Self-Improving Skill Framework v1.0#

让你的 writing style skill 越用越准。

---

🎯 核心概念#

text

AI 写初稿 → 人类改到满意 → 对比两版 → 提取规则 → 更新 skill
     ↑                                              ↓
     └──────── 下次写作自动应用新规则 ←──────────────┘

只有两个数据点：

• original: AI 生成的第一版（不管用了什么 prompt/skill）
• final: 人类最终确认的版本（不管中间改了几轮、怎么改的）

中间过程不记录。Google Doc 来回改了 10 轮？无所谓，只比较首尾。

---

📋 使用流程#

第一步：配置目标 skill#

在你的 writing style skill 目录下创建 self-improving.yaml：

yaml

# ~/your-skill/self-improving.yaml
target_skill: ~/path/to/your-writing-style/SKILL.md
log_dir: ~/clawd/memory/skill-runs/your-skill-name/
proposal_dir: ~/clawd/memory/skill-proposals/your-skill-name/
backup_dir: ~/clawd/memory/skill-backups/your-skill-name/

或者用环境变量 / 命令行参数覆盖（见下文）。

第二步：Agent 写完内容后，记录原稿#

bash

python3 ~/clawd/skills/self-improving-skill/scripts/observe.py record-original <file> \
  --skill ~/path/to/your-writing-style/

或直接传文本：

bash

python3 observe.py record-original --text "AI 生成的内容..."

输出：

text

✅ 记录原稿: a3f8c2e1
📝 字数: 1234

记住这个 hash（ a3f8c2e1），后面配对用。

第三步：人类确认最终版后，记录 final#

bash

python3 observe.py record-final <file> --match a3f8c2e1

如果人类没改直接用了？ 也 record-final，脚本自动检测内容一致 → 标记为无修改（正反馈）。

第四步：提取改进规则#

bash

# 手动提取
python3 ~/clawd/skills/self-improving-skill/scripts/improve.py extract --days 7

# 或自动模式（适合 cron）：提取 + 自动应用 P0 规则
python3 improve.py auto

第五步：查看 / 应用 / 回滚#

bash

python3 improve.py show        # 查看所有提案
python3 improve.py apply <id>  # 应用某个提案
python3 improve.py rollback    # 回滚上次应用

---

⚙️ 自动化（推荐）#

集成到你的内容创作流程#

在你的 contentgen / writing skill 中加入：

markdown

## 写完内容后必须做的事

1. 写完初稿 → `observe.py record-original <file>`
2. 人类确认最终版 → `observe.py record-final <file> --match <hash>`

Cron Job#

bash

# 每晚自动提取 + 应用 P0 规则
# schedule: 0 23 * * * (每晚 11pm)
python3 ~/clawd/skills/self-improving-skill/scripts/improve.py auto \
  --skill ~/path/to/your-writing-style/

OpenClaw 用户可以用内置 cron：

text

cron add --name "skill-daily-extract" --schedule "0 23 * * *" --tz "America/New_York" \
  --payload "运行 improve.py auto 自动提取写作风格改进"

---

📂 数据结构#

text

~/clawd/memory/
├── skill-runs/your-skill/
│   └── YYYY-MM-DD.jsonl        # 每日观察日志
│       ├── {type: "original", content_hash, content, context}
│       └── {type: "final", content_hash, original_content, final_content, no_change}
│
├── skill-proposals/your-skill/
│   └── YYYYMMDD-HHMMSS.md     # 改进提案（P0/P1/P2 分级）
│
└── skill-backups/your-skill/
    └── SKILL-YYYYMMDD-HHMMSS.md  # apply 前自动备份

---

🔄 循环原理#

为什么只看 original vs final？#

1. 中间过程有噪音 — 人类可能改了又改回来，中间状态不代表最终偏好
2. 指令不等于规则 — "把开头改一下"是一次性指令，不是通用规则。但如果 final 里开头确实更直接，diff 能自动捕捉
3. 简单就是可靠 — 两个数据点不会出错，复杂流程容易断

什么算好的学习数据？#

数据价值AI 原稿 2000 字 → final 1800 字（删了废话）⭐⭐⭐ 高AI 原稿 → final 完全不变（直接用）⭐⭐ 正反馈AI 原稿 500 字 → final 2000 字（大幅扩写）⭐ 低（扩写靠 prompt 不靠 style）AI 原稿 → final 只改了一个错别字⭐ 低（不是风格问题）

P0 / P1 / P2 规则分级#

• P0: 高置信度（多次出现同一模式），cron 自动应用
• P1: 中置信度，需要人工确认后应用
• P2: 低置信度（只出现 1 次），存档观察

---

🛡 安全机制#

1. 每次 apply 前自动备份 SKILL.md → skill-backups/
2. 一键回滚: improve.py rollback
3. auto 模式只应用 P0 — P1/P2 需要人工确认
4. 提案可审核 — 所有提案以 markdown 保存，可读可编辑

---

📊 CLI 参考#

observe.py#

命令功能record-original <file>记录 AI 原稿record-original --text "..."直接传文本record-final <file> --match <hash>记录最终版pending查看待配对原稿stats总体统计

improve.py#

命令功能extract提取改进建议（默认今天）extract --days 7最近 7 天auto自动提取 + 应用 P0（cron 用）show查看所有提案apply <id>应用指定提案rollback回滚上次应用

---

💡 适用场景#

这个 framework 不限于写作风格，任何 "AI 生成 → 人类修改" 的循环都适用：

• Writing style skill（推文、文章、小红书）
• Code review rules（AI 写代码 → 人类 review）
• Email drafting（AI 写邮件 → 人类调整语气）
• Translation style（AI 翻译 → 人类润色）

核心不变： 记录 original + final，自动 diff 提取规则。

---

🔧 安装#

Claude Code 用户#

bash

# 方式 1: 直接复制到 skills 目录
cp -r self-improving-skill ~/.claude/skills/

# 方式 2: 项目级 skill
cp -r self-improving-skill ./your-project/.claude/skills/

数据自动存储在 ~/.claude/memory/skill-runs/ 下。

OpenClaw / ClawHub 用户#

bash

# 方式 1: ClawHub 安装
npx clawhub@latest install self-improving-skill

# 方式 2: 手动复制
cp -r self-improving-skill ~/clawd/skills/

数据自动存储在 ~/clawd/memory/skill-runs/ 下。

LLM 依赖#

improve.py extract/auto 需要一个 LLM CLI 来分析 diff。自动检测：

CLI安装说明claudeClaude Code 自带优先使用llm``pip install llmSimon Willison 的通用 CLI自定义IMPROVE_LLM_CMD=...任意接受 stdin 的命令

observe.py 不依赖任何 LLM，纯 Python，零依赖。

自定义存储路径#

bash

# 环境变量
export SKILL_BASE_DIR=~/my-custom-path/memory

# 或命令行参数
python3 observe.py stats --log-dir ~/my-path/skill-runs/my-skill/