kontinuierliches-lernen

Kontinuierliches Lernen – VERALTET

VERALTET am 28.04.2026. Verwenden Sie kontinuierliches-lernen-v2 stattdessen. v2 ist eine strikte Obermenge: Stop-Hook-Beobachtung wird zu PreToolUse/PostToolUse-Beobachtung, vollständige Fähigkeiten werden zu atomaren Instinkten mit Konfidenzbewertung und reine globale Speicherung wird zu projektspezifischer Speicherung plus globaler Promotion.

Diese Datei dient als Archivreferenz und für Abwärtskompatibilität mit bestehenden Installationen.

---

Originaldokumentation v1 (Archiv)

Wertet Claude Code-Sitzungen am Ende automatisch aus, um wiederkehrende Muster zu extrahieren, die als gelernte Fähigkeiten gespeichert werden können.

Wann aktivieren

• Einrichten der automatischen Musterextraktion aus Claude Code-Sitzungen
• Konfigurieren des Stop-Hooks für die Sitzungsauswertung
• Überprüfen oder Verwalten gelernter Fähigkeiten in ~/.claude/skills/learned/
• Anpassen von Extraktionsschwellen oder Musterkategorien
• Vergleich von v1 (dieser) mit v2 (instinktbasierten) Ansätzen

Status

Diese v1-Fähigkeit wird weiterhin unterstützt, aber kontinuierliches-lernen-v2 ist der bevorzugte Pfad für neue Installationen. Behalten Sie v1 bei, wenn Sie explizit den einfacheren Stop-Hook-Extraktionsablauf benötigen oder Kompatibilität mit älteren Workflows für gelernte Fähigkeiten wünschen.

Funktionsweise

Diese Fähigkeit wird als Stop-Hook am Ende jeder Sitzung ausgeführt:

1. Sitzungsbewertung: Prüft, ob die Sitzung genügend Nachrichten enthält (Standard: 10+)
2. Mustererkennung: Identifiziert extrahierbare Muster aus der Sitzung
3. Fähigkeitsextraktion: Speichert nützliche Muster unter ~/.claude/skills/learned/

Konfiguration

Bearbeiten Sie config.json, um Anpassungen vorzunehmen:

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

Mustertypen

Muster	Beschreibung
error_resolution	Wie bestimmte Fehler behoben wurden
user_corrections	Muster aus Benutzerkorrekturen
workarounds	Lösungen für Framework-/Bibliotheksbesonderheiten
debugging_techniques	Effektive Debugging-Ansätze
project_specific	Projektspezifische Konventionen

Hook-Einrichtung

Fügen Sie zu Ihrer ~/.claude/settings.json hinzu:

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

Warum Stop-Hook?

• Leichtgewichtig: Wird nur einmal am Sitzungsende ausgeführt
• Nicht blockierend: Fügt keine Latenz zu jeder Nachricht hinzu
• Vollständiger Kontext: Hat Zugriff auf das gesamte Sitzungsprotokoll

Verwandte Themen

• Der Longform-Guide – Abschnitt über kontinuierliches Lernen
• /learn-Befehl – Manuelle Musterextraktion mitten in der Sitzung

---

Vergleichsnotizen (Forschung: Januar 2025)

vs Homunculus

Homunculus v2 verfolgt einen anspruchsvolleren Ansatz:

Funktion	Unser Ansatz	Homunculus v2
Beobachtung	Stop-Hook (Sitzungsende)	PreToolUse/PostToolUse-Hooks (100 % zuverlässig)
Analyse	Hauptkontext	Hintergrundagent (Haiku)
Granularität	Vollständige Fähigkeiten	Atomare „Instinkte“
Konfidenz	Keine	0.3-0.9 gewichtet
Evolution	Direkt zur Fähigkeit	Instinkte → Cluster → Fähigkeit/Befehl/Agent
Teilen	Keine	Export/Import von Instinkten

Wichtige Erkenntnis von homunculus:

„v1 verließ sich auf Fähigkeiten zur Beobachtung. Fähigkeiten feuern probabilistisch – etwa 50-80 % der Zeit. v2 verwendet Hooks zur Beobachtung (100 % zuverlässig) und Instinkte als atomare Einheit gelernten Verhaltens.“

Mögliche v2-Erweiterungen

1. Instinktbasiertes Lernen – Kleinere, atomare Verhaltensweisen mit Konfidenzbewertung
2. Hintergrundbeobachter – Haiku-Agent, der parallel analysiert
3. Konfidenzabfall – Instinkte verlieren Konfidenz, wenn sie widerlegt werden
4. Domänen-Tagging – Code-Stil, Testen, Git, Debugging usw.
5. Evolutionspfad – Verwandte Instinkte zu Fähigkeiten/Befehlen gruppieren

Siehe: docs/continuous-learning-v2-spec.md für vollständige Spezifikation.