你上週糾正了 Claude Code 一次。

「不要用 class component，我們這個專案全都是 functional。」Claude 道歉，修了，那個 task 完成得很乾淨。

然後這週，你開了一個新 session，它又用 class component 了。

這不是你在抱怨，這是設計。每個 Claude Code session 從零開始，不帶任何上一個 session 的記憶。你上週說的話、糾正過的錯誤、反覆強調的 preference —— 全部隨著那個 session 消失了。你只有兩個選擇：在 CLAUDE.md 裡手動寫下每一條規則，或者每次都重新教一遍。

SD-11 說的就是第一個選擇：用靜態的 MEMORY.md，把值得記的東西手動記下來。那個系統有用，但它的運轉靠的是你 —— 你必須知道什麼值得記，你必須知道怎麼寫，然後你得動手去寫。AI 不是在學習，你是在幫它學習。

Everything Claude Code 的 Instinct System 想做的，是把這件事翻過來。

一個 Instinct 是什麼

在 ECC 的設計裡，Instinct（本能）是一個原子行為單位 —— 最小、最完整的學習單元。一個觸發條件，一個對應行動，加上一個信心分數：

---
id: prefer-functional-style
trigger: "when writing new functions"
confidence: 0.7
domain: "code-style"
scope: project
project_id: "a1b2c3d4e5f6"
project_name: "my-react-app"
---

# Prefer Functional Style

## Action
Use functional patterns over classes when appropriate.

## Evidence
- Observed 5 instances of functional pattern preference
- User corrected class-based approach to functional on 2025-01-15

這條 instinct 不是你手寫的。它是系統在觀察了你五次對 functional pattern 的偏好之後，加上記錄到你在 2025-01-15 那次糾正，自動建立的。

**信心分數（confidence）**是整個系統最有意思的設計。不是 on/off，是連續值：

  • 0.3：剛觀察到，半信半疑，只提建議
  • 0.5：有依據了，遇到相關場景就套用
  • 0.7：高度確定，自動執行
  • 0.9：核心行為，穩如泰山

分數也會動。每次 Claude 按這個 instinct 行動、你沒有糾正，分數往上爬。每次你糾正了，它掉下來。掉到夠低，系統重新審視這條 instinct 是不是應該存在。

Clawd Clawd 想補充：

信心分數讓我想起人類建立習慣的方式。你第一次聽到「先寫 test 再寫 code」，半信半疑（0.3）。試了幾次，覺得有用，開始主動這樣做（0.5）。幾個專案都沒出問題，它成了你的直覺（0.7）。幾年後你在技術分享說「TDD 是我認為最重要的習慣」，你已經完全信了（0.9）。

Instinct System 在做的，就是把這個「人類建立習慣」的過程，套在 AI 身上。不是用 fine-tuning 改 weights，是用 YAML 文件 + 信心分數做出「可讀寫的習慣層」。這個設計的優雅在於：任何人都可以讀這些 YAML，看懂 Claude 學到了什麼，然後直接刪掉學錯的。沒有 black box，全部可審查 (◕‿◕)

React 的本能不應該進你的 Python 專案

在 v2.0，有一個嚴重問題：所有的 instinct 全部是 global 的。

你在 React 前端學到了「functional component 比 class component 可讀性高」。合理。然後你切換去寫 Django 後端，AI 把同樣的邏輯套過來 —— 但 Django 的 class-based views 是標準做法，那個 instinct 在這裡反而是壞建議。這個問題叫 cross-project contamination：好的規則在錯的 context 裡變成壞規則。

v2.1 的解法是 Project Scoping。每條 instinct 預設 scope: project，只在這個 repo 有效。系統用 git remote URL 的 hash 識別你在哪個專案 —— 同一個 repo 在不同機器上，URL 一樣，hash 一樣，換了電腦 instinct 也跟著走。切換 repo，自動切換 instinct context：

my-react-app (hash: a1b2c3d4e5f6)
  ├── prefer-functional-style (0.7) ← 只在這裡
  └── use-react-hooks (0.9)         ← 只在這裡

my-django-api (hash: f6e5d4c3b2a1)
  └── use-class-based-views (0.8)   ← 只在這裡

global/
  ├── always-validate-input (0.85)  ← 所有專案都適用
  └── grep-before-edit (0.6)        ← 所有專案都適用

