continual-learning

continual-learning — официальный skill Microsoft для построения цикла непрерывного обучения AI coding agents между сессиями. В опубликованном исходнике цикл описан как последовательность Experience → Capture → Reflect → Persist → Apply: агент получает опыт, фиксирует его, осмысляет повторяющиеся наблюдения, сохраняет выводы и применяет их в следующей работе. Такой подход нужен, когда инструкции и исправления не должны исчезать после завершения сессии, а инфраструктура обучения должна быть частью рабочего окружения агента. Быстрый старт в источнике намеренно короткий: хук continual-learning копируют командой `cp -r hooks/continual-learning .github/hooks/`. После установки он автоматически инициализируется при первой сессии, отдельная конфигурация для этого шага не требуется. Поэтому skill можно использовать как начальную точку для репозитория, где сначала нужно включить сбор опыта, а затем проверить, какие правила и выводы действительно помогают агенту. Команда установки относится к структуре самого репозитория Microsoft; перед применением нужно убедиться, что в целевом проекте доступен каталог hooks и что выбранная интеграция с hooks соответствует его инструментам. Источник разделяет память на два уровня. Глобальная база `~/.copilot/learnings.db` предназначена для сведений, которые должны следовать за разработчиком между проектами: паттернов работы с инструментами, межпроектных соглашений и общих предпочтений кодирования. Локальная база `.copilot-memory/learnings.db` остаётся в конкретном репозитории и хранит его соглашения, типичные ошибки и предпочтения команды. Такое разделение помогает не смешивать правило одного проекта с общей привычкой агента и заранее выбрать правильную область действия для каждого наблюдения. Запись learnings может происходить автоматически через hooks. В примере из SKILL.md хук наблюдает результаты инструментов: если bash-инструмент несколько раз подряд не сработал, он сохраняет соответствующее наблюдение, а в следующей сессии показывает его агенту. Источник также описывает agent-native вариант через `store_memory` или SQL. Для SQL приведён пример вставки в таблицу `learnings` с полями `scope`, `category`, `content` и `source`; категории включают `pattern`, `mistake`, `preference` и `tool_insight`. Эти категории позволяют отличать устойчивый рабочий приём от ошибки, пользовательского предпочтения или вывода о конкретном инструменте. Третий способ — ручные memory-файлы в формате Markdown, которые можно хранить под контролем версий. В исходнике показан файл `.copilot-memory/conventions.md` с конкретными правилами проекта, например с предпочтительным способом аутентификации или точным именем параметра. Такой формат удобен для знаний, которые должен прочитать человек и которые нельзя оставлять только в машинной базе. Skill рекомендует быть конкретным: формулировка с точным именем параметра полезнее общего напоминания «используй правильный параметр». Встроенное старение ограничивает рост памяти. Записи старше 60 дней с низким числом обращений удаляются, а часто используемые записи высокой ценности сохраняются дольше. Логи инструментов очищаются через 7 дней. Это означает, что continual-learning подходит для постепенно накапливаемых паттернов и предпочтений, но не является архивом всех действий агента и не гарантирует бессрочное хранение каждого наблюдения. Перед включением нужно определить, какие знания следует держать в базе learnings, а какие — закрепить в версионируемом Markdown. Практический сценарий начинается с выбора области памяти, затем подключается hook, проверяется первая автоматическая инициализация и оценивается качество появившихся learnings. Повторяющиеся ошибки можно хранить как `mistake`, устойчивые способы работы — как `pattern` или `tool_insight`, а явные требования команды — как `preference` либо в conventions-файле. Описание, SQL-пример и срок очистки в этой карточке взяты из официального SKILL.md; skill сам по себе не обещает исправлять ошибки, не заменяет ревью и не определяет, какие сведения безопасно сохранять. Решение о содержимом памяти и её границах остаётся частью настройки конкретного coding agent и репозитория.