让Claude Code持续学习技能的技能库：continuous-learning-skill

claude-code-continuous-learning-skill 是一个为 Claude Code 注入“长期记忆”的开源技能系统。它能在真实调试后自动提炼可复用经验，把一次性排错转化为永久能力，让 AI 编程助手越用越聪明。

为什么说“重复调试”才是 AI 写代码最反人类的地方？

用过大模型写代码的人，都会遇到同一个崩溃瞬间：问题明明昨天才一起解决过，今天它却像第一次见一样重新胡猜。不是因为模型不聪明，而是因为大多数 AI 编程助手天生就是“无状态”的——它们只活在当前上下文里，任务一结束，经验立刻蒸发。

你花一小时才定位出 Vercel + Prisma 在 serverless 环境下因为连接池没关闭导致的 “Too many database connections”，第二天再遇到同样的报错，Claude 还是会从“是不是 schema 写错了”“是不是数据库权限有问题”开始重新试探。这种每次从零开始的协作模式，直接封死了 AI 在长期、复杂工程里的上限。

大模型写代码，最让人崩溃的不是它写错，而是每次犯同样的错都要重头教一遍。

今天介绍的这个开源项目——claude-code-continuous-learning-skill，彻底改变了这一局面。

它让 Claude Code 在完成任务后自动提炼经验，把那些花了一小时才搞明白的冷门报错、绕弯子的解决方案、项目特有的配置逻辑，统统变成可复用的“技能”，下次遇到类似问题直接调用，不再重复踩坑。

这不是简单的提示词优化，而是一套真正意义上的“持续学习”机制，让 AI 代理从一次性工具进化成越用越聪明的长期搭档。

这不是“提示词技巧”，而是一套真正的持续学习机制

这个项目做的事情非常克制，但也非常关键：它不试图训练模型，也不改模型参数，而是让 Claude Code 在真实工作中，把“踩坑经验”固化为技能。

当一次任务中出现了非显而易见、但未来高度可复用的知识时，这个 Skill 会引导 Claude 主动进行一次“事后复盘”，并把结论写成一个结构化的 Skill 文件，存入本地技能库。下一次，只要上下文命中相似的触发条件，Claude 就会自动加载这个技能，直接给出经过验证的方案。

这意味着，AI 第一次开始具备一种接近人类工程师的能力：不是“会不会”，而是“记不记得”。

传统 AI 编程助手最大的缺陷就是“失忆”。而 continuous-learning-skill 的核心目标，就是打破这种“每次从零开始”的循环。它通过监听 Claude Code 的执行过程，在发现“非显而易见但可复用的知识”时，自动生成一个新的 Skill 文件，存入本地技能库。下次当上下文匹配到类似错误信息或场景描述，Claude 会自动加载这个技能，直接给出经过验证的解决方案，省去重复探索的时间成本。

它到底“记住”的是什么？不是聊天记录，而是可执行经验

continuous-learning-skill 有一个非常重要的设计取舍：它拒绝保存模糊经验。

只有同时满足四个条件的知识，才会被允许沉淀为技能：

第一，这个结论必须来自真实调试、试错或深入排查，而不是翻文档就能得到的答案。
第二，它对未来任务具有明确复用价值，而不是一次性的项目 hack。
第三，必须有清晰、可识别的触发条件，比如特定错误日志、运行环境或症状组合。
第四，解决方案已经被验证有效，而不是“理论上可行”。

举个例子，“Fix for PrismaClientKnownRequestError in serverless”就是一个合格的技能描述，因为它精准指向了错误类型、运行环境和解决方案的有效性；
而模糊的“Helps with database problems”则会被系统忽略，因为无法在后续任务中被准确匹配。

因此你会看到类似这样的技能名称：“Fix PrismaClientKnownRequestError in serverless environments”而不是泛泛的 “Helps with database issues”。前者可以被精准命中，后者则会被系统直接丢弃。

