SkillLite
Rust 编写的轻量级安全自进化引擎：内置系统级沙箱、零依赖、全本地执行，让 Agent 在不牺牲安全的前提下持续改进。
- Star 数
- ★ 150
- 最近更新
- 29 天前
- License
- MIT
- 主语言
- Rust
- FA 评分
- 60/100 · 存在缺口
30 秒速览
- 运行形态
- 可在哪里用
- 通用 · 跨平台
- 费用
- 软件免费，模型调用费用自付
- 上手难度
- 低 · 几分钟可跑通
- 开始前需要
- 典型场景
- 在 Cursor 或 Claude Desktop 中需要安全执行不可信 Agent 技能的开发者，可通过
pip install skilllite[mcp]+skilllite mcp获得带安装扫描和 OS 隔离的沙箱，无需引入完整框架 - 不适合
- 需要原生 Windows 沙箱隔离的团队（仅 WSL2 桥接）
- 希望技能依赖用标准 requirements.txt 管理的团队
- 要求跨平台性能数据经独立验证的团队
- 源码审查
- 60/100 · 存在缺口
这个 Agent 能做什么，适合哪些场景？
SkillLite 是一个用 Rust 构建的自进化 Agent 引擎，核心由两层组成：上层的自进化引擎（反馈→反思→进化→验证）与下层的全链路安全沙箱。可进化内容包括提示词、记忆和技能，但它们始终运行在不可变的编译核心之下，且每个进化产物必须通过 L3 安全扫描与 OS 级隔离才能执行。沙箱基于操作系统原生机制（Seatbelt / bubblewrap / seccomp），在 20 项运行时安全测试中获得满分。项目以单二进制交付（完整版约 6.2 MB、轻量沙箱版约 3.6 MB），宣称零依赖、完全本地执行，热启动约 40 ms、内存约 10 MB。可通过 pip 安装（pip install skilllite），以 MCP 服务器形式嵌入 Cursor、Claude Desktop、OpenCode 等现有 IDE 或 Agent，也可通过 Python SDK 或 CLI 直接调用。
SkillLite 读取包含 SKILL.md 的技能目录，在 OS 原生沙箱中执行入口脚本（自动检测 main.py / main.js / main.ts / main.sh），并返回 JSON 结果。安装技能时执行三层防御：静态规则扫描 + LLM 辅助分析 + PyPI/OSV 供应链审计；执行前做两阶段确认与哈希完整性校验；运行时限制进程白名单、文件系统/网络/IPC，并用 rlimit 限制 CPU/内存/fork/文件大小。进化引擎（skilllite-evolution crate）收集反馈、反思、生成新的提示词/记忆/技能，经质量门与审计后落地，核心二进制永不自我修改。用户可通过 skilllite chat 交互、run_skill() 直接执行技能、skilllite mcp 启动 stdio MCP 服务器，或用 langchain-skilllite 适配器接入 LangGraph 的 create_react_agent。技能可从 GitHub 仓库（skilllite add owner/repo）、本地目录或 ZIP 包添加，也支持从 OpenClaw 风格目录迁移。
- 在 Cursor 或 Claude Desktop 中需要安全执行不可信 Agent 技能的开发者，可通过
pip install skilllite[mcp]+skilllite mcp获得带安装扫描和 OS 隔离的沙箱，无需引入完整框架 - 使用 LangChain/LangGraph 构建多 Agent 应用的团队，可用 langchain-skilllite 的 SkillLiteToolkit 将技能以 sandbox_level=3 挂载到 create_react_agent
- 希望 Agent 在使用中持续改进但仍受安全约束的个人用户，可启用进化引擎让提示词、记忆和技能自动优化，所有产物经过同一套 L3 扫描与沙箱
- 已有 OpenClaw 技能生态的用户，可用
skilllite claw migrate迁移技能、SOUL/MEMORY Markdown 和可选的 .env 密钥 - 只需要一个极轻量本地代码执行沙箱的框架作者，可单独使用 skilllite-sandbox 二进制（约 3.6 MB）或将其作为 Rust crate 嵌入
- 本地/隐私敏感环境（Ollama 等本地 LLM）用户可配置 base_url 指向 localhost，实现全离线运行
如何安装或部署这个 Agent？
推荐方式：pip install skilllite，然后运行 skilllite init（安装沙箱二进制、创建 skills/ 目录并下载技能），用 skilllite list 验证。如需 MCP 集成：pip install "skilllite[mcp]" 后执行 skilllite init 和 skilllite mcp，并用 skilllite init-cursor 或 skilllite init-opencode 自动配置宿主。零配置启动：skilllite quickstart（自动检测 LLM、配置技能并启动聊天）。从源码构建需先安装 Rust（rustup），然后 cargo install --path skilllite 获得完整版，或 cargo install --path skilllite --bin skilllite-sandbox --no-default-features --features sandbox_binary 仅构建沙箱+MCP。运行时需在 .env 中配置 BASE_URL、API_KEY、MODEL（支持 OpenAI、DeepSeek、Qwen、Moonshot、Ollama 本地）。平台支持 macOS、Linux 和 Windows（经 WSL2 Bridge）。
