Continuous Learning

継続学習スキル

OpenAI Codexセッションを終了時に自動的に評価し、学習済みスキルとして保存できる再利用可能なパターンを抽出します。

動作原理

このスキルは各セッション終了時にStopフックとして実行されます:

1. セッション評価: セッションに十分なメッセージがあるか確認(デフォルト: 10以上)
2. パターン検出: セッションから抽出可能なパターンを識別
3. スキル抽出: 有用なパターンを~/.codex/skills/learned/に保存

設定

config.jsonを編集してカスタマイズ:

{
  "min_session_length": 10,
  "extraction_threshold": "medium",
  "auto_approve": false,
  "learned_skills_path": "~/.codex/skills/learned/",
  "patterns_to_detect": [
    "error_resolution",
    "user_corrections",
    "workarounds",
    "debugging_techniques",
    "project_specific"
  ],
  "ignore_patterns": [
    "simple_typos",
    "one_time_fixes",
    "external_api_issues"
  ]
}

パターンの種類

フック設定

~/.codex/settings.jsonに追加:

{
  "hooks": {
    "Stop": [{
      "matcher": "*",
      "hooks": [{
        "type": "command",
        "command": "~/.codex/skills/continuous-learning/evaluate-session.sh"
      }]
    }]
  }
}

Stopフックを使用する理由

• 軽量: セッション終了時に1回だけ実行
• ノンブロッキング: すべてのメッセージにレイテンシを追加しない
• 完全なコンテキスト: セッション全体のトランスクリプトにアクセス可能

関連項目

• The Longform Guide - 継続学習に関するセクション
• /learnコマンド - セッション中の手動パターン抽出

比較ノート (調査: 2025年1月)

vs Homunculus

Homunculus v2はより洗練されたアプローチを採用:

homunculusからの重要な洞察:

"v1はスキルに観察を依存していました。スキルは確率的で、発火率は約50-80%です。v2は観察にフック(100%信頼性)を使用し、学習された振る舞いの原子単位として本能を使用します。"

v2の潜在的な改善

1. 本能ベースの学習 - 信頼度スコアリングを持つ、より小さく原子的な振る舞い
2. バックグラウンド観察者 - 並行して分析するFastエージェント
3. 信頼度の減衰 - 矛盾した場合に本能の信頼度が低下
4. ドメインタグ付け - コードスタイル、テスト、git、デバッグなど
5. 進化パス - 関連する本能をスキル/コマンドにクラスタ化

詳細: docs/continuous-learning-v2-spec.mdを参照。