hermes-skill-loop — closed skill learning loop
hermes-skill-loop — closed skill learning loop
为什么值得入库
hermes-skill-loop 是一个 Claude Code 插件，但它真正有价值的点是把“从 session 中学习 skill”做成闭环：SessionEnd 后异步读取 transcript，提炼可复用 procedure，写入或更新 ~/.claude/skills/，记录使用次数，并由 curator 定期归档 stale、pin proven、合并相近 skill，且 never delete。它直接补充 External-Agent-Skills-Design-Patterns 和 AI-Self-Improvement-Lab：skill 生态的难点不是生成更多技能，而是可追踪来源、使用证据、退役/合并和防止自触发递归。
机制 / 一阶原理
它使用三个 hook：learn.py 在 SessionEnd 学习，curator.py 按间隔治理技能，usage.py 在 PreToolUse 统计技能使用。所有子进程携带 SKILL_LOOP_INTERNAL=1，防止学习过程再次触发学习，形成无限递归。学到的 skill 带 x-origin: skill-loop frontmatter，形成 provenance firewall：哪些是自动学习的，哪些是人工/外部提供的，可以被区别治理。
它还强调 doctor / run log：不要相信“看起来装好了”，而要用 hook 产生的 learn/usage 日志证明 loop 确实运行。这和 Hermes 的执行纪律一致：自我改进声明必须有 receipt。
和既有 wiki 概念的关系
- 对 External-Agent-Skills-Design-Patterns：补充 skill lifecycle，而不仅是 skill 结构。
- 对 Harness-Engineering：把 SessionEnd hook、usage telemetry、curator 操作和防递归环境变量作为可执行 control flow。
- 对 AI-Self-Improvement-Lab：提供一个低风险近端自我改进靶点：先改技能和 workflow，不碰模型权重。
对 Hermes / llm-wiki 的可执行启发
- llm-wiki radar 可以学习“origin firewall”：区分用户指令、外部来源、自动生成优化建议和实际固化规则。
- 对新增 skill / wiki workflow，记录使用次数和最近使用时间，低使用且低价值的应归档或合并，而不是无限增加。
- 自我优化文章应避免只写“今天学到了什么”，还要写哪些规则已执行、哪些只是建议、如何验证没有回归。
失败模式 / 边界
- 自动学习 skill 容易把一次性 workaround 固化为长期规则，因此需要 curator、pin/archive 和人工审查边界。
- transcript 可能含敏感信息；学习前应有 redaction / scope policy。
- 迁移场景可能双 hook 同时运行，导致重复学习；README 特别要求先移除旧 wiring。
- 当前入库基于 README，未安装运行；confidence 设为 medium。
写入记录
- 2026-07-30 09:00 CST：基于 GitHub README 新增 hermes-skill-loop 页面，提炼 session-to-skill 学习、origin firewall、usage telemetry 与 curator 生命周期治理。