Habilidad de Auto-Mejora
Registra lecciones y errores en archivos Markdown para una mejora continua. Los agentes de codificación pueden procesarlos posteriormente para generar correcciones, y los aprendizajes importantes se promocionan a la memoria del proyecto.
Referencia Rápida
| Situación | Acción |
|---|---|
| Falla un comando/operación | Registrar en .learnings/ERRORS.md |
| El usuario te corrige | Registrar en .learnings/LEARNINGS.md con categoría correction |
| El usuario quiere una función faltante | Registrar en .learnings/FEATURE_REQUESTS.md |
| Falla API/herramienta externa | Registrar en .learnings/ERRORS.md con detalles de integración |
| Conocimiento desactualizado | Registrar en .learnings/LEARNINGS.md con categoría knowledge_gap |
| Se encontró un mejor enfoque | Registrar en .learnings/LEARNINGS.md con categoría best_practice |
| Similar a una entrada existente | Enlazar con **Ver También**, considerar aumentar prioridad |
| Aprendizaje ampliamente aplicable | Promocionar a CLAUDE.md, AGENTS.md y/o .github/copilot-instructions.md |
| Mejoras en el flujo de trabajo | Promocionar a AGENTS.md (espacio de trabajo OpenClaw) |
| Problemas conocidos de herramientas | Promocionar a TOOLS.md (espacio de trabajo OpenClaw) |
| Patrones de comportamiento | Promocionar a SOUL.md (espacio de trabajo OpenClaw) |
Configuración con OpenClaw (Recomendada)
OpenClaw es la plataforma principal para esta habilidad. Utiliza inyección de indicaciones 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
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 # Pautas 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 desde assets/):
LEARNINGS.md— correcciones, brechas de conocimiento, mejores prácticasERRORS.md— fallos de comandos, excepcionesFEATURE_REQUESTS.md— capacidades solicitadas por el usuario
Objetivos de Promoción
Cuando los aprendizajes resultan ampliamente aplicables, promociónalos a los archivos del espacio de trabajo:
| Tipo de Aprendizaje | Promocionar a | Ejemplo |
|---|---|---|
| Patrones de comportamiento | SOUL.md | "Sé conciso, evita descargos de responsabilidad" |
| Mejoras en el flujo de trabajo | AGENTS.md | "Genera subagentes para tareas largas" |
| Problemas conocidos de 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 — Generar un subagente para trabajo en segundo plano
Opcional: Activar el Hook
Para recordatorios automáticos al inicio de la sesión:
# Copiar el 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 obtener 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 desde assets/ o crea archivos con encabezados.
Formato de Registro
Entrada de Aprendizaje
Añade a .learnings/LEARNINGS.md:
## [LRN-YYYYMMDD-XXX] categoría
**Registrado**: Marca de tiempo ISO-8601
**Prioridad**: baja | media | alta | crítica
**Estado**: pendiente
**Área**: frontend | backend | infra | pruebas | docs | config
### Resumen
Descripción de 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
- Origen: conversación | error | comentario_usuario
- Archivos Relacionados: ruta/al/archivo.ext
- Etiquetas: etiqueta1, etiqueta2
- Ver También: LRN-20250110-001 (si está relacionado con una entrada existente)
---
Entrada de Error
Añade a .learnings/ERRORS.md:
## [ERR-YYYYMMDD-XXX] nombre_habilidad_o_comando
**Registrado**: Marca de tiempo ISO-8601
**Prioridad**: alta
**Estado**: pendiente
**Área**: frontend | backend | infra | pruebas | docs | config
### Resumen
Breve descripción de lo que falló
### Error
Mensaje de error real o salida
### Contexto
- Comando/operación intentado
- Entrada o parámetros utilizados
- Detalles del entorno si corresponde
### Corrección Sugerida
Si es identificable, qué podría resolverlo
### Metadatos
- Reproducible: sí | no | desconocido
- Archivos Relacionados: ruta/al/archivo.ext
- Ver También: ERR-20250110-001 (si es recurrente)
