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.
- Autor
- microsoft ↗
- Repozytorium
- skills ↗
- Licencja
- MIT
- Ostatnia zmiana repozytorium
- 26.10.2026
Ocena i bezpieczeństwo
- Pliki w paczce
- 1
- Skrypty
- 0
- Komentarze HTML
- 0
- Adresy URL w SKILL.md
- 0
Brak sygnałów. Repozytorium zmienione 26.10.2026, bez odwołań do wycofanych modeli i API.
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
- The Loop
- Quick Start
- Two-Tier Memory
- How Learnings Get Stored
- Compaction
- Best Practices
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
| Repozytorium | Wynik | Licencja |
|---|---|---|
| Ta strona · microsoft/skills | 100 | MIT |
| OutlineDriven/outline-driven-development | 90 | Apache-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.