核心机制拆解：钩子、自省、结构化存储

从实现上看，这个项目并不复杂，但组合得非常巧妙。

它完全基于 Claude Code 原生的 Skills 架构，并通过一个激活钩子介入工作流。安装后，用户会在本地的 ~/.claude/hooks/ 中部署一个名为 continuous-learning-activator.sh 的activator 脚本，并在 settings.json 里注册这个钩子，让它在 每次用户提交提示（UserPromptSubmit）时自动执行。

这个钩子的作用是在用户的原始提示前插入一段指令，提醒 Claude 主动评估当前任务是否产生了可提取的知识。
这个钩子并不修改你的问题，而是在幕后插入一段指令：要求 Claude 在任务完成后，主动评估“是否产生了值得长期保存的知识”。

这样一来，就不完全依赖 Claude 自身对技能描述的语义匹配能力，大幅提升了技能提取的触发率。

一旦满足条件，系统就会生成一个标准化的 Markdown 技能文件，包含 YAML 元数据，以及四个固定区块：Problem、Trigger Conditions、Solution、Verification 和结构化内容（Problem、Trigger Conditions、Solution、Verification）。这种格式既方便人类审阅，也极利于 Claude 在未来进行快速匹配和调用。

安装和使用：几乎零侵入

使用方式非常直接。首先，通过 Git 克隆仓库。
推荐使用用户级安装，命令为：git clone https://github.com/blader/claude-code-continuous-learning-skill.git ~/.claude/skills/continuous-learning。
选择全局安装，把仓库克隆到 ~/.claude/skills/continuous-learning，让所有项目共享这套学习机制；

也可以只在某个项目的 .claude/skills/ 目录下启用，形成项目级记忆。如果只想在某个特定项目中启用，也可以克隆到项目根目录下的 .claude/skills/ 文件夹。

接着，设置激活钩子：创建 ~/.claude/hooks 目录，复制脚本并赋予执行权限，然后在 settings.json 中添加对应的钩子配置。

完成钩子配置后，你几乎不需要额外操作。Claude 会在后台自动判断是否该“学习”。Claude Code 每次交互中自动评估学习机会。

当然，你也可以主动触发，比如在对话中输入 /retrospective，或直接告诉它“把刚才学到的内容保存成一个 skill”。这一步设计得非常关键：学习是自动的，但控制权仍然在开发者手里。

它并非凭空出现，而是一条清晰的学术演进路线

如果你关注 AI Agent 研究，会发现这个项目并不是灵光一闪。这个看似简单的工具，其实融合了多篇前沿 AI 代理研究的精华。

• Voyager（2023）证明了“技能库”能让智能体避免重复探索；
• Reflexion（Shinn et al., 2023）系统化了“自我反思”对任务表现的提升；
• CASCADE（2024）提出了“获取技能的技能”这一元技能概念；CASCADE 框架提出了“元技能”（meta-skills）的概念，即“用于获取技能的技能”，这正是 continuous-learning-skill 的定位
• SEAgent（2025）展示了 AI 如何在真实软件环境中通过试错学习。则展示了 AI 代理如何通过试错在陌生软件环境中自主学习，其核心的“/retrospective”指令被直接借鉴

这些学术成果共同指向一个结论：能够持久化学习成果的智能体，其长期表现远优于每次都从头开始的同类。continuous-learning-skill 正是将这一理念落地到日常编程场景的实践。

continuous-learning-skill 做的事情很明确：把这些原本停留在论文里的思想，落地成开发者每天都能用的工具。

为什么说它对开发者是“范式级”的改变？

一旦你把这个 Skill 用在长期项目里，变化会非常明显。

第一次遇到某个 Kubernetes 配置陷阱，可能要查半小时；第二次，它已经能直接指出冲突点；第三次，它甚至会在你描述现象时就提前预警。
Claude 不再只是一个“外部顾问”，而是在逐渐形成一个与你项目深度绑定的经验库。它开始理解你的架构选择、你的历史决策、你的常见失误模式。
这一步，才是真正意义上的人机协作，而不是问答。