框架習慣留在框架專案裡，安全實踐放在全局層，兩者互不干擾。

Clawd Clawd 歪樓一下：

v2.1 選擇用 git remote URL 做 project identity，有個不明顯但很重要的 trade-off。

好處是 portable：同一個 repo 在家裡電腦和公司電腦的 URL 一樣，project hash 一樣，instinct 自動跟著走，不需要手動同步。壞處是：本地 repo 或沒有 remote 的實驗性 repo，系統就 fallback 到用 git rev-parse --show-toplevel（本機絕對路徑），那就不 portable 了。

有個隱含假設值得在你開始用前就知道：這個系統假設你的 repo 都有 remote。如果你有個特別重要的本地私人 repo，它學到的東西就無法帶走 ┐(￣ヘ￣)┌

當同一個 Instinct 在三個專案都出現

Project scoping 解決了污染問題，但帶出了一個新問題：如果同樣的行為模式在多個不同專案都成立，它不應該繼續關在某個 project 的盒子裡。

「永遠驗證 user input」不是 React 的規則，也不是 Django 的規則。它是所有 project 都適用的原則。

Promotion 機制就是這個認識的系統化：

同一條 instinct 在 2 個以上的專案出現，且平均信心分數 >= 0.8 → 自動升級為 global

# 預覽升級候選，不實際改動
python3 instinct-cli.py promote --dry-run

# 執行自動升級
python3 instinct-cli.py promote

# 手動指定升級某一條
python3 instinct-cli.py promote prefer-explicit-errors

/evolve 指令也會在分析時提示哪些 instinct 已達升級條件。你可以接受、忽略、或手動刪掉某個 project 裡的那條（表示你不認為它是通則）。

這個機制讓系統有了一個有趣的自然過濾：只有在多個不同 context 下都站得住腳的行為，才會升格為原則。在單一環境裡有效但無法推廣的東西，就留在那個環境裡。

Clawd Clawd OS：

Promotion 讓我想到科學哲學裡的可重複性（reproducibility）。一個實驗觀察在一個條件下成立，是 evidence。在三個不同條件下都成立，才是 pattern。只有 pattern 才值得寫進教科書。

Instinct System 的邏輯一模一樣：在一個 project 觀察到的行為是 local evidence。跨多個 project 都出現，才是 universal pattern。Universal pattern 才值得升格為 global instinct。

這不是在說「多數決就是對的」—— promotion 還是需要你確認。而是說，跨 context 的一致性是「這個行為真的有普遍價值」的最強信號，比你靠感覺手動選要可靠得多 (¬‿¬)

Hook 而不是 Skill：100% 和 50-80% 的差距

v2 有一個關鍵的工程改動，說出來簡單，但影響非常大。

ECC v1 的 Continuous Learning 用 skill 觀察 session —— Claude 自己決定要不要記錄。Skills 是概率性的：Claude 在判斷「這個情境需要用這個 skill」，判斷對了就記，判斷錯了就不記。實測觸發率大概是 50-80%。

v2 改成 hook。Hook 不問 Claude 的意見，直接掛鉤到工具呼叫系統：每一次 PreToolUse（工具呼叫前）和 PostToolUse（工具呼叫後），observe 腳本就執行一次。100% 觸發，沒有例外：

{
  "hooks": {
    "PreToolUse": [{
      "matcher": "*",
      "hooks": [{"type": "command", "command": "~/.claude/skills/continuous-learning-v2/hooks/observe.sh"}]
    }],
    "PostToolUse": [{
      "matcher": "*",
      "hooks": [{"type": "command", "command": "~/.claude/skills/continuous-learning-v2/hooks/observe.sh"}]
    }]
  }
}

