Habilidad de Auto-mejora

¿Qué hace Habilidad de Auto-mejora?

Registra aprendizajes y errores en archivos markdown para la mejora continua. Los agentes de codificación pueden procesarlos posteriormente para crear correcciones, y los aprendizajes importantes se promueven a la memoria del proyecto.

Referencia Rápida

Situación	Acción
Un comando/operación falla	Registrar en .learnings/ERRORS.md
El usuario te corrige	Registrar en .learnings/LEARNINGS.md con categoría correction
El usuario quiere una funcionalidad que falta	Registrar en .learnings/FEATURE_REQUESTS.md
La API/herramienta externa falla	Registrar en .learnings/ERRORS.md con detalles de integración
El conocimiento estaba desactualizado	Registrar en .learnings/LEARNINGS.md con categoría knowledge_gap
Se encontró un mejor enfoque	Registrar en .learnings/LEARNINGS.md con categoría best_practice
Simplificar/Endurecer patrones recurrentes	Registrar/actualizar .learnings/LEARNINGS.md con Source: simplify-and-harden y un Pattern-Key estable
Similar a una entrada existente	Vincular con **See Also**, considerar aumentar la prioridad
Aprendizaje ampliamente aplicable	Promover a CLAUDE.md, AGENTS.md, y/o .github/copilot-instructions.md
Mejoras en el flujo de trabajo	Promover a AGENTS.md (espacio de trabajo OpenClaw)
Problemas con herramientas	Promover a TOOLS.md (espacio de trabajo OpenClaw)
Patrones de comportamiento	Promover a SOUL.md (espacio de trabajo OpenClaw)

Configuración OpenClaw (Recomendada)

OpenClaw es la plataforma principal para esta habilidad. Utiliza inyección de prompt basada en el espacio de trabajo con carga automática de habilidades.

Instalación

A través de ClawdHub (recomendado):

clawdhub install self-improving-agent

Manual:

git clone https://github.com/peterskoett/self-improving-agent.git ~/.openclaw/skills/self-improving-agent

Reelaborado para openclaw desde el repositorio original: https://github.com/pskoett/pskoett-ai-skills - https://github.com/pskoett/pskoett-ai-skills/tree/main/skills/self-improvement

Estructura del Espacio de Trabajo

OpenClaw inyecta estos archivos en cada sesión:

~/.openclaw/workspace/
├── AGENTS.md          # Flujos de trabajo multi-agente, patrones de delegación
├── SOUL.md            # Directrices de comportamiento, personalidad, principios
├── TOOLS.md           # Capacidades de herramientas, problemas de integración
├── MEMORY.md          # Memoria a largo plazo (solo sesión principal)
├── memory/            # Archivos de memoria diaria
│   └── YYYY-MM-DD.md
└── .learnings/        # Archivos de registro de esta habilidad
    ├── LEARNINGS.md
    ├── ERRORS.md
    └── FEATURE_REQUESTS.md

Crear Archivos de Aprendizaje

mkdir -p ~/.openclaw/workspace/.learnings

Luego crea los archivos de registro (o cópialos de assets/):

• LEARNINGS.md — correcciones, lagunas de conocimiento, mejores prácticas
• ERRORS.md — fallos de comandos, excepciones
• FEATURE_REQUESTS.md — funcionalidades solicitadas por el usuario

Objetivos de Promoción

Cuando los aprendizajes demuestren ser ampliamente aplicables, promuévelos a los archivos del espacio de trabajo:

Tipo de Aprendizaje	Promover a	Ejemplo
Patrones de comportamiento	SOUL.md	"Sé conciso, evita descargos"
Mejoras en el flujo de trabajo	AGENTS.md	"Crea subagentes para tareas largas"
Problemas con herramientas	TOOLS.md	"Git push necesita autenticación configurada primero"

Comunicación Entre Sesiones

OpenClaw proporciona herramientas para compartir aprendizajes entre sesiones:

• sessions_list — Ver sesiones activas/recientes
• sessions_history — Leer la transcripción de otra sesión
• sessions_send — Enviar un aprendizaje a otra sesión
• sessions_spawn — Crear un subagente para trabajo en segundo plano

Opcional: Activar Hook

Para recordatorios automáticos al inicio de la sesión:

# Copiar hook al directorio de hooks de OpenClaw
cp -r hooks/openclaw ~/.openclaw/hooks/self-improvement

# Habilitarlo
openclaw hooks enable self-improvement

Consulta references/openclaw-integration.md para detalles completos.

