hashgraph-online Error Experience Library
用途
- 自动从错误中学习：每次错误解决后，将根因-解决方案对沉淀到经验库
- 历史查询：遇到错误时，先查询经验库是否有已知模式
- 反馈更新：根据实际解决结果更新经验库的成功/失败计数
- 持续优化：高成功率的模式优先推荐，低成功率的模式标记为警示
核心操作
1. 记录错误模式 (record)
当成功解决一个错误后，将经验沉淀：
错误类型: [如: build_error, runtime_error, type_error]
错误信息片段: [可匹配的关键词]
根因: [为什么会发生]
解决方案: [如何修复]
语言/框架: [如: python, typescript, react]
文件模式: [可选，如: **/*.ts]
标签: [如: null-check, async, import]
2. 查询错误模式 (search)
遇到错误时，先查询经验库：
查询关键词: [错误信息或类型]
返回: 按成功率排序的匹配模式
3. 提供反馈 (feedback)
解决方案验证后，更新成功率：
pattern_id: 模式ID
success: true/false
存储位置
- 本地：
~/.claude/memory/error_experience/patterns/ - 每个模式一个 JSON 文件，包含 success_count 和 failure_count
触发信号
- 遇到 build error 或 runtime error 时
- 成功解决错误后，应该记录到经验库
- 使用
/error-lookup命令快速查询
配合约束
- 记录时尽量包含具体的错误信息片段，便于后续匹配
- 根因要具体，不要只写"代码有 bug"
- 解决方案要包含具体的修改内容
- 标签要准确，便于按领域查询
- 验证结果后务必提供反馈，更新成功率
相关工具
scripts/lib/memory_store.py- 底层存储接口search_error_patterns()- 查询模式save_error_pattern()- 保存新模式record_pattern_feedback()- 记录反馈
命令接入
/error-lookup <关键词>- 查询历史错误模式/error-record- 记录当前错误的解决方案/error-feedback <pattern_id> <success|failure>- 更新反馈
Source: hashgraph-online/awesome-codex-plugins → plugins/Colin4k1024/tsp/skills/error-experience-library/SKILL.md