SkillClaw：集体技能进化框架
让AI代理从每次真实交互中自动进化技能，跨会话、跨代理、跨设备、跨用户集体成长，只需安装即可静默工作。
证据显示：客户端代理拦截请求并记录会话，但未明确说明权限最小化设计；用户确认机制仅在部分命令（如restore）中体现，未全面覆盖；数据流透明度有描述但缺乏详细日志；敏感数据处理（如API密钥）有配置但未说明加密存储；依赖安全未提及漏洞扫描；外部影响（如修改Hermes配置）有说明但未提供撤销机制；回滚有restore命令但未说明版本回退；来源归属有Acknowledgement但未明确第三方代码许可。扣分原因：多数信任标准仅部分满足，缺乏深入证据。
证据显示：README与代码结构一致，测试覆盖协议转换，但未提供运行验证；依赖声明完整但未锁定版本，存在可用性风险；失败消息未在文档中明确。扣分原因：依赖未固定版本，失败处理文档不足。
证据显示：明确面向单用户、多代理、团队场景，提供多种安装路径；能力边界有描述（客户端与服务器分离）；触发精度部分明确（如命令触发），但自动演化触发条件未详细说明；环境适配涵盖macOS/Linux/Windows，但Windows需手动安装。扣分原因：自动触发细节不足。
证据显示：README结构清晰，信息架构良好；安装说明详细；命名稳定但版本号未在文档中突出；示例较少，FAQ缺失；已知限制未明确列出；MIT许可证明确；版本变更记录在News中但无正式CHANGELOG；维护责任未明确。扣分原因：缺少FAQ和已知限制，版本记录不正式。
证据显示：输出为技能文件，可用性未验证；边际价值有明确描述（技能演化）；成本效益未量化。扣分原因：缺乏实际运行验证和成本数据。
证据显示：README声称支持多种代理，但未提供验证证据；测试覆盖部分功能，但未独立验证；事实与推断未明确区分。扣分原因：声明缺乏可追溯性，测试未独立运行。
- 依赖未固定版本，存在供应链风险。
- 自动演化可能修改外部代理配置，需谨慎使用。
- 敏感数据（如API密钥）存储未说明加密措施。
- 缺少正式CHANGELOG和已知限制说明。
这个 Agent 能做什么，适合哪些场景？
SkillClaw 是一个开源框架，旨在通过从真实会话数据中自动演化可复用技能，使 LLM 代理逐步变得更好。它既适用于单个用户（自动去重、改进和验证技能），也支持多个代理、设备和用户共享同一个演化循环。系统由两部分组成：本地客户端代理（拦截代理请求并记录会话工件）和可选的演化服务器（从共享存储读取会话数据，演化或创建技能，并写回）。两者通过共享存储（本地文件系统、Alibaba OSS 或 S3）交互。技能格式为标准化的 SKILL.md 文件。项目采用 MIT 许可证，并附带 arXiv 论文。
SkillClaw 安装后由两个核心组件构成：客户端代理（client proxy）监听 /v1/chat/completions 和 /v1/messages 端点，拦截代理请求，记录会话工件，并维护本地技能库。演化服务器（evolve_server）从共享存储读取会话数据，通过 workflow 引擎（固定三阶段 LLM 流水线：Summarize → Aggregate → Execute）或 agent 引擎（由 OpenClaw 驱动，可直接编辑技能）来演化或创建技能，并将结果写回共享技能库。技能存储在 SKILL.md 文件中，存储后端支持本地文件系统、Alibaba OSS 或 S3。用户通过命令行工具（skillclaw）执行 setup、start --daemon、status、skills pull/push/sync 等命令来管理技能。对于Hermes集成，SkillClaw 自动将 ~/.hermes/config.yaml 指向本地代理，并准备 ~/.hermes/skills 目录。
- 个人开发者在单台机器上使用 Hermes 或 OpenAI 兼容 API，希望自动整理和提升自己的技能库，而无需手动管理。
- 团队共享同一个技能库，多个成员的工作经验（如调试数据库问题）通过演化循环被提炼为技能，惠及其他成员。
- 同一用户在多台设备（家庭、学校、工作）上使用代理，希望跨设备统一技能，避免每个环境从零开始学习。
- 使用多个代理（如 Hermes、Codex、Claude Code、OpenClaw 等）的用户，希望通过统一技能库实现技能合并、去重和交叉传播。
- 团队在共享存储中运行 evolve server，利用 workflow 或 agent 引擎自动从会话中演化、验证并发布技能。
- 对技能演化过程有审查需求的团队，启用 validation 模式，让客户端在空闲时后台验证候选技能，达到阈值后才发布。
这个 Agent 有哪些优点和局限？
- 自动技能演化：从真实交互中自动提取、去重、改进技能，减少手动维护。
- 集体智慧：支持多用户、多代理、多设备共享技能，经验可复用。
- 广泛集成：原生支持 Hermes、Codex、Claude Code、OpenClaw 等多款代理。
- 灵活部署：客户端和服务器可通过本地存储、OSS 或 S3 解耦，可扩展。
- 依赖外部存储和 LLM API 提供商，可能产生成本。
- 需要 Python 3.10+ 环境，对非技术用户有一定的安装门槛。
- 服务器端 agent 引擎需要额外安装 openclaw。
- 客户端代理可能增加请求延迟或引入故障点。
- 缺少对 Windows 的原生 .ps1 安装脚本，需手动安装。
如何安装或部署这个 Agent？
需要 Python 3.10+、macOS/Linux/Windows，以及 OpenAI 兼容 API 或 AWS Bedrock 账户。macOS/Linux 下：git clone https://github.com/AMAP-ML/SkillClaw.git && cd SkillClaw && bash scripts/install_skillclaw.sh && source .venv/bin/activate。Windows PowerShell（手动安装）：git clone ...；Set-Location SkillClaw; python -m venv .venv; .\.venv\Scripts\Activate.ps1; pip install -e ".[evolve,sharing,server]"
如何使用这个 Agent？
运行 skillclaw setup 配置提供商、模型、本地技能目录和共享存储等。对于客户端代理，运行 skillclaw start --daemon 启动，然后检查状态。对于单个用户的自动演化，运行 skillclaw-evolve-server --use-skillclaw-config --interval 300 --port 8787。对于团队共享，配置共享存储并启动服务器。常用命令包括 skillclaw skills pull/push/sync 管理技能，skillclaw dashboard sync/serve 查看仪表盘。验证模式可通过配置 validation.enabled true 开启。
这个 Agent 与同类方案有什么区别？
与 MetaClaw 和 OpenClaw-RL 等类似项目相比，SkillClaw 更强调集体技能演化，支持跨用户和跨代理共享，并提供独立的演化服务器和验证流程。