---

Configuración Genérica (Otros Agentes)

Para Claude Code, Codex, Copilot u otros agentes, crea .learnings/ en tu proyecto:

mkdir -p .learnings

Copia las plantillas de assets/ o crea archivos con encabezados.

Añade referencia a los archivos del agente AGENTS.md, CLAUDE.md, o .github/copilot-instructions.md para recordarte registrar aprendizajes. (Esta es una alternativa a los recordatorios basados en hooks)

Flujo de Trabajo de Auto-mejora

Cuando ocurran errores o correcciones:

1. Registrar en .learnings/ERRORS.md, LEARNINGS.md, o FEATURE_REQUESTS.md
2. Revisar y promover aprendizajes ampliamente aplicables a:
   • CLAUDE.md - hechos y convenciones del proyecto
   • AGENTS.md - flujos de trabajo y automatización
   • .github/copilot-instructions.md - contexto para Copilot

Formato de Registro

Entrada de Aprendizaje

Añadir a .learnings/LEARNINGS.md:

## [LRN-YYYYMMDD-XXX] categoría

**Logged**: Marca de tiempo ISO-8601
**Priority**: baja | media | alta | crítico
**Status**: pendiente
**Area**: frontend | backend | infra | tests | docs | config

### Resumen
Descripción en una línea de lo aprendido

### Detalles
Contexto completo: qué pasó, qué estaba mal, qué es correcto

### Acción Sugerida
Corrección o mejora específica a realizar

### Metadatos
- Source: conversación | error | retroalimentación_usuario
- Related Files: ruta/al/archivo.ext
- Tags: etiqueta1, etiqueta2
- See Also: LRN-20250110-001 (si está relacionado con una entrada existente)
- Pattern-Key: simplify.codigo_muerto | harden.validacion_entrada (opcional, para seguimiento de patrones recurrentes)
- Recurrence-Count: 1 (opcional)
- First-Seen: 2025-01-15 (opcional)
- Last-Seen: 2025-01-15 (opcional)

---

Entrada de Error

Añadir a .learnings/ERRORS.md:

## [ERR-YYYYMMDD-XXX] nombre_del_comando_o_habilidad

**Logged**: Marca de tiempo ISO-8601
**Priority**: alta
**Status**: pendiente
**Area**: frontend | backend | infra | tests | docs | config

### Resumen
Breve descripción de lo que falló

### Error

Mensaje de error real o salida

### Contexto
- Comando/operación intentada
- Entrada o parámetros utilizados
- Detalles del entorno si es relevante

### Solución Sugerida
Si es identificable, qué podría resolver esto

### Metadatos
- Reproducible: sí | no | desconocido
- Related Files: ruta/al/archivo.ext
- See Also: ERR-20250110-001 (si es recurrente)

---

Entrada de Solicitud de Funcionalidad

Añadir a .learnings/FEATURE_REQUESTS.md:

## [FEAT-YYYYMMDD-XXX] nombre_de_la_capacidad

**Logged**: Marca de tiempo ISO-8601
**Priority**: media
**Status**: pendiente
**Area**: frontend | backend | infra | tests | docs | config

### Capacidad Solicitada
Lo que el usuario quería hacer

### Contexto del Usuario
Por qué lo necesitaba, qué problema está resolviendo

### Estimación de Complejidad
simple | media | compleja

### Implementación Sugerida
Cómo se podría construir, qué podría extender

### Metadatos
- Frequency: primera_vez | recurrente
- Related Features: nombre_funcionalidad_existente

---

Generación de ID

Formato: TYPE-YYYYMMDD-XXX

• TYPE: LRN (aprendizaje), ERR (error), FEAT (funcionalidad)
• YYYYMMDD: Fecha actual
• XXX: Número secuencial o 3 caracteres aleatorios (ej., 001, A7B)

Ejemplos: LRN-20250115-001, ERR-20250115-A3F, FEAT-20250115-002

Resolución de Entradas

Cuando un problema se soluciona, actualiza la entrada:

