Hogar

Skill

Herramientas para desarrolladores

continual-learning

microsoft/skills

Implementa un ciclo de aprendizaje continuo para agentes de programación basados en IA mediante «hooks», memoria de dos niveles (global y local) y detección automática de patrones, con el fin de conservar y aplicar lo aprendido de una sesión a otra.

...Expandir todo

Tiempo actualizado 10 de septiembre de 2026

# hooks # sqlite # memory # agent memory # continual learning # pattern detection

Aprendizaje continuo para agentes de programación de IA

Tu agente lo olvida todo entre una sesión y otra. El aprendizaje continuo soluciona ese problema.

El bucle

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

Inicio rápido

Instala el hook (un solo paso):

cp -r hooks/continual-learning .github/hooks/

Se inicializa automáticamente en la primera sesión. No requiere configuración.

Memoria de dos niveles

Global (~/.copilot/learnings.db) — te acompaña en todos los proyectos:

Patrones de herramientas (qué herramientas fallan, cuáles funcionan)
Convenciones comunes a todos los proyectos
Preferencias generales de programación

Local (.copilot-memory/learnings.db) — se limitan a este repositorio:

Convenciones específicas del proyecto
Errores habituales en este código
Preferencias del equipo

Cómo se almacenan los conocimientos

Automáticamente (mediante hooks)

El hook supervisa los resultados de las herramientas y detecta patrones de fallo:

Session 1: bash tool fails 4 times → learning stored: "bash frequently fails"
Session 2: hook surfaces that learning at start → agent adjusts approach

Nativo del agente (mediante store_memory / SQL)

El agente puede escribir los aprendizajes directamente:

INSERT INTO learnings (scope, category, content, source)
VALUES ('local', 'convention', 'This project uses Result not exceptions', 'user_correction');

Categorías: pattern, mistake, preference, tool_insight

Manual (archivos de memoria)

Para un conocimiento legible por personas y con control de versiones:

# .copilot-memory/conventions.md
- Use DefaultAzureCredential for all Azure auth
- Parameter is semantic_configuration_name=, not semantic_configuration=

Compactación

Los aprendizajes se desvanecen con el tiempo:

Las entradas con más de 60 días de antigüedad y un bajo número de visitas se eliminan
Los conocimientos de gran valor (a los que se recurre con frecuencia) persisten indefinidamente
Los registros de las herramientas se eliminan al cabo de 7 días

Esto evita un crecimiento ilimitado al tiempo que se conserva lo que importa.

Buenas prácticas

Se instala en un solo paso; si lleva más de cp -r, no se adoptará
Define bien el alcance: global para los patrones de las herramientas, local para las convenciones del proyecto
Sé específico: "Use semantic_configuration_name=" supera a "use the right parameter"
Deja que se acumule: las pequeñas mejoras por sesión generan avances exponenciales a lo largo de las semanas

Ver en GitHub

---
name: continual-learning
description: Implements a continual learning loop for AI coding agents using hooks, two-tier memory (global and local), and automatic pattern detection to persist and apply learnings across sessions.
---

# 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