apprentissage-continu

Compétence d'apprentissage continu - OBSOLÈTE

OBSOLÈTE 2026-04-28. Utiliser apprentissage-continu-v2 à la place. v2 est un sur-ensemble strict : l'observation par hook Stop devient une observation PreToolUse/PostToolUse, les compétences complètes deviennent des instincts atomiques avec score de confiance, et le stockage global uniquement devient limité au projet avec promotion globale.

Ce fichier est conservé comme référence d'archive et pour la rétrocompatibilité avec les installations existantes.

---

Documentation v1 originale (archivage)

Évalue automatiquement les sessions Claude Code à leur terme pour extraire des motifs réutilisables pouvant être sauvegardés en tant que compétences apprises.

Quand l'activer

• Mise en place d'une extraction automatique de motifs à partir des sessions Claude Code
• Configuration du hook Stop pour l'évaluation de session
• Révision ou conservation des compétences apprises dans ~/.claude/skills/learned/
• Ajustement des seuils d'extraction ou des catégories de motifs
• Comparaison des approches v1 (cette version) et v2 (basée sur les instincts)

Statut

Cette compétence v1 est toujours prise en charge, mais apprentissage-continu-v2 est le chemin préféré pour les nouvelles installations. Conservez v1 si vous souhaitez explicitement le flux d'extraction simple par hook Stop ou si vous avez besoin de compatibilité avec des workflows de compétences apprises plus anciens.

Fonctionnement

Cette compétence s'exécute comme un hook Stop à la fin de chaque session :

1. Évaluation de session : Vérifie si la session contient suffisamment de messages (par défaut : 10+)
2. Détection de motifs : Identifie les motifs extractibles de la session
3. Extraction de compétence : Sauvegarde les motifs utiles dans ~/.claude/skills/learned/

Configuration

Modifiez config.json pour personnaliser :

{
  "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"
  ]
}

Types de motifs

Motif	Description
error_resolution	Comment des erreurs spécifiques ont été résolues
user_corrections	Motifs issus de corrections utilisateur
workarounds	Solutions aux bizarreries des frameworks/bibliothèques
debugging_techniques	Approches de débogage efficaces
project_specific	Conventions spécifiques au projet

Configuration du hook

Ajoutez à votre ~/.claude/settings.json :

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

Pourquoi un hook Stop ?

• Léger : S'exécute une fois à la fin de la session
• Non bloquant : N'ajoute pas de latence à chaque message
• Contexte complet : A accès à l'intégralité du transcript de la session

Voir aussi

• Le guide long - Section sur l'apprentissage continu
• Commande /learn - Extraction manuelle de motifs en cours de session

---

Notes de comparaison (Recherche : janvier 2025)

vs Homunculus

Homunculus v2 adopte une approche plus sophistiquée :

Fonctionnalité	Notre approche	Homunculus v2
Observation	Hook Stop (fin de session)	Hooks PreToolUse/PostToolUse (100 % fiable)
Analyse	Contexte principal	Agent d'arrière-plan (Haiku)
Granularité	Compétences complètes	« Instincts » atomiques
Confiance	Aucune	Pondérée de 0,3 à 0,9
Évolution	Directe vers compétence	Instincts → regroupement → compétence/commande/agent
Partage	Aucun	Export/import d'instincts

Point clé d'Homunculus :

« v1 s'appuyait sur les compétences pour observer. Les compétences sont probabilistes—elles se déclenchent ~50-80 % du temps. v2 utilise des hooks pour l'observation (100 % fiable) et les instincts comme unité atomique du comportement appris. »

Améliorations potentielles de v2

1. Apprentissage basé sur les instincts - Comportements plus petits et atomiques avec score de confiance
2. Observateur d'arrière-plan - Agent Haiku analysant en parallèle
3. Décroissance de confiance - Les instincts perdent en confiance s'ils sont contredits
4. Étiquetage par domaine - style-de-code, tests, git, débogage, etc.
5. Chemin d'évolution - Regrouper les instincts liés en compétences/commandes

Voir : docs/continuous-learning-v2-spec.md pour le cahier des charges complet.