让任何写作风格Skill自动从人类修改中学习，并定期自我修剪。observe模式记录原文到终稿的修改，improve模式提取规则并去重，prune模式月度清理。完整闭环让写作规则库越用越精准，兼容Claude Code和OpenClaw。
【适用场景】
什么时候用
当你在使用写作Skill时，希望AI能够从你的修改中自动学习，不断提升输出质量：
- 经常需要写同一类型的内容（如产品文案、社交帖子） - 对AI输出的风格有明确要求，需要持续校准 - 希望减少每次修改的重复劳动 - 想建立一个可持续优化的个人写作知识库
核心价值
这个Skill解决了写作Skill的两个核心痛点：
1. 规则遗忘 — 之前修改过的规则时间久了就忘了，下次还会犯同样错误 2. 规则膨胀 — 规则越来越多难以维护，新旧规则相互冲突
工作原理
三个模式形成完整闭环：
- observe（观察）：记录每次修改，保留原文到终稿的完整修改轨迹 - improve（改进）：从修改中提取规则，自动追加到规则库，同时去重合并 - prune（修剪）：每月清理一次，删除低价值规则，保持规则库精简
【操作步骤】
Step 1：初始化
在项目目录中初始化自驱学习系统：
```bash mkdir -p observation_log rules ```
配置SKILL.md，启用三个模式：
```markdown
自驱学习配置
- observe: true - improve: true - prune: monthly # 每月修剪 ```Step 2：Observe模式
每次对AI输出进行修改时，触发observe：
``` 将原文保存到 observation_log/ 文件名格式：YYYYMMDD-HHMMSS.md 内容包含：原始输出 + 你的修改 + 修改原因 ```
Step 3：Improve模式
定期（每天或每周）触发improve：
```bash
从观察日志中提取规则
python3 improve.py ```脚本会自动：
1. 读取所有observation_log文件 2. 对比原文和修改，找出规律 3. 提取词汇替换规则、句式偏好、结构变化 4. 将新规则追加到rules/目录下 5. 自动去重合并相似规则
Step 4：Prune模式
每月触发一次prune：
```bash
修剪低价值规则
python3 prune.py ```删除：
- 长期未使用的规则 - 与新规则冲突的旧规则 - 过于具体无法泛化的规则
【代码模板】
observe.py
```python import os from datetime import datetime
def observe(original, revised, reason, log_dir='observation_log'): """ 记录一次写作修改 """ os.makedirs(log_dir, exist_ok=True)
timestamp = datetime.now().strftime('%Y%m%d-%H%M%S') filename = f"{timestamp}.md"
content = f"""# 写作观察日志 {timestamp}
修改原因
{reason}原始输出
{original}修改后
{revised} """with open(os.path.join(log_dir, filename), 'w', encoding='utf-8') as f: f.write(content)
print(f"观察日志已保存: {filename}")
if __name__ == '__main__': import sys if len(sys.argv) >= 3: original = sys.argv[1] revised = sys.argv[2] reason = sys.argv[3] if len(sys.argv) > 3 else '' observe(original, revised, reason) ```
improve.py
```python import os import re from collections import defaultdict
def extract_rules(log_dir='observation_log', rules_dir='rules'): """ 从观察日志中提取写作规则 """ os.makedirs(rules_dir, exist_ok=True)
all_rules = defaultdict(list)
for filename in os.listdir(log_dir): if not filename.endswith('.md'): continue
filepath = os.path.join(log_dir, filename) with open(filepath, 'r', encoding='utf-8') as f: content = f.read()
提取原始输出和修改后内容
parts = content.split('## 修改后') if len(parts) < 2: continueoriginal = parts[0].split('## 原始输出')[1].strip() if '## 原始输出' in parts[0] else '' revised = parts[1].strip()
词汇替换规则
orig_words = set(re.findall(r'\w+', original)) rev_words = set(re.findall(r'\w+', revised))added = rev_words - orig_words removed = orig_words - rev_words
for word in added: all_rules['recommended'].append(word) for word in removed: all_rules['avoid'].append(word)
去重并保存
for rule_type, words in all_rules.items(): filepath = os.path.join(rules_dir, f'{rule_type}.txt') unique_words = list(set(words)) with open(filepath, 'w', encoding='utf-8') as f: f.write('\n'.join(unique_words)) print(f"更新规则: {rule_type} ({len(unique_words)}条)")if __name__ == '__main__': extract_rules() ```
【复盘要点】
规则质量判断
好的规则：
- 具体可执行（「每段不超过3句」而非「段落要短」） - 可以泛化（「优先用主动语态」而非「用'我'代替'作者'」） - 长期有效（不是针对单篇文章的临时调整）
常见问题
1. 规则过度拟合 — 从单次修改提取的规则可能过于具体，要确保规则能泛化到其他文章 2. 规则冲突 — 新规则与旧规则矛盾时，以新规则为准，删除旧规则 3. 日志膨胀 — observation_log会越来越大，定期归档旧日志
效果评估
判断自驱学习是否有效：
- 同类写作错误是否减少（AI不再犯同样的风格问题） - 每次修改量是否减少（从10处修改降到3处） - 规则库是否保持精简（不超过200条核心规则）
来源：GitHub https://github.com/jzOcb/self-improving-skill