continuous-learning · rohitg00 — скилл для Claude Code: обучение и установка
Скилл continuous-learning для Claude Code фиксирует исправления и удачные решения из сессий и применяет накопленные знания в проекте. Учитывает прошлые правки агента.
Apache-2.0 ★ 2 858 обновлён 2026-05-12
npx skills add rohitg00/awesome-claude-code-toolkit --skill continuous-learning -a claude-codeЧто делает continuous-learning
После заметной сессии скилл предлагает разобрать изменения и записать исправления, удачные подходы и антипаттерны. Для каждой записи задаются контекст, наблюдение, урок и оценка уверенности; повторные наблюдения повышают частоту паттерна, а совпадающие записи можно объединять.
В конце сессии агент проверяет изменения, обновляет оценки и сохраняет выводы в CLAUDE.md или LEARNED.md. Базу знаний можно разделить по темам, например, вынести ошибки и тестирование в отдельные файлы. Уровень уверенности влияет на действие: одни выводы применяются автоматически, другие предлагаются с оговоркой или требуют подтверждения. Оценка зависит от подтверждений и отклонений пользователя, поэтому ошибочный паттерн может потерять вес.
Какие задачи решает
- записывать исправления пользователя как повторно применимые уроки
- отделять удачные решения от подходов, вызвавших проблемы
- сохранять выводы сессии в
CLAUDE.mdилиLEARNED.md - обновлять уверенность в паттернах по новым подтверждениям
Примеры запросов агенту
- Разбери изменения этой сессии и сохрани исправления и удачные решения в
CLAUDE.md. - Запиши мою правку как урок, укажи причину и проверь похожие паттерны.
- Оцени уверенность в накопленных правилах и предложи, какие применять автоматически.
Как установить continuous-learning
1Через Skills CLI (Vercel)
npx skills add rohitg00/awesome-claude-code-toolkit --skill continuous-learning -a claude-code2Вручную: положить файлы
~/.claude/skills/continuous-learning/SKILL.mdПапка скилла целиком; для одного проекта — .claude/skills/continuous-learning/
1Через Skills CLI (Vercel)
npx skills add rohitg00/awesome-claude-code-toolkit --skill continuous-learning -a codex2Вручную: положить файлы
.agents/skills/continuous-learning/SKILL.mdДля всех проектов — ~/.agents/skills/
1Через Skills CLI (Vercel)
npx skills add rohitg00/awesome-claude-code-toolkit --skill continuous-learning -a cursor2Вручную: положить файлы
.cursor/skills/continuous-learning/SKILL.mdCursor читает и .agents/skills/, и .claude/skills/
1GitHub CLI
gh skill install rohitg00/awesome-claude-code-toolkit skills/continuous-learning2Вручную: положить файлы
.github/skills/continuous-learning/SKILL.md1Через Skills CLI (Vercel)
npx skills add rohitg00/awesome-claude-code-toolkit --skill continuous-learning -a gemini-cli2Командой платформы
gemini skills install https://github.com/rohitg00/awesome-claude-code-toolkit --path skills/continuous-learningВручную: положить файлы
.devin/skills/continuous-learning/SKILL.mdСтарый путь .windsurf/skills/ тоже читается
Claude.ai
Упакуйте папку в zip и загрузите в Settings → Capabilities → Skills
По шагам, с командами для каждой платформы: Как установить скилл в Claude Code: пять способов
Вопросы о continuous-learning
Как установить continuous-learning в Claude Code?
Выполните npx skills add rohitg00/awesome-claude-code-toolkit --skill continuous-learning -a claude-code, затем используйте файл ~/.claude/skills/continuous-learning/SKILL.md.
Что делает continuous-learning?
Скилл собирает из сессий исправления, успешные подходы и антипаттерны. Он предлагает сохранять их с оценкой уверенности и обновлять при новых подтверждениях.
Как continuous-learning использует оценку уверенности?
Высокоуверенные паттерны предлагается применять автоматически, а менее проверенные — предлагать с оговоркой или подтверждать у пользователя. Оценка меняется после подтверждений и отклонений.
