continuous-learning

continuous-learning é a skill que transforma as descobertas de uma sessão no conhecimento da próxima. É a contraparte editorial do hook propose-knowledge-update: o hook captura sinais automaticamente, e essa skill é o que o usuário (ou o fluxo /octopus:review-proposals) usa para rascunhar, testar e promovê-los.

Por que ter um sistema de aprendizado

Sem ele, cada sessão redescobre as mesmas coisas — o mesmo arquivo surpreendente, a mesma convenção de nomenclatura, a mesma pegadinha específica do projeto. O agent não tem memória entre sessões, e o humano não tem paciência para reexplicar o mesmo contexto duas vezes.

Um sistema de aprendizado é a memória em nível de projeto: rules em rules/common/, fatos estruturais em knowledge/, preferências comportamentais em CLAUDE.md. O trabalho da skill é popular essas casas deliberadamente, em vez de deixá-las crescer de forma ad hoc.

O ciclo de vida de um aprendizado

Captura. Algo aconteceu que parece valer a pena guardar. O hook captura isso automaticamente (correções, re-leituras, re-greps); o usuário também pode trazer um aprendizado manualmente (“lembre-se de que sempre usamos X para Y”).
Rascunho. A skill escreve uma entrada candidata no gênero apropriado — uma rule para “sempre faça X”, um arquivo de knowledge para “veja como Y funciona”, uma linha no CLAUDE.md para “o usuário prefere Z”.
Hipótese. O rascunho inclui a previsão: se isso virar uma rule, o agent vai parar de fazer W da próxima vez. A previsão é testável.
Teste. A próxima sessão que atingir o contexto relevante ou segue a rule ou não. A skill ajuda o usuário a perceber qual dos dois aconteceu.
Promover ou aposentar. Padrões confirmados se tornam rules / knowledge / linhas de CLAUDE.md de verdade. Padrões que não se confirmaram são arquivados sem constrangimento — metade do sinal capturado acaba sendo contexto pontual, e fingir o contrário só polui a base de conhecimento.

Team mode — aprendizado de review fleet-wide

Tudo acima é o modo default: a captura de sessão de um único dev em knowledge/. O team mode sobe o mesmo loop captura→promoção pro escopo time/review — pra que “o time inteiro erra X” vire uma regra em vez de um comentário de PR redigitado.

A captura é contínua e automática. Um Stop hook — review-log-capture — lê o transcript da sessão, puxa as findings de review (as tags BLOCKING: / ADVISORY: / QUESTION: que architect / security / mentor / pr-review emitem) e as anexa ao .octopus/review-log/ (gitignored). Sem editar os skills de review.
A agregação é operator-run, e fleet-aware. O team mode minera o review-log pela frota (reusando a lista repos: do fleet.yml), agrupa findings por tópico e conta tanto ocorrências quanto espalhamento entre repos distintos.
O espalhamento roteia o destino. Um padrão em ≥ fleet_repos repos distintos (default 3) promove pras rules compartilhadas do workspace: — herdadas por todos os repos; um padrão de um repo só acima de local (default 5) fica na rule local daquele repo. Os limiares são configuráveis no fleet.yml:
fleet.yml
```
learning:
  local: 5
  fleet_repos: 3
```
A promoção segue human-gated. Candidatos caem em .octopus/proposals/ e são promovidos via /octopus:review-proposals — o team mode nunca auto-edita uma regra. O loop fecha: review → review-log → padrão fleet-wide → regra no workspace → todo repo herda.

O que ela não faz

Não edita automaticamente. Toda promoção é uma decisão humana.
Não sintetiza entre sessões. Cada sinal capturado é avaliado por si só; a skill não infere “você disse X três vezes” sem um prompt explícito.
Não escreve conselhos genéricos. “Use bons nomes de variáveis” vai numa rule de coding-style, não num aprendizado — aprendizados são específicos do projeto.

Por que pronto para multi-agente

Conhecimento capturado sob o Claude também deve fluir para Copilot, Codex, Gemini e OpenCode. A skill escreve nos locais canônicos do Octopus (rules/, knowledge/, equivalentes a CLAUDE.md por agent) para que a geração do manifest a nível de projeto consiga absorvê-los. Um aprendizado não fica preso na memória de sessão de um único agent.

Source: skills/continuous-learning/SKILL.md