Lar

Skill

Ferramentas para desenvolvedores

continual-learning

microsoft/skills

Implementa um ciclo contínuo de aprendizado para agentes de IA programáveis, utilizando hooks, memória de dois níveis (global e local) e detecção automática de padrões para armazenar e aplicar o que foi aprendido entre as sessões.

...Expandir tudo

Tempo atualizado 10 de Setembro de 2026

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

Aprendizado contínuo para agentes de programação de IA

Seu agente esquece tudo entre uma sessão e outra. A aprendizagem contínua resolve isso.

O ciclo

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

Início rápido

Instale o hook (em uma única etapa):

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

Inicializa automaticamente na primeira sessão. Não é necessária nenhuma configuração.

Memória em duas camadas

Global (~/.copilot/learnings.db) — acompanha você em todos os projetos:

Padrões de ferramentas (quais ferramentas falham, quais funcionam)
Convenções entre projetos
Preferências gerais de codificação

Local (.copilot-memory/learnings.db) — permanece neste repositório:

Convenções específicas do projeto
Erros comuns nesta base de código
Preferências da equipe

Como os aprendizados são armazenados

Automático (por meio de hooks)

O hook monitora os resultados da ferramenta e detecta padrões de falha:

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

Nativo do agente (por meio de store_memory / SQL)

O agente pode gravar os aprendizados diretamente:

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

Categorias: pattern, mistake, preference, tool_insight

Manual (arquivos de memória)

Para conhecimento legível por humanos e com controle de versão:

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

Compactação

Os aprendizados perdem validade com o tempo:

Entradas com mais de 60 dias e baixo número de acessos são eliminadas
Conhecimentos de alto valor (frequentemente consultados) permanecem indefinidamente
Os registros da ferramenta são eliminados após 7 dias

Isso evita o crescimento ilimitado, ao mesmo tempo em que preserva o que é importante.

Melhores práticas

Basta um passo para instalar — se demorar mais do que cp -r, não será adotado
Defina o escopo corretamente — global para padrões de ferramentas, local para convenções do projeto
Seja específico — "Use semantic_configuration_name=" supera "use the right parameter"
Deixe que se acumule — pequenas melhorias a cada sessão geram ganhos exponenciais ao longo das semanas

Ver no 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