Maison

Skill

Outils de développement

continual-learning

microsoft/skills

Met en œuvre une boucle d'apprentissage continu pour les agents de codage basés sur l'IA, à l'aide de « hooks », d'une mémoire à deux niveaux (globale et locale) et d'une détection automatique de motifs, afin de conserver et d'appliquer les connaissances acquises d'une session à l'autre.

...Développer tout

Heure mise à jour 10 septembre 2026

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

Apprentissage continu pour les agents de programmation IA

Votre agent oublie tout entre deux sessions. L'apprentissage continu résout ce problème.

Le cycle

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

Démarrage rapide

Installez le hook (en une seule étape) :

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

Initialisation automatique lors de la première session. Aucune configuration requise.

Mémoire à deux niveaux

Globale (~/.copilot/learnings.db) — vous suit dans tous vos projets :

Modèles d’outils (quels outils échouent, lesquels fonctionnent)
Conventions inter-projets
Préférences générales de codage

Local (.copilot-memory/learnings.db) — reste propres à ce dépôt :

Conventions spécifiques au projet
Erreurs courantes dans cette base de code
Préférences de l'équipe

Comment les enseignements sont-ils stockés ?

Automatiquement (via des hooks)

Le hook observe les résultats de l’outil et détecte les schémas d’échec :

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

Natif de l’agent (via store_memory / SQL)

L'agent peut enregistrer directement les apprentissages :

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

Catégories : pattern, mistake, preference, tool_insight

Manuel (fichiers mémoire)

Pour des connaissances lisibles par l’homme et soumises à un contrôle de version :

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

Compactage

Les connaissances s'estompent avec le temps :

Les entrées datant de plus de 60 jours et présentant un faible nombre de consultations sont supprimées
Les connaissances à forte valeur ajoutée (fréquemment consultées) sont conservées indéfiniment
Les journaux des outils sont supprimés au bout de 7 jours

Cela permet d'éviter une croissance illimitée tout en conservant l'essentiel.

Bonnes pratiques

Une seule étape d’installation — si cela prend plus de cp -r, l’outil ne sera pas adopté
Définissez correctement la portée : globale pour les modèles d’outils, locale pour les conventions de projet
Soyez précis — "Use semantic_configuration_name=" c'est mieux que "use the right parameter"
Laissez les effets s’accumuler — de petites améliorations à chaque session génèrent des gains exponentiels au fil des semaines

Voir sur 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