learning-aggregator-ci

学习聚合器 CI

安装

gh skill install pskoett/pskoett-skills learning-aggregator-ci

交互式会话请使用：

gh skill install pskoett/pskoett-skills learning-aggregator

使用 Agent Skills CLI 的备用方案：

npx skills add pskoett/pskoett-skills/skills/learning-aggregator-ci
npx skills add pskoett/pskoett-skills/skills/learning-aggregator

用途

在 CI 中运行外层循环的 检查 步骤。读取累积的 .learnings/ 文件，按 pattern_key 对条目分组，计算跨会话重复出现的情况，并生成按优先级排序的差距报告——无需人工交互。

交互式 learning-aggregator 技能专为会话内使用而设计，用户可以立即审查并处理发现的问题。此 CI 变体按计划运行（每周、每个冲刺或按需），并将发现结果作为 GitHub issue 评论发布，以供异步审查。

上下文限制（重要）

CI Agent 没有会话上下文。它们无法看到用户当前正在处理的内容，也无法判断哪些任务领域相关。CI 变体会扫描所有 .learnings/ 条目，不进行相关性筛选。差距报告是全面的，而非针对特定内容。

前提条件

• 仓库已启用 GitHub Actions
• gh CLI 已通过身份验证并获得仓库访问权限
• 已安装 gh-aw 扩展（gh extension install github/gh-aw，v0.40.1+）
• .learnings/ 目录中包含来自 self-improvement 的结构化条目

CI 约定

无头执行的硬性规则：

1. 只读——不得修改 .learnings/ 文件、项目指令文件（CLAUDE.md、AGENTS.md、.github/copilot-instructions.md）或任何仓库文件
2. 无头——不出现交互式提示，不设置审批关卡
3. 结构化输出——在 learning_aggregator_ci 键下以 YAML 格式输出发现结果
4. 单条评论——每次运行发布一条合并后的评论，而非每条发现分别发布
5. 确定性——相同的 .learnings/ 状态会生成相同的差距报告

编写工作流（gh-aw）

1. 将 references/workflow-example.md 复制到 .github/workflows/learning-aggregator-ci.md
2. 根据运行频率自定义计划（支持 weekly on mondays 之类的模糊计划）
3. 验证：gh aw compile（可选添加 --actionlint --zizmor 以执行完整的安全扫描）
4. 推送以启用

持久化与串联

• cache-memory: 用于在多次运行间保存聚合状态（模式分组、重复计数）。在 Actions 缓存中最多保留 90 天。避免每次运行都重新扫描未更改的条目。
• call-workflow: 在聚合完成后触发 eval-creator-ci，根据新晋升的模式创建评估。编译时展开并行任务，并正确配置依赖关系。
• upload-artifact: 持久保存差距报告 YAML，供下游工作流或人工审查使用。

缓存状态必须声明聚合架构 provenance-v1，并保留规范化的出现记录指纹、稳定的任务谱系以及终止事件边界。忽略并重建任何省略此版本或使用较旧聚合架构的缓存；去重前约定下的聚合计数不能作为有效基线。

工作流规则

CI Agent 按以下顺序执行规则：

1. 读取 .learnings/ 中的所有文件：LEARNINGS.md、ERRORS.md、FEATURE_REQUESTS.md、HEALS.md
2. 解析每条记录的元数据：Pattern-Key、Recurrence-Count、First-Seen、Last-Seen、Priority、Status、Area、Related Files、Tags，以及可选的来源字段 Task-ID、Session-ID、Occurrence-ID、Source-Ref、Copied-From。对于 HEAL 记录，还要解析 Trigger、Active-Context 和任何 Handoff 块
3. 分组前，折叠仓库位置、镜像、分支、转发内容以及云端/本地来源中具有相同记录 ID/内容或发生 ID 的副本。如果缺少明确的发生 ID，则使用任务/会话/来源谱系和规范化证据。路径不同不代表证据独立
4. 按 Pattern-Key 对规范发生记录分组（仅精确匹配——CI 中不进行模糊分组）
5. 对每个组：统计去重后的复发次数，根据稳定来源信息统计不同任务数，计算时间范围并收集证据。缺少稳定任务/会话谱系的旧记录，其声明的复发次数计入一次，但所有谱系未知的证据最多只计为一个不同任务
6. 将缺少 Pattern-Key 的记录标记为未分组
7. 对于记录的发生，promoted、promoted_to_skill、resolved 和 wont_fix 均视为终止状态。仅包含终止状态的组保留为历史记录，不作为晋升候选项。只有在最近一次终止事件之后出现较新的有效证据时才重新开放；仅有先前的 Handoff 不足以重新晋升该模式
8. 为每个可操作组分类差距类型：知识差距、工具差距、技能差距、歧义或推理失败
9. 按以下顺序排列各组：先显示已达到晋升条件的组，再显示接近阈值的组，然后按优先级排列（critical > high > medium > low）
10. 在 learning_aggregator_ci 键下输出结构化 YAML
11. 将差距报告作为评论发布到触发该流程的 issue 中；如果按计划运行，则创建新 issue
12. 不修改仓库文件

