mturac 持续学习技能
自动评估 OpenAI Codex 会话的结尾，以提取可重用的模式，这些模式可以保存为学习到的技能。
何时激活
- 设置从 OpenAI Codex 会话中自动提取模式
- 为会话评估配置停止钩子
- 在
~/.codex/skills/learned/中审查或整理已学习的技能 - 调整提取阈值或模式类别
- 比较 v1（本方法）与 v2（基于本能的方法）
工作原理
此技能作为 停止钩子 在每个会话结束时运行：
- 会话评估：检查会话是否包含足够多的消息（默认：10 条以上）
- 模式检测：从会话中识别可提取的模式
- 技能提取：将有用的模式保存到
~/.codex/skills/learned/
配置
编辑 config.json 以进行自定义：
{
"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"
]
}
模式类型
| 模式 | 描述 |
|---|---|
error_resolution |
特定错误是如何解决的 |
user_corrections |
来自用户纠正的模式 |
workarounds |
框架/库特殊性的解决方案 |
debugging_techniques |
有效的调试方法 |
project_specific |
项目特定的约定 |
钩子设置
添加到你的 ~/.codex/settings.json 中：
{
"hooks": {
"Stop": [{
"matcher": "*",
"hooks": [{
"type": "command",
"command": "~/.codex/skills/continuous-learning/evaluate-session.sh"
}]
}]
}
}
为什么使用停止钩子？
- 轻量级：仅在会话结束时运行一次
- 非阻塞：不会给每条消息增加延迟
- 完整上下文：可以访问完整的会话记录
相关
- 长篇指南 - 关于持续学习的章节
/learn命令 - 在会话中手动提取模式
对比说明（研究：2025年1月）
与 Homunculus 的对比
Homunculus v2 采用了更复杂的方法：
| 功能 | 我们的方法 | Homunculus v2 |
|---|---|---|
| 观察 | 停止钩子（会话结束时） | PreToolUse/PostToolUse 钩子（100% 可靠） |
| 分析 | 主上下文 | 后台代理 (Fast) |
| 粒度 | 完整技能 | 原子化的“本能” |
| 置信度 | 无 | 0.3-0.9 加权 |
| 演进 | 直接到技能 | 本能 → 集群 → 技能/命令/代理 |
| 共享 | 无 | 导出/导入本能 |
来自 homunculus 的关键见解：
"v1 依赖技能来观察。技能是概率性的——它们触发的概率约为 50-80%。v2 使用钩子进行观察（100% 可靠），并以本能作为学习行为的原子单元。"
潜在的 v2 增强功能
- 基于本能的学习 - 更小、原子化的行为，附带置信度评分
- 后台观察者 - Fast 代理并行分析
- 置信度衰减 - 如果被反驳，本能会降低置信度
- 领域标记 - 代码风格、测试、git、调试等
- 演进路径 - 将相关本能聚类为技能/命令
参见：docs/continuous-learning-v2-spec.md 以获取完整规范。