---
Entrada de Solicitud de Función
Añade a .learnings/FEATURE_REQUESTS.md:
## [FEAT-YYYYMMDD-XXX] nombre_capacidad
**Registrado**: Marca de tiempo ISO-8601
**Prioridad**: media
**Estado**: pendiente
**Área**: frontend | backend | infra | pruebas | 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 podría construirse, qué podría extender
### Metadatos
- Frecuencia: primera_vez | recurrente
- Funciones Relacionadas: nombre_funcion_existente
---
Generación de ID
Formato: TIPO-YYYYMMDD-XXX
- TIPO:
LRN(aprendizaje),ERR(error),FEAT(función) - 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 está solucionado, actualiza la entrada:
- Cambia
**Estado**: pendiente→**Estado**: resuelto - Añade bloque de resolución después de Metadatos:
### Resolución
- **Resuelto**: 2025-01-16T09:00:00Z
- **Commit/PR**: abc123 o #42
- **Notas**: Breve descripción de lo que se hizo
Otros valores de estado:
en_progreso- Se está trabajando activamenteno_se_arreglara- Se decidió no abordar (añade motivo en notas de Resolución)promocionado- Elevado a CLAUDE.md, AGENTS.md o .github/copilot-instructions.md
Promoción a la Memoria del Proyecto
Cuando un aprendizaje es ampliamente aplicable (no una corrección puntual), promuévelo a la memoria permanente del proyecto.
Cuándo Promocionar
- 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 conocidos 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 | Pautas 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 Promocionar
- Destila el aprendizaje en una regla o hecho conciso
- Añádelo a la sección apropiada en el archivo de destino (crea el archivo si es necesario)
- Actualiza la entrada original:
- Cambia
**Estado**: pendiente→**Estado**: promocionado - Añade
**Promocionado**: CLAUDE.md,AGENTS.mdo.github/copilot-instructions.md
- Cambia
Ejemplos de Promoción
Aprendizaje (detallado):
El proyecto usa pnpm workspaces. Intenté
npm installpero falló. El archivo lock espnpm-lock.yaml. Debo usarpnpm 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 provoca desajustes de tipo en tiempo de ejecución.
En AGENTS.md (accionable):
## Después de Cambios en API
1. Regenerar cliente: `pnpm run generate:api`
2. Verificar errores de tipo: `pnpm tsc --noEmit`
Detección de Patrones Recurrentes
Si registras algo similar a una entrada existente:
- Busca primero:
grep -r "palabra_clave" .learnings/ - Enlaza entradas: Añade
**Ver También**: ERR-20250110-001en Metadatos - Aumenta prioridad si el problema sigue repitiéndose
- Considera una corrección sistémica: Los problemas recurrentes a menudo indican:
- Falta de documentación (→ promocionar a CLAUDE.md o .github/copilot-instructions.md)
- Falta de automatización (→ añadir a AGENTS.md)
- Problema arquitectónico (→ crear ticket de deuda técnica)
Revisión Periódica
Revisa .learnings/ en puntos de interrupción naturales:
Cuándo Revisar
- Antes de comenzar una nueva tarea importante
- Después de completar una funcionalidad
- Cuando se trabaja en un área con aprendizajes pasados
- Semanalmente durante el desarrollo activo
Verificación Rápida de Estado
# Contar elementos pendientes
grep -h "Estado\*\*: pendiente" .learnings/*.md | wc -l
# Listar elementos pendientes de alta prioridad
grep -B5 "Prioridad\*\*: alta" .learnings/*.md | grep "^## \["
# Encontrar aprendizajes para un área específica
grep -l "Área\*\*: backend" .learnings/*.md
Acciones de Revisión
- Resolver elementos solucionados
- Promocionar aprendizajes aplicables
- Enlazar 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 Funciones (→ solicitud de función):
- "¿Puedes también…"
- "Ojalá pudieras…"
- "¿Hay alguna forma de…"
- "¿Por qué no puedes…"
Brechas de Conocimiento (→ aprendizaje con categoría knowledge_gap):
- El usuario proporciona información que no conocías
- 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 inesperados
