OpenClaw 最强技能 self-improving-agent 详解:让 AI 从错误中自主学习

OpenClaw 最强技能 self-improving-agent 详解:让 AI 从错误中自主学习
self-improving-agent 是 OpenClaw 生态中最受欢迎的技能,下载量突破 268k。它能让 AI 记住犯过的错误和解决方案,实现持续自我改进。本文将深入讲解其工作原理、安装配置、实战案例和高级用法。

1 引言

在使用 AI 助手的过程中,你是否遇到过这样的困扰:

  • 今天教 AI 用 sudo 解决权限问题,明天它又忘了
  • 同一个 API 文档链接打不开,它下次还给你这个链接
  • 重复解释同样的工作流程,效率极低

这些问题源于传统 AI 助手的无状态特性——每次对话都是全新的开始,不会从历史交互中学习。

self-improving-agent 技能正是为了解决这个问题而生的。它通过记录错误、解决方案和用户反馈,让 AI 能够持续学习和改进。


2 self-improving-agent 是什么?

2.1 官方定义

self-improving-agent 是 OpenClaw 的一个技能插件,官方描述为:

Captures learnings, errors, and corrections to enable continuous improvement.

翻译成人话:捕捉学习点、错误和修正,实现持续改进。

2.2 核心功能

功能说明效果
错误记忆记录执行失败的命令和原因下次自动避开
方案优化记住用户偏好的解决方案主动提供优化版本
知识累积持续累积使用经验越用越聪明
反馈学习从用户纠正中学习及时更新认知

2.3 适用场景

  • ✅ 重复性工作流程(部署、测试、发布)
  • ✅ 容易出错的命令(权限、路径、配置)
  • ✅ 需要个性化偏好的场景(代码风格、工具选择)
  • ✅ 团队协作(经验共享)

3 安装与配置

3.1 环境要求

  • OpenClaw v2026.1.0 或更高版本
  • Node.js 18+
  • 任意聊天渠道(Telegram/微信/飞书等)

3.2 安装步骤

步骤 1:在 OpenClaw 对话框中输入安装命令

/install self-improving-agent 

步骤 2:等待安装完成

✅ 正在安装 self-improving-agent... ✅ 安装完成! 现在我会从错误中学习了。 

步骤 3:验证安装

/skills list 

输出应包含:

✓ self-improving-agent (active) 

3.3 配置文件

安装后会在 workspace 生成配置文件:

# ~/.openclaw/workspace/skills/self-improving-agent/config.yamlsettings:memory_enabled:true# 启用记忆功能auto_optimize:true# 自动优化方案feedback_learning:true

Read more

【Linux网络系列】:JSON+HTTP,用C++手搓一个web计算器服务器!

【Linux网络系列】:JSON+HTTP,用C++手搓一个web计算器服务器!

🔥 本文专栏:Linux网络Linux实践系列 🌸作者主页:努力努力再努力wz 💪 今日博客励志语录:别害怕选错,人生最遗憾的从不是‘选错了’,而是‘我本可以’。每一次推倒重来的勇气,都是在给灵魂贴上更坚韧的勋章。 ★★★ 本文前置知识: 序列化与反序列化 引入 在之前的博客中,我详细介绍了序列化 与反序列化 的概念。对于使用 TCP 协议进行通信的双方,由于 TCP 是面向字节流的,在发送数据之前,我们通常需要定义一种结构化的数据来描述传输内容,并以此作为数据的容器。在 C++ 中,这种结构化数据通常表现为对象或结构体。然而,我们不能直接将结构体内存中对应的字节原样发送到另一端,因为直接传递内存字节会引发字节序 和结构体内存对齐 的问题。不同平台、不同编译器所遵循的内存对齐规则可能不同,这可能导致接收方在解析结构体字段时出现错误。 因此,我们需要借助序列化 。序列化 是指将结构化的数据按照预定的规则转换为连续的字节流。其主要目的是屏蔽平台差异,使得位于不同平台的进程能够以统一的方式解析该字节流。序列化通常分为两种形式:文本序列化 与二进制序列化 。 文

我做了三个面向前端开发者的 Claude Code / Codex / OpenClaw 共享插件,希望能少让大家重复踩坑

我做了三个面向前端开发者的 Claude Code / Codex / OpenClaw 共享插件,希望能少让大家重复踩坑

最近我把自己在业余时间折腾 AI 编码工具的一些心得,整理成了三个共享插件,并开源了出来: * Claude Code:frontend-craft * Codex:frontend-craft-codex * OpenClaw:frontend-craft-openclaw 仓库地址: * https://github.com/bovinphang/frontend-craft * https://github.com/bovinphang/frontend-craft-codex * https://github.com/bovinphang/frontend-craft-openclaw 先说在前面: 这不是什么"装上就原地飞升、老板看了流泪、同事用了沉默"的神奇插件。 它更像是我个人在业余时间,一边踩坑一边攒出来的共享工具箱。 目标也很朴素: 把前端开发中那些高频、重复、适合标准化的 AI 工作流,尽量整理得更能复用一点。 另外也提前说明一下边界: 这几个插件基于公开工具能力和个人通用工程经验整理,不包含任何公司内部代码、客户资料、项目资料或内部文

【前端小站】CSS 样式美学:从基础语法到界面精筑的实战宝典

【前端小站】CSS 样式美学:从基础语法到界面精筑的实战宝典

半桔:个人主页  🔥 个人专栏: 《前端扫盲》《手撕面试算法》《C++从入门到入土》 🔖阻止了我的脚步的,并不是我所看见的东西,而是我所无法看见的那些东西。 《海上钢琴师》 文章目录 * 前言 * 一. CSS是什么 * 1.1 概念 * 1.2 基本语法 * 二. CSS如何引入HTML * 2.1 内部样式表 * 2.2 行内选择器 * 2.3 外部引入 * 三. CSS选择器 * 3.1 基础选择器 * 3.1.1 标签选择器 * 3.1.2 类选择器 * 3.1.3 id选择器 * 3.

5060ti显卡本地AI训练部署

5060ti显卡本地AI训练部署

前言 前面配置的时候找了很多文章来看,都有着各种奇奇怪怪的问题,本文将记录我配置成功的一次案例供大家参考。2025年11月24日记 这是我第一次实现大模型的微调训练,电脑的配置是显卡NVIDIA GeForce RTX 5060 Ti GPU,训练的是Deep Seek-r1 的 7B 模型如果大家有更好的显卡,可以尝试一下14B。在此非常感谢ZEEKLOG的大佬,在他们的基础上,我的博客进一步完善一些细节,文末会附上大佬的原文链接。那么废话不多说,直接开始!(默认大家有一定的基础) 1.前置条件 1.1 基础配置 (具体的安装和使用教程网上有很多,在这里就不做过多的赘述了) 1. 使用Anaconda(Python的环境管理工具),这样就不需要一个一个单独下载python的版本,并且使用起来很方便。 * Anaconda官网 2. 使用PyCharm(Python的集成开发环境),可以在这里面编辑、运行.py文件等操作。 * PyCharm官网 3. 使用Git(分布式版本控制系统),用于克隆GitHub上的优秀项目,不用也没事,