所有觀察數據落進 observations.jsonl，然後一個 background observer agent（用更便宜的 Haiku 模型）定期讀取、找出 pattern、建立或更新 instinct。

從 50% 到 100% 聽起來只是效率提升，但實際上是可靠性的本質轉變。50% 的觀察率意味著學習系統有系統性盲點 —— 某些 pattern 如果偏偏都落在沒被觀察到的那 50%，它永遠學不到。100% 才讓這個學習系統第一次真正可信。

Clawd Clawd 內心戲：

「背景跑 Haiku 做 pattern extraction」的 cost routing 邏輯很乾淨。Haiku 是最便宜的 Claude 模型，適合大量、低複雜度的分析。一個工作 session 可能有幾十次 tool call，全部記錄下來的 observations.jsonl 量不小。讓 Haiku 定期掃這些數據找 pattern，是對的成本配置。

你的主 session 跑 Sonnet/Opus 做複雜推理，background 跑 Haiku 做 housekeeping —— 這跟 SP-143 裡 NanoClaw 的精神是同一件事：不是所有工作都需要最好的 model，匹配任務複雜度和成本才是正確的做法。

這個系統在後台悄悄幫你整理學習筆記，你甚至不知道它在跑。這才是「越用越聰明」的基礎設施 ٩(◕‿◕｡)۶

Instinct 長大成 Skill

前面說的都是 instinct 的生成和管理。但 instinct 的旅程不止於此。

/evolve 指令做的事是：把相關的 instinct 聚在一起，問「這些零散的行為，組合起來是不是一套完整的工作流程？」

比如你有三條 instinct：

  • prefer-test-first (0.85)：寫功能前先寫 test
  • run-tests-before-commit (0.9)：commit 前跑測試
  • verify-coverage-threshold (0.75)：確認 coverage 過 80%

這三條聚在一起，就是一個完整的 TDD 流程。/evolve 可以把它們轉換成：

  • 一個 skill（可以直接貼進 CLAUDE.md 的工作流程說明）
  • 一個 command（/tdd-workflow，可以在 session 裡呼叫）
  • 一個 agent（TDD 專門的 subagent，負責所有跟測試相關的判斷）

這是從行為到知識的完整路徑：

session 觀察 → instinct（原子單位）→ instinct cluster → skill/command/agent

Clawd Clawd 畫重點：

這裡的分工值得說清楚：Instinct System 的 /evolve 和 SD-11 的 MEMORY.md 不是在競爭，它們解決不同的問題。

MEMORY.md 是你對 AI 的明確指令 —— 你清楚知道自己要 AI 遵守什麼規則，你寫下來，它照做。Instinct System 是 AI 對自己行為的自動記錄 —— 你說不出具體規則，但你知道「看到違反的時候我會糾正」，系統幫你把這種隱性知識提取出來。

一個是顯性知識的輸入通道，一個是隱性知識的提取通道。兩個一起用，才是完整的記憶系統。前者是你在教 AI，後者是 AI 在跟你學 (ง •̀_•́)ง

結語

Instinct System 的整個設計，核心只是一個問題：誰來決定什麼值得記？

MEMORY.md 的答案是：你。你觀察、你判斷、你寫。

Instinct System 的答案是：系統來提議，你來確認。系統用 hook 全程觀察，用 confidence scoring 篩選有價值的 pattern，用 project scoping 防止知識錯位，用 promotion 識別普遍原則，用 /evolve 把零散知識組成工具。你在這個流程裡的角色，是最後的審查者，不是第一線的記錄員。

這不只是省力，是職責分工。記什麼、怎麼記，機器擅長 —— 它可以全程不間斷地觀察，不會忘、不會懶。判斷這個記憶對不對、值不值得採納，人擅長 —— 你有 context，你有 intent，你知道這個 project 真正的目標。

那個每次都在犯同樣錯誤的 Claude，是可以被訓練的。而這個訓練，不需要你每次手動教。它只需要你在它犯錯的時候，糾正一次。