- Tiempo de espera agotado o fallo de conexión
Pautas de Prioridad
| Prioridad | Cuándo Usar |
|---|---|
crítica | Bloquea funcionalidad principal, riesgo de pérdida de datos, problema de seguridad |
alta | Impacto significativo, afecta flujos de trabajo comunes, problema recurrente |
media | Impacto moderado, existe solución alternativa |
baja | Molestia menor, caso extremo, agradable de tener |
Etiquetas de Área
Úsalas 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 |
pruebas | Archivos de prueba, utilidades de prueba, cobertura |
docs | Documentación, comentarios, READMEs |
config | Archivos de configuración, entorno, ajustes |
Mejores Prácticas
- Registra inmediatamente - el contexto está más fresco justo después del problema
- Sé específico - los agentes futuros necesitan entender rápidamente
- Incluye pasos de reproducción - especialmente para errores
- Enlaza archivos relacionados - facilita las correcciones
- Sugiere correcciones concretas - no solo "investigar"
- Usa categorías consistentes - permite filtrar
- Promociona agresivamente - en caso de duda, añade a CLAUDE.md o .github/copilot-instructions.md
- Revisa regularmente - los aprendizajes desactualizados pierden valor
Opciones de Gitignore
Mantener aprendizajes locales (por desarrollador):
.learnings/
Rastrear aprendizajes en el repositorio (para todo el equipo): No añadas 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)
Crea .claude/settings.json en tu proyecto:
{
"hooks": {
"UserPromptSubmit": [{
"matcher": "",
"hooks": [{
"type": "command",
"command": "./skills/self-improvement/scripts/activator.sh"
}]
}]
}
}
Esto inyecta un recordatorio de evaluación de aprendizaje después de cada indicación (~50-100 tokens de sobrecarga).
Configuración Completa (Con Detección de Errores)
{
"hooks": {
"UserPromptSubmit": [{
"matcher": "",
"hooks": [{
"type": "command",
"command": "./skills/self-improvement/scripts/activator.sh"
}]
}],
"PostToolUse": [{
"matcher": "Bash",
"hooks": [{
"type": "command",
"command": "./skills/self-improvement/scripts/error-detector.sh"
}]
}]
}
}
Scripts de Hook Disponibles
| Script | Tipo de Hook | Propósito |
|---|---|---|
scripts/activator.sh | UserPromptSubmit | Recuerda evaluar aprendizajes después de tareas |
scripts/error-detector.sh | PostToolUse (Bash) | Se activa en errores de comando |
Consulta references/hooks-setup.md para configuración detallada y resolución de problemas.
Extracción Automática de Habilidades
Cuando un aprendizaje es lo suficientemente valioso como para convertirse en una habilidad reutilizable, extráelo usando el ayudante proporcionado.
Criterios de Extracción de Habilidades
Un aprendizaje califica para extracción de habilidad cuando se cumple ALGUNA de estas condiciones:
| Criterio | Descripción |
|---|---|
| Recurrente | Tiene enlaces Ver También a 2 o más problemas similares |
| Verificado | El estado es resuelto con una corrección funcional |
| No obvio | Requirió depuración/investigación real para descubrirlo |
| Ampliamente aplicable | No es específico del proyecto; útil en múltiples bases de código |
| Marcado por el usuario | El usuario dice "guarda esto como una habilidad" o similar |
Flujo de Trabajo de Extracción
- Identifica el candidato: El aprendizaje cumple con los criterios de extracción
- Ejecuta el ayudante (o crea manualmente):
./skills/self-improvement/scripts/extract-skill.sh nombre-habilidad --dry-run ./skills/self-improvement/scripts/extract-skill.sh nombre-habilidad - Personaliza SKILL.md: Llena la plantilla con el contenido del aprendizaje
- Actualiza el aprendizaje: Cambia el estado a
promocionado_a_habilidad, añadeRuta-Habilidad - Verifica: Lee la habilidad en una sesión nueva para asegurarte de que sea autocontenida
Extracción Manual
Si prefieres la extracción manual...
[truncado para traducción]