反馈学习系统

一个完整的智能体从用户反馈中学习的流程，无需消耗代币进行分析。

架构

用户反馈 → detect-feedback.py → log-event.sh → events.jsonl
↓
weekly-report.py ← analyze-patterns.py
↓
patterns.json
↓ (出现≥3次)
genes.json (已提升的规则)

设置

1. 安装文件

将技能内容复制到共享学习目录：

bash
DEST=$HOME/.openclaw/shared/learning
mkdir -p $DEST/reports
cp scripts/* $DEST/
chmod +x $DEST/log-event.sh
touch $DEST/events.jsonl

2. 初始化数据文件

如果文件不存在，创建空的JSON存储：

bash
cat > $DEST/patterns.json << EOF
{version: 2.0, updated: , patterns: []}
EOF

cat > $DEST/genes.json << EOF
{version: 2.0, rules: []}
EOF

cat > $DEST/capsules.json << EOF
{version: 2.0, capsules: []}
EOF

3. 为每个智能体创建LEARNINGS.md

添加到每个智能体的工作区：

markdown

LEARNINGS.md

🟢 有效的方法（正面反馈）

🔴 无效的方法（负面反馈）

🧠 提取的规则

🔁 重复出现的模式

💡 功能请求

4. 添加到AGENTS.md

将此块添加到每个智能体的AGENTS.md启动序列中：

markdown

反馈学习

• - 收到正面反馈（👍❤️🔥👏💯或类似круто、топ、зашло等词语）：

• - 收到负面反馈（👎🤦😤或类似фигня、переделай等词语）：

• - 执行错误时：

5. 设置定时任务

模式分析（每日）：

schedule: cron 30 3 * @ <时区>
payload: python3 ~/.openclaw/shared/learning/analyze-patterns.py

周报（周日）：

schedule: cron 30 4 0 @ <时区>
payload: python3 ~/.openclaw/shared/learning/weekly-report.py

使用方法

手动记录事件

bash
bash log-event.sh anton error exec_fail 配置更新 JSON中尾随逗号 写入前验证JSON
bash log-event.sh anton positive user_emoji 发送报告 🔥
bash log-event.sh anton correction user_nlp 发送消息 重做，格式不对 发送前确认格式

从文本检测反馈（无需LLM）

bash
echo круто, зашло! | python3 detect-feedback.py

→ {type: positive, source: user_nlp, signal: круто, confidence: 0.8}

python3 detect-feedback.py переделай это

→ {type: correction, source: user_nlp, signal: переделай, confidence: 0.8}

运行模式分析

bash
python3 analyze-patterns.py

输出：模式计数、提升状态。更新patterns.json。当某个模式在30天内出现≥3次时，自动提升到genes.json。

生成周报

bash
python3 weekly-report.py

保存到reports/WEEKLYREPORTYYYY_WNN.md，包含按智能体、来源统计的数据、主要模式和新提升的规则。

数据文件

事件模式

json
{
ts: 2026-03-20T12:00:00Z,
agent: anton,
type: error|correction|positive|pattern|requery,
source: execfail|usernlp|user_emoji|requery|auto,
context: 智能体正在执行的操作,
signal: 触发文本或表情符号,
hint: 建议的修复或规则,
heat: 1
}

提升流程

1. 1. 事件累积在events.jsonl中
2. analyze-patterns.py按信号文本对相似事件进行分组（相似度≥60%）
3. 30天内出现≥3次的模式被提升到genes.json
4. 智能体在启动时读取genes.json以应用学到的规则
5. weekly-report.py综合进展供人工审查

支持的语言

反馈检测支持：

• - 俄语：20+个负面触发词，19+个正面触发词，修正模式
• 英语：10个负面触发词，8个正面触发词
• 表情符号：通用的正面/负面反应