1. Cambiar **Status**: pendiente → **Status**: resuelto
2. Añadir bloque de resolución después de Metadatos:

### Resolución
- **Resolved**: 2025-01-16T09:00:00Z
- **Commit/PR**: abc123 o #42
- **Notes**: Breve descripción de lo que se hizo

Otros valores de estado:

• in_progress - Se está trabajando activamente
• wont_fix - Se decidió no abordar (añadir razón en notas de Resolución)
• promoted - Elevado a CLAUDE.md, AGENTS.md, o .github/copilot-instructions.md

Promoción a la Memoria del Proyecto

Cuando un aprendizaje es ampliamente aplicable (no es una corrección única), promuévelo a la memoria permanente del proyecto.

Cuándo Promover

• El aprendizaje aplica a múltiples archivos/funcionalidades
• Conocimiento que cualquier colaborador (humano o IA) debería saber
• Previene errores recurrentes
• Documenta convenciones específicas del proyecto

Objetivos de Promoción

Objetivo	Qué Pertenece Allí
CLAUDE.md	Hechos del proyecto, convenciones, problemas para todas las interacciones con Claude
AGENTS.md	Flujos de trabajo específicos del agente, patrones de uso de herramientas, reglas de automatización
.github/copilot-instructions.md	Contexto y convenciones del proyecto para GitHub Copilot
SOUL.md	Directrices de comportamiento, estilo de comunicación, principios (espacio de trabajo OpenClaw)
TOOLS.md	Capacidades de herramientas, patrones de uso, problemas de integración (espacio de trabajo OpenClaw)

Cómo Promover

1. Destilar el aprendizaje en una regla o hecho conciso
2. Añadir a la sección apropiada en el archivo objetivo (crear archivo si es necesario)
3. Actualizar la entrada original:
   • Cambiar **Status**: pendiente → **Status**: promovido
   • Añadir **Promoted**: CLAUDE.md, AGENTS.md, o .github/copilot-instructions.md

Ejemplos de Promoción

Aprendizaje (detallado):

El proyecto usa pnpm workspaces. Intenté npm install pero falló. El archivo de bloqueo es pnpm-lock.yaml. Debo usar pnpm install.

En CLAUDE.md (conciso):

## Compilación y Dependencias
- Gestor de paquetes: pnpm (no npm) - usa `pnpm install`

Aprendizaje (detallado):

Al modificar endpoints de API, debo regenerar el cliente TypeScript. Olvidar esto causa discrepancias de tipos en tiempo de ejecución.

En AGENTS.md (procesable):

## Después de Cambios en la API
1. Regenerar cliente: `pnpm run generate:api`
2. Verificar errores de tipo: `pnpm tsc --noEmit`

Detección de Patrones Recurrentes

Si estás registrando algo similar a una entrada existente:

1. Buscar primero: grep -r "palabra_clave" .learnings/
2. Vincular entradas: Añadir **See Also**: ERR-20250110-001 en Metadatos
3. Aumentar prioridad si el problema sigue repitiéndose
4. Considerar solución sistémica: Los problemas recurrentes a menudo indican:
   • Documentación faltante (→ promover a CLAUDE.md o .github/copilot-instructions.md)
   • Automatización faltante (→ añadir a AGENTS.md)
   • Problema arquitectónico (→ crear ticket de deuda técnica)

Flujo de Simplificar y Endurecer

Usa este flujo de trabajo para ingerir patrones recurrentes de la habilidad simplify-and-harden y convertirlos en guías de prompt duraderas.

Flujo de Ingestión

1. Leer simplify_and_harden.learning_loop.candidates del resumen de la tarea.
2. Para cada candidato, usar pattern_key como clave de deduplicación estable.
3. Buscar en .learnings/LEARNINGS.md una entrada existente con esa clave:
   • grep -n "Pattern-Key: <pattern_key>" .learnings/LEARNINGS.md
4. Si se encuentra:
   • Incrementar Recurrence-Count
   • Actualizar Last-Seen
   • Añadir enlaces See Also a entradas/tareas relacionadas
5. Si no se encuentra:
   • Crear una nueva entrada LRN-...
   • Establecer Source: simplify-and-harden
   • Establecer Pattern-Key, Recurrence-Count: 1, y First-Seen/Last-Seen

Regla de Promoción (Retroalimentación del Prompt del Sistema)

Promover patrones recurrentes a archivos de contexto del agente/prompt del sistema cuando todos sean ciertos:

• Recurrence-Count >= 3
• Visto en al menos 2 tareas distintas
• Ocurrió dentro de una ventana de 30 días

Objetivos de promoción:

• CLAUDE.md
• AGENTS.md
• .github/copilot-instructions.md
• SOUL.md / TOOLS.md para guías a nivel de espacio de trabajo OpenClaw cuando corresponda

Escribe las reglas promovidas como reglas de prevención cortas (qué hacer antes/mientras se codifica), no informes largos de incidentes.

