Appearance
构建 AI 技能库的自我演进与自动优化工作流
解决 AI 知识过时与碎片化痛点：通过建立一套“捕获-分类-验证-修正”的闭环工作流，使 AI 能够在开发过程中自动将新经验转化为可复用的 Skill 知识点，实现技能库的自我进化。
为什么需要这个技能
在复杂的框架（如 Makepad）开发中，很多最佳实践或 Bug 解决方案是在实际编码中偶然发现的。如果仅将其视为一次性对话，这些知识会在会话结束时丢失。
传统的文档更新依赖手动记录，效率极低。本技能通过在 AI 工具（如 Claude Code）中植入 Hooks 钩子，让 AI 具备“反思”能力：当它解决了一个棘手问题或发现一个高效模式时，能够自动触发演进流程，将知识沉淀到技能库中，确保后续任务能直接调用最新结论。
适用场景
- 维护大规模 AI 技能库（Skill Library），需要其随软件版本同步更新。
- 在快速迭代的项目中，需要 AI 自动记录并共享新发现的编码模式（Patterns）。
- 解决 AI 给出错误建议后的“自动修正”需求，避免同一个错误被重复触发。
- 需要根据不同版本分支（如 main, dev）动态适配 AI 建议。
核心工作流
1. 自动化触发机制（Hooks）
通过安装特定的 Hook 脚本，实现对开发行为的实时监控：
- 请求路由：
makepad-skill-router.sh根据用户意图自动加载相关的技能包。 - 环境感知：
pre-tool.sh在执行命令前检测软件版本，确保建议的兼容性。 - 错误捕获：
post-bash.sh在命令失败后自动分析错误，并触发修正流程。
2. 知识演进路径
当 AI 识别到“值得记录”的知识时，执行以下步骤：
- 识别：判断该模式是否具有通用性（非项目特定）。
- 分类：将知识分发至对应目录（如：组件模式
widget-patterns，调试方案troubleshooting）。 - 格式化：使用标准模版（包含 DSL 代码、Rust 实现及演进标记）。
- 提交：通过 Git 提交
evolution/分支，完成知识入库。
3. 自我修正与验证
- 自动修正：当用户按照 AI 建议操作导致编译失败时，AI 立即启动
Correction Flow，更新原技能文件并标记<!-- Correction: ... -->。 - 定期验证：通过预设的验证清单（Validation Checklist）检查所有代码示例是否仍能通过当前版本的编译。
下载和安装
解压后将目录放入你的 AI 工具 skills 文件夹，重启工具后即可使用。具体路径参考内附的 USAGE.zh.md。
你可能还需要
暂无推荐