Исходный текст
SKILL.md · Apache-2.0
---
name: continuous-learning
description: Auto-extract patterns from coding sessions, track corrections, and build reusable knowledge with confidence scoring
---
# Continuous Learning
## Pattern Extraction Framework
After every significant coding session, extract and categorize learnings into three buckets:
1. **Corrections** - Mistakes caught during review or by the user
2. **Successful Approaches** - Patterns that worked well and should be repeated
3. **Anti-Patterns** - Approaches that caused problems and should be avoided
## Learning Entry Format
```yaml
pattern:
id: "LEARN-2025-0042"
category: "error-handling"
type: "correction" # correction | success | anti-pattern
confidence: 0.85 # 0.0 to 1.0
language: "typescript"
context: "API error responses"
observation: "Returning raw error messages from database exceptions exposes internals"
lesson: "Always map database errors to application-level error codes before returning"
example:
before: "catch (e) { res.status(500).json({ error: e.message }) }"
after: "catch (e) { logger.error(e); res.status(500).json({ error: 'INTERNAL_ERROR' }) }"
frequency: 3 # times this pattern has been observed
last_seen: "2025-06-15"
```
## Confidence Scoring
| Score | Meaning | Action |
|-------|---------|--------|
| 0.95+ | Verified across multiple projects | Apply automatically |
| 0.80-0.94 | Confirmed in this codebase | Apply and mention |
| 0.60-0.79 | Observed but not fully validated | Suggest with caveat |
| 0.40-0.59 | Hypothesis based on limited data | Ask before applying |
| <0.40 | Speculative, needs validation | Document but do not apply |
Update confidence based on:
- +0.10 when pattern is confirmed correct by user
- +0.05 when pattern is observed again in a different context
- -0.15 when pattern leads to a correction
- -0.20 when pattern is explicitly rejected by user
## Session Wrap-Up Protocol
At the end of each session or before context compaction:
1. **Review changes made** - Scan diffs for patterns
2. **Identify corrections** - What was changed after initial implementation?
3. **Note successful first-attempts** - What worked without revision?
4. **Record environment details** - Framework versions, config specifics
5. **Update confidence scores** - Adjust based on session outcomes
6. **Write to knowledge base** - Append new entries to CLAUDE.md or LEARNED.md
```markdown
## Session Learnings (2025-06-15)
### Corrections Applied
- [0.85] TypeScript: Use `satisfies` instead of `as` for type narrowing with object literals
- [0.90] Next.js: Server Actions must be async functions, even for synchronous operations
### Successful Patterns
- [0.80] PostgreSQL: Partial indexes on status columns reduced query time by 60%
- [0.75] React: Extracting data fetching into Server Components eliminated 3 useEffect hooks
### Anti-Patterns Identified
- [0.70] Avoid: Nesting more than 2 levels of Suspense boundaries (causes waterfall)
- [0.65] Avoid: Using `any` to suppress TypeScript errors in catch blocks (use `unknown`)
```
## Knowledge Base Organization
Structure the knowledge base by domain:
```
knowledge/
error-handling.md # Error patterns across languages
testing.md # Test patterns and anti-patterns
performance.md # Optimization learnings
api-design.md # API design decisions
deployment.md # Infrastructure learnings
project-specific.md # Current project conventions
```
Each file follows the same entry format. Deduplicate entries with matching `observation` fields by incrementing `frequency` and updating `confidence`.
## Correction Tracking
When a user corrects code or approach:
1. Record what was originally produced
2. Record what the correction was
3. Identify the root cause (wrong assumption, missing context, outdated pattern)
4. Create or update a learning entry
5. Search for similar patterns that might need the same correction
```markdown
### Correction Log
- **Original**: Used `useEffect` to fetch data on mount
- **Correction**: Moved data fetching to Server Component
- **Root cause**: Applied client-side SPA pattern in Server Component context
- **Generalization**: In Next.js App Router, prefer server-side data fetching for initial page data
- **Confidence**: 0.90 (confirmed across 4 components)
```
## Pattern Reinforcement
Track how often patterns are applied and whether they hold:
```
Pattern: "Use zod for API input validation"
Applied: 12 times
Confirmed: 11 times
Corrected: 1 time (edge case with file uploads)
Confidence: 0.92
Status: ESTABLISHED
```
Statuses:
- **EMERGING** (frequency < 3) - New pattern, needs validation
- **GROWING** (frequency 3-7) - Building evidence, apply with mention
- **ESTABLISHED** (frequency 8+, confidence > 0.85) - Apply automatically
- **DEPRECATED** - Once valid, now superseded by a better approach
## Integration with Memory Files
Store learnings in the project's memory file (CLAUDE.md or equivalent):
- High-confidence learnings (>0.85) go in the main instructions section
- Medium-confidence (0.60-0.84) go in a dedicated "Learnings" section
- Low-confidence (<0.60) stay in session notes until validated
- Deprecated patterns move to an archive section with reason for deprecation
Review and prune the knowledge base monthly. Remove entries that have not been referenced in 90 days and have confidence below 0.70.
© rohitg00 · Apache-2.0 · rohitg00/awesome-claude-code-toolkit
Похожие скиллы
Все скиллы по теме «Настройка агента: память, контекст, субагенты» →Сначала — continuous-learning от других авторов.