Дом

Skill

Инструменты разработчика

continual-learning

microsoft/skills

Реализует цикл непрерывного обучения для агентов искусственного интеллекта, занимающихся программированием, с использованием хуков, двухуровневой памяти (глобальной и локальной) и автоматического обнаружения шаблонов, что позволяет сохранять и применять полученные знания в разных сессиях.

...Расширить все

Обновлено время 10 сентября 2026 г.

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

Непрерывное обучение агентов, занимающихся программированием ИИ

Ваш агент забывает всё, что произошло между сеансами. Непрерывное обучение решает эту проблему.

Цикл

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

Быстрый старт

Установите хук (один шаг):

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

Автоматическая инициализация при первом сеансе. Настройка не требуется.

Двухуровневая память

Глобальная (~/.copilot/learnings.db) — сопровождает вас во всех проектах:

Шаблоны инструментов (какие инструменты дают сбой, а какие работают)
Межпроектные конвенции
Общие настройки кодирования

Локальные (.copilot-memory/learnings.db) — привязаны к данному репозиторию:

Конвенции, специфичные для проекта
Распространённые ошибки в данном кодовом базе
Настройки команды

Как хранятся выводы

Автоматически (с помощью хуков)

Хук отслеживает результаты работы инструментов и обнаруживает шаблоны сбоев:

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

Встроенные в агент (через store_memory / SQL)

Агент может записывать выводы напрямую:

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

Категории: pattern, mistake, preference, tool_insight

Вручную (файлы памяти)

Для удобства чтения человеком и управления версиями знаний:

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

Уплотнение

Знания теряют актуальность со временем:

Записи, старше 60 дней и с низким количеством просмотров, удаляются
Наиболее ценные знания (часто используемые) сохраняются бессрочно
Журналы инструментов удаляются через 7 дней

Это предотвращает неограниченный рост объёма данных, сохраняя при этом то, что действительно важно.

Рекомендации

Установка занимает один шаг — если на это уйдет больше, чем cp -r, его не примут
Правильно определяйте сферу применения — глобально для шаблонов использования инструментов, локально для проектных соглашений
Будьте конкретны — "Use semantic_configuration_name=" превосходит "use the right parameter"
Позвольте эффекту накапливаться — небольшие улучшения за каждую сессию приносят экспоненциальный рост результатов в течение нескольких недель

Посмотреть на 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