晋升阈值（与 learning-aggregator 和 self-improvement 使用相同规则）：当某个组在 30 天内有 >= 3 次去重后的复发，且有稳定来源信息证明涉及 >= 2 个不同任务时，即达到晋升条件。

输出架构

learning_aggregator_ci:
  version: "0.1.0"
  source:
    run_id: "<workflow run ID>"
    trigger: "schedule | workflow_dispatch | issue_comment"
    scan_date: "YYYY-MM-DD"
  scan:
    entries_total: 42
    entries_with_pattern_key: 35
    entries_ungrouped: 7
    patterns_found: 18
    promotion_ready: 3
    approaching_threshold: 5
  promotion_ready:
    - pattern_key: "harden.input_validation"
      recurrence_count: 5
      distinct_tasks: 3
      window_days: 21
      priority: "high"
      gap_type: "knowledge_gap"
      area: "backend"
      evidence:
        - "LRN-20260301-001: Missing bounds check on pagination params"
        - "ERR-20260308-002: Unconstrained string length caused OOM"
        - "LRN-20260315-003: API params not validated before DB query"
      recommended_action: "Add to project instruction files: Always validate and bound-check external inputs before use"
      eval_candidate: true
  approaching:
    - pattern_key: "simplify.dead_code"
      recurrence_count: 2
      distinct_tasks: 1
      priority: "low"
      needs: "1 more distinct task"
  ungrouped:
    - id: "LRN-20260320-005"
      summary: "Discovered undocumented rate limit on external API"
      recommendation: "Assign pattern_key for future tracking"
  stale:
    - pattern_key: "harden.error_handling"
      last_seen: "2025-12-01"
      recommendation: "Dismiss — not seen in 90+ days"
  summary:
    promotion_ready_total: 3
    approaching_total: 5
    ungrouped_total: 7
    stale_total: 1
    followup_required: true

建议的输出

输出	目标位置	内容
差距报告	Issue 评论或新建 issue	包含晋升候选项及证据的易读摘要
YAML 构件	工作流构件	机器可读的 learning_aggregator_ci 载荷
检查注释	检查运行摘要	达到晋升条件和接近阈值的模式数量

触发配置

建议：每周定时运行 + 手动触发

on:
  schedule:
    - cron: '0 9 * * 1'  # Monday 9am UTC
  workflow_dispatch:
  issue_comment:
    types: [created]

定时任务可确保外层循环定期运行。发生故障或冲刺结束后，可手动触发运行。Issue 评论触发器支持 /aggregate-learnings 命令。

与其他技能的集成

上游（提供输入）

• self-improvement（交互式）——生成 .learnings/LEARNINGS.md、ERRORS.md、FEATURE_REQUESTS.md 记录
• self-healing / self-healing-ci ——生成 .learnings/HEALS.md 记录，其中包括 Handoff 块
• self-improvement-ci ——以机器可读的输出（构件/评论）发送学习候选项；它是只读的，不会自行写入 .learnings/ 文件
• simplify-and-harden-ci ——生成由 self-improvement-ci 使用的 learning_loop.candidates

下游（接收输入）

• self-improvement（交互式）——从差距报告中获取已达到晋升条件的模式，并应用经人工批准的晋升
• eval-creator-ci ——获取评估候选项并创建永久测试用例
• 人工审核 ——将差距报告作为 issue 评论发布，供团队分类处理

数据流

self-improvement → .learnings/*.md   ←  self-healing(-ci) → HEALS.md
                       ↓
              learning-aggregator-ci (scheduled)
                       ↓
              gap report (issue comment + artifact)
                       ↓
              self-improvement (interactive, human-gated promotion)
                       ↓
              eval-creator-ci (creates evals from promoted patterns)

与交互式版本的区别

方面	交互式（learning-aggregator）	CI（learning-aggregator-ci）
触发方式	手动或会话开始时	定时 cron 或 workflow_dispatch
相关性筛选	根据当前任务领域筛选	扫描所有条目（无任务上下文）
分组方式	保守分组 + 领域/标签匹配	仅按模式键精确匹配
输出	会话内差距报告	Issue 评论 + YAML 工件
人工交互	用户内联审阅	通过 GitHub 异步审阅
范围	当前会话上下文	完整的 .learnings/ 历史记录