Revisión Periódica

Revisa .learnings/ en puntos de interrupción naturales:

Cuándo Revisar

• Antes de comenzar una nueva tarea importante
• Después de completar una funcionalidad
• Cuando trabajes en un área con aprendizajes pasados
• Semanalmente durante el desarrollo activo

Verificación Rápida de Estado

# Contar elementos pendientes
grep -h "Status\*\*: pending" .learnings/*.md | wc -l

# Listar elementos pendientes de alta prioridad
grep -B5 "Priority\*\*: high" .learnings/*.md | grep "^## \["

# Encontrar aprendizajes para un área específica
grep -l "Area\*\*: backend" .learnings/*.md

Acciones de Revisión

• Resolver elementos corregidos
• Promover aprendizajes aplicables
• Vincular entradas relacionadas
• Escalar problemas recurrentes

Disparadores de Detección

Registra automáticamente cuando notes:

Correcciones (→ aprendizaje con categoría correction):

• "No, eso no está bien..."
• "En realidad, debería ser..."
• "Te equivocas sobre..."
• "Eso está desactualizado..."

Solicitudes de Funcionalidades (→ solicitud de funcionalidad):

• "¿Puedes también..."
• "Ojalá pudieras..."
• "¿Hay alguna manera de..."
• "¿Por qué no puedes..."

Lagunas de Conocimiento (→ aprendizaje con categoría knowledge_gap):

• El usuario proporciona información que no sabías
• La documentación que consultaste está desactualizada
• El comportamiento de la API difiere de tu entendimiento

Errores (→ entrada de error):

• El comando devuelve un código de salida distinto de cero
• Excepción o traza de pila
• Salida o comportamiento inesperado
• Tiempo de espera agotado o fallo de conexión

Guías de Prioridad

Prioridad	Cuándo Usar
critical	Bloquea la funcionalidad principal, riesgo de pérdida de datos, problema de seguridad
high	Impacto significativo, afecta flujos de trabajo comunes, problema recurrente
medium	Impacto moderado, existe alternativa
low	Molestia menor, caso extremo, agradable de tener

Etiquetas de Área

Usa para filtrar aprendizajes por región del código base:

Área	Alcance
frontend	UI, componentes, código del lado del cliente
backend	API, servicios, código del lado del servidor
infra	CI/CD, despliegue, Docker, nube
tests	Archivos de prueba, utilidades de prueba, cobertura
docs	Documentación, comentarios, READMEs
config	Archivos de configuración, entorno, ajustes

Mejores Prácticas

1. Registra inmediatamente - el contexto está más fresco justo después del problema
2. Sé específico - los agentes futuros necesitan entender rápidamente
3. Incluye pasos de reproducción - especialmente para errores
4. Víncula archivos relacionados - facilita las correcciones
5. Sugiere correcciones concretas - no solo "investigar"
6. Usa categorías consistentes - permite el filtrado
7. Promueve agresivamente - si tienes dudas, añádelo a CLAUDE.md o .github/copilot-instructions.md
8. Revisa regularmente - los aprendizajes obsoletos pierden valor

Opciones de Gitignore

Mantener aprendizajes locales (por desarrollador):

.learnings/

Rastrear aprendizajes en el repositorio (para todo el equipo): No añadir a .gitignore - los aprendizajes se convierten en conocimiento compartido.

Híbrido (rastrear plantillas, ignorar entradas):

.learnings/*.md
!.learnings/.gitkeep

Integración de Hooks

Habilita recordatorios automáticos a través de hooks del agente. Esto es optativo - debes configurar los hooks explícitamente.

Configuración Rápida (Claude Code / Codex)

...