、验证未来行为已改变、在批准约束内自主决策。跟踪当前级别和进展指标。
指标
跟踪错误率、模式复用、决策质量、上下文准确性、适应速度、传播率，以及趋势。
初始化
首次设置时创建日志和策略基础设施，初始化上下文文件，创建第一个会话日志。每次会话开始时先查看活动策略，然后仅在日志记录与任务相关时查看日志。