教 Claude Code 自动学习并构建其专属技能库

在上一篇文章中，我们讨论了将 Claude Code 的内存划分为四个层级的架构。作为后续，本文将深入探讨一个更具进化的设定：一个让 Claude Code 能够自主发现“可复用规程”并随时间推移不断积累技能的自我复制环境。

在运行该系统几个月后，我的 ~/.claude/skills/auto/ 目录下已经拥有了 64 个自动生成的技能。这些技能涵盖了从复杂的调试步骤到特定框架的配置优化，极大地提升了开发效率。为了支撑这种高频率的自动化交互，稳定且低延迟的 API 接入至关重要，这也是我选择 n1n.ai 作为底层支撑的原因。

核心痛点：LLM 会话的“健忘症”

Claude Code 虽然强大，但在跨会话工作时往往会忘记“上次是怎么解决这个问题的”。无论是修复 launchd 的 exit 78 错误，还是使用 png-to-ico 制作图标的特定参数，亦或是 Next.js 中缩减 RSC 负载的具体步骤——这些本应解决一次就记住的规程，往往在每次新会话中都要从头推导。

虽然我们可以手动编写 CLAUDE.md，但这种“谁发现谁记录”的模式很难长期坚持。因此，我决定将这项工作交给 Claude 自己。通过 n1n.ai 提供的稳定 API 链路，我们可以构建一个自动化的“捕获与提炼”机制。

双层技能生成架构设计

为了平衡实时响应和长期维护的质量，我将技能生成分为两个层级：

第一层：会话内的即时响应

在 CLAUDE.md 中，我加入了一段关于“技能自我生成”的指令。其核心逻辑在于：发现价值，但严禁乱造。我们通过四个明确的触发器来限制生成行为：

1. 完成了一个需要 > 5 次工具调用的非自明任务。
2. 在遇到死胡同或错误后，找到了行之有效的回避方案。
3. 用户对你的方法进行了修正（为了避免重复同样的错误）。
4. 发现了可复用的命令序列或工作流。

如果不设置这些限制，Claude 会把每一行代码都变成一个“技能”，导致技能库迅速充满噪音。

第二层：夜间自动收割机

有些技能在会话中可能被遗漏，因此需要 skill-harvest.sh 脚本在后台进行“扫尾”。其工作流程如下：

1. 读取水印：查看 .harvest-watermark 记录的上一次处理位置。
2. 提取差异：从 raw/conversations/*.md 提取自上次以来的对话增量。
3. 模式识别：利用 claude -p（无头模式）分析日志，仅采纳出现频率 > 5 次的模式。在处理这种大规模文本分析时，n1n.ai 的高并发处理能力表现优异。
4. 去重校验：根据 kebab-case 命名与现有的 64 个技能进行比对。
5. 结构化输出：生成包含 Frontmatter、规程（Procedure）、陷阱（Pitfalls）和验证（Verification）三个部分的 SKILL.md 文件。

命名空间隔离与生命周期管理

自动生成的技能不应与手写技能混在一起。我将它们存放在 ~/.claude/skills/auto/ 下。这样做有两个好处：

• 防止误删：npx skills update -g 只管理 lock 文件注册的技能，存放在 auto/ 下的技能不会被日常更新抹除。
• 精准治理：后续的清理脚本（Curator）只针对 author: auto 的文件生效。

技能清理员 (The Curator)

为了防止技能库“腐烂”，我设置了每周运行一次的 skill-curate.sh：

• 自动降级：30 天未被调用的技能，状态改为 stale。
• 自动归档：90 天未调用的技能，移动至 .archive/（不删除，可恢复）。
• 合并建议：如果发现两个技能描述高度相似，会在 .curator-proposals.md 中生成合并建议，由人工最终裁定。

运行数据观察：生成曲线的奥秘

观察 created: 日期的分布，我发现了一个有趣的现象：在系统引入的前三天（5/28–5/30），系统爆发式地生成了 28 个技能。这符合直觉——那些长期积累在对话中但未被“语言化”的规程在初期被集中释放。随后，生成速度降至每天 1 个左右。

这种“先爆发后平稳”的曲线证明了设计的有效性：它既能快速补齐历史欠账，又不会在后期因为过度生成而导致系统臃肿。

避坑指南与专家提示

1. Token 瓶颈：在运行无头收割任务时，由于系统提示词（System Prompt）非常长，务必设置 MAX_THINKING_TOKENS=10000。如果需要处理极长上下文的日志，建议通过 n1n.ai 调用 Claude 3.5 Sonnet 等长上下文模型。
2. 睡眠问题：launchd 默认在 Mac 睡眠时不会唤醒任务。建议使用 pmset repeat wakeorrt 设置定时唤醒，确保凌晨 3:30 的任务准时执行。
3. 模糊去重：目前仅靠 kebab-name 去重是不够的。进阶方案是使用 Embedding 对技能描述进行相似度计算，这可以进一步减少重复技能的产生。
4. 精简配置：无头模式启动时会加载所有 MCP 服务，这会导致启动变慢。建议为收割脚本准备一份独立的、精简版的配置文件。

总结

通过将技能生成分为“会话内实时捕获”和“夜间异步提炼”，我们为 Claude Code 构建了一个能够自我进化的“大脑”。这不仅减少了重复劳动，更让 AI 真正成为了一个理解你工作习惯的长期合伙人。在构建此类复杂代理系统时，选择像 n1n.ai 这样稳定且功能丰富的 API 平台，是确保系统长期可靠运行的基石。

在 n1n.ai 获取免费 API 密钥。