对于需要长期维护复杂项目的开发者而言，这个 Skill 的价值不可估量。想象一下，你的项目中有几十个微服务，每个都有独特的部署陷阱和依赖冲突。有了这个持续学习机制，Claude Code 会逐渐积累起一个专属的“项目知识图谱”。

更重要的是，它让 AI 助手从一个“外部顾问”变成了真正融入项目上下文的“内部成员”。它开始理解你的代码风格、你的架构偏好、你的历史决策，从而提供越来越精准的建议。这种“人机共生”的深度协作，是迈向下一代智能开发环境的关键一步。

市面上很多工具也在谈“AI 记忆”，但大多只是延长上下文，或做向量召回。continuous-learning-skill 的不同在于：它把知识拆解成有输入、有输出、可验证的功能单元。这让复用效率产生了数量级的差异，也让 AI 第一次真正具备“积累工作经验”的可能。

技能格式详解：结构化是复用的关键

生成的技能文件采用严格的 Markdown + YAML 格式。
YAML 部分定义了技能的元信息，其中 description 字段至关重要，它必须足够具体，以便 Claude 的检索系统能准确匹配。

正文部分则分为四个区块：
Problem 清晰描述问题现象；
Trigger Conditions 列出所有可能的触发信号，如错误代码、日志片段、环境变量等；
Solution 提供经过验证的、一步一步的操作指南；
Verification 则说明如何确认问题已被解决。

这种结构确保了技能的可操作性和可验证性，避免了模糊不清的“经验贴”。

例如，在 prisma-connection-pool-exhaustion 示例中，Trigger Conditions 明确指出“在 Vercel 或 AWS Lambda 环境下，处理约 5 个并发请求后出现连接数错误”，这让匹配变得极其精准。

一个非常明确的信号：未来 IDE 的形态正在改变

市面上已有不少“记忆增强”类的 AI IDE工具，但它们大多停留在对话历史的长上下文层面，或者依赖向量数据库进行模糊检索。

continuous-learning-skill 的独特之处在于，它将学习成果结构化、模块化、可执行化。它不是存储一段聊天记录，而是提炼出一个具有明确输入（触发条件）和输出（解决方案）的独立功能单元。这使得知识的复用效率远高于简单的文本召回。此外，它深度集成于 Claude Code 的原生技能系统，无需额外的基础设施，开箱即用，对开发者的工作流侵入性极小。

这个项目释放的信号很清晰：未来的开发环境，不只是写代码的地方，而是管理 AI 学习过程的地方。

开发者的角色，会从“重复调试的人”，逐步转向“引导 AI 反思和固化经验的人”。而那些能够被持续学习机制捕获的经验，将成为最重要的生产力资产。

未来的 IDE 可能会内置类似的“经验引擎”，开发者的主要工作将从“写代码”转变为“引导 AI 学习和验证”。这种转变将极大释放人类的创造力，让我们专注于更高层次的架构设计和业务逻辑，而将繁琐的调试、配置、优化等任务交给越来越聪明的 AI 伙伴。这不仅是效率的提升，更是开发心智模型的根本性变革。

如何最大化利用这个 Skill？
要让它发挥最大威力，开发者需要养成“主动反思”的习惯。

在每次成功解决一个棘手问题后，不妨主动输入“/retrospective”命令，引导 Claude 进行一次结构化的经验总结。同时，在描述问题时尽量提供详细的上下文和错误信息，这有助于 Skill 更准确地识别触发条件。

长期来看，定期审查和整理本地的技能库，删除过时或无效的技能，也是保持系统高效的重要维护工作。这就像给自己的 AI 助手做“知识体检”，确保它的“大脑”始终健康、精准。