Przejdź do treści
Biblioteka skilli
AI i agenci · Planowanie

continual-learning

/continual-learning

Prowadzi przez wdrożenie ciągłego uczenia się w agentach kodujących AI: hooki, zakres pamięci i wzorce refleksji, przy budowie infrastruktury uczenia agentów.

Repozytorium
skills ↗
Licencja
MIT
Ostatnia zmiana repozytorium
26.10.2026

Ocena i bezpieczeństwo

100/ 100Klasa: dobry
Format25 / 25
Frontmatter z nazwą i opisem, poprawna nazwa, opis do 1024 znaków, nazwa zgodna z folderem.
Odkrywalność25 / 25
Opis mówi, kiedy użyć skilla, ma sensowną długość i jest w 3. osobie.
Treść35 / 35
Co najmniej 150 słów i do 500 linii, nagłówki, listy kroków, przykłady albo kod.
Higiena15 / 15
Bez zaślepek typu TODO, bez ścieżek Windows, z licencją.
Ryzykobrak sygnałów w skanie
Pliki w paczce
1
Skrypty
0
Komentarze HTML
0
Adresy URL w SKILL.md
0
Przestarzałość

Brak sygnałów. Repozytorium zmienione 26.10.2026, bez odwołań do wycofanych modeli i API.

Licencja

MIT, otwarta: można używać i zmieniać, z zachowaniem informacji o autorze.

Co robi i kiedy

Prowadzi przez wdrożenie ciągłego uczenia się w agentach kodujących AI: hooki, zakres pamięci i wzorce refleksji, przy budowie infrastruktury uczenia agentów.

Oryginalny opis (EN)

Guide for implementing continual learning in AI coding agents — hooks, memory scoping, reflection patterns. Use when setting up learning infrastructure for agents.

Jak działa

  1. The Loop
  2. Quick Start
  3. Two-Tier Memory
  4. How Learnings Get Stored
  5. Compaction
  6. Best Practices
Sekcje z nagłówków SKILL.md, w oryginale · 76 linii, 304 słów
Podgląd SKILL.md
---
name: continual-learning
description: Guide for implementing continual learning in AI coding agents — hooks, memory scoping, reflection patterns. Use when setting up learning infrastructure for agents.
---

# Continual Learning for AI Coding Agents

Your agent forgets everything between sessions. Continual learning fixes that.

## The Loop

```
Experience → Capture → Reflect → Persist → Apply
     ↑                                       │
     └───────────────────────────────────────┘
```

## Quick Start

Install the hook (one step):
```bash
cp -r hooks/continual-learning .github/hooks/
```

Auto-initializes on first session. No config needed.

## Two-Tier Memory

**Global** (`~/.copilot/learnings.db`) — follows you across all projects:
- Tool patterns (which tools fail, which work)
- Cross-project conventions
- General coding preferences

**Local** (`.copilot-memory/learnings.db`) — stays with this repo:
- Project-specific conventions
- Common mistakes for this codebase
- Team preferences

## How Learnings Get Stored

### Automatic (via hooks)
The hook observes tool outcomes and detects failure patterns:
```
Session 1: bash tool fails 4 times → learning stored: "bash frequently fails"
Session 2: hook surfaces that learning at start → agent adjusts approach
```

### Agent-native (via store_memory / SQL)
The agent can write learnings directly:
```sql
INSERT INTO learnings (scope, category, content, source)
VALUES ('local', 'convention', 'This project uses Result<T> not exceptions', 'user_correction');
```

Categories: `pattern`, `mistake`, `preference`, `tool_insight`

### Manual (memory files)
For human-readable, version-controlled knowledge:
```markdown
# .copilot-memory/conventions.md
- Use DefaultAzureCredential for all Azure auth
- Parameter is semantic_configuration_name=, not semantic_configuration=
```

## Compaction

Learnings decay over time:
- Entries older than 60 days with low hit count are pruned
- High-value learnings (frequently referenced) persist indefinitely
- Tool logs are pruned after 7 days

This prevents unbounded growth while preserving what matters.

## Best Practices

1. **One step to install** — if it takes more than `cp -r`, it won't get adopted
2. **Scope correctly** — global for tool patterns, local for project conventions
3. **Be specific** — `"Use semantic_configuration_name="` beats `"use the right parameter"`
4. **Let it compound** — small improvements per session create exponential gains over weeks

Wersje

RepozytoriumWynikLicencja
Ta strona · microsoft/skills100MIT
OutlineDriven/outline-driven-development90Apache-2.0

Identyczna treść występuje jeszcze w 4 innych folderach na GitHubie. Tu pokazujemy jedną, najlepiej ocenioną kopię.

Migawka bazy z 13.11.2026 · wersja paczki 8b2ca5f064b9 (skrót SHA-256 całej paczki)

Pobrania w ostatnich 30 dniach: 0 · ranking

Zgłoś problem z tym skillem: szkodliwa treść, błędny opis albo prośba autora o usunięcie.

Podobne skille

  • 90continual-learn
    Utrzymuje plik MENTAL_MODEL.md w przestrzeni roboczej i aktualizuje go przed każdą odpowiedzią przy zadaniach iteracyjnych.
  • 100create-task
    Tworzy zadanie benchmarku Continual Learning Bench w src/tasks/<name>: wywiad projektowy, szablony promptów Jinja, kontrakty akcji JSON, szablony obserwacji, harmonogram debugowania, testy E2E i dokumentację README.
  • 85AgentDB Learning Plugins
    Tworzy i trenuje wtyczki uczące się agentów AI na 9 algorytmach uczenia przez wzmacnianie, w tym Q-Learning i Decision Transformer.
  • 85AgentDB Learning Plugins
    Tworzy i trenuje wtyczki uczące się agentów AI na 9 algorytmach uczenia przez wzmacnianie, w tym Q-Learning i Decision Transformer.
  • 95ml-learning-methods
    Wyjaśnia i porównuje cele uczenia maszynowego oraz reżimy uczenia, na przykład samonadzór, uczenie ze wzmocnieniem i transfer.
  • 100learning-rate-scheduler
    Prawdopodobnie wspiera pracę z harmonogramami współczynnika uczenia (learning rate scheduler) podczas trenowania modeli uczenia maszynowego.

Uwagi i zgłoszenia

Wiadomość trafi do Bartosza Sokolińskiego. Adres e-mail jest potrzebny tylko do odpowiedzi. Szczegóły w polityce prywatności.