如何使用这个 Agent？
Python 直接执行技能：from skilllite import run_skill; result = run_skill('./skills/calculator', '{"operation": "add", "a": 15, "b": 27}')，结果中的 result['text'] 为输出文本。对话式 Agent：from skilllite import chat; result = chat('Calculate 15 * 27', skills_dir='skills')，或 CLI 运行 skilllite chat。技能管理：skilllite add owner/repo 从 GitHub 添加、skilllite run <dir> '<>' 直接执行、skilllite scan <dir> 安全扫描、skilllite evolution status 查看进化指标。自定义技能是一个含 SKILL.md 的目录（元数据写在 frontmatter，依赖声明在 compatibility 字段而非 requirements.txt）。LangChain 集成：pip install langchain-skilllite，用 SkillLiteToolkit.from_directory('./skills', sandbox_level=3, confirmation_callback=...) 构建工具集。安全级别可选：1=无沙箱、2=仅沙箱隔离、3=沙箱+静态扫描（高危问题需确认）。
这个 Agent 有哪些优点和局限？
- 全链路防御是独特卖点：安装时扫描、执行前确认、运行时 OS 隔离三层合一，而 E2B、Docker、Claude SRT 等主要只做运行时隔离
- 性能数据具体可查：热启动 40 ms、冷启动 492 ms、约 10 MB RSS，相比 Docker（194 ms / ~100 MB）和 SRT（596 ms / ~84 MB）有数量级优势
- 模块化交付：skilllite-sandbox 可独立作为二进制、MCP 服务器或 Rust crate 被任意框架（LangChain、AutoGen、CrewAI）采用，不必接受整个栈
- 进化产物不豁免安全：进化的提示词/记忆/技能与手动安装技能走同一套 L3 检查 + 沙箱，且进化可审计、可回滚
- 多入口降低采用门槛：MCP 接入现有 IDE、Python SDK、CLI、可选桌面 GUI 均有文档路径
- 运行时依赖宿主 Python：沙箱 RSS 约 10-11 MB 主要来自嵌入式 Python 进程，沙箱执行需要 Python 解释器
- Windows 支持需经 WSL2 Bridge，非原生，沙箱机制（Seatbelt/bwrap/seccomp）本身在 Windows 上不可用
- 基准测试数据为 macOS ARM64 release 构建自测结果，README 承认 no-Python 启动基准与 MicroVM 指标不直接可比，跨平台数据缺乏独立验证
- 安全对比分数（如 Docker 2/20、Docker 默认配置较弱）来自项目自己的测试脚本，对比口径可能偏向有利于 SkillLite 的默认配置
- LLM 辅助安装扫描和进化引擎需要可用的 LLM API（BASE_URL/API_KEY），完全离线仅适合本地 Ollama 等场景
- 技能依赖通过 compatibility 字段声明而非标准 requirements.txt，与其他技能生态迁移时有格式摩擦（尽管提供 OpenClaw 迁移命令）
这个 Agent 与同类方案有什么区别？
README 将自身与多类产品对比：vs Agent 框架（AutoGen、CrewAI、LangGraph）——它们提供编排但无内置进化或沙箱；vs 沙箱工具（E2B、Docker、Claude SRT）——它们提供隔离但无智能层；vs 进化平台（OpenClaw Foundry、EvoAgentX）——它们支持进化但对进化产物无安全约束。文中还指出 Claude Code Sandbox 使用相同的底层沙箱技术（Seatbelt + bubblewrap）。若你的需求仅是安全执行，E2B/Docker 更成熟通用；若需要进化+安全的组合，SkillLite 是更聚焦的选择。
与相关度最高的同类 agent 并排比较关键指标。
| Agent | 源码审查 | 形态 / 费用 | Star | 最近更新 | 主语言 | 完整支持的平台 |
|---|---|---|---|---|---|---|
| SkillLite 当前 | 60 · 存在缺口 | 命令行工具免费 + 模型费 | ★ 150 | 29 天前 | Rust | — |
| NotebookLM Python 自动化套件 | 81 · 表现良好 | 命令行工具免费 + 模型费 | ★ 20k | 2 天前 | Python | Codex · Claude Code · Claude.ai |
| Dinotty | 61 · 存在缺口 | 自托管服务免费 | ★ 728 | 2 天前 | TypeScript | Codex · Claude Code |
| mcp-agent | 53 · 缺口较多 | 开发框架免费 + 模型费 | ★ 8.6k | 9 个月前 | Python | Claude.ai · OpenAI API · Claude API |
FollowAgents 如何评估这个 Agent？
查看各维度的扣分理由
证据显示三层防御描述完整：安装期扫描、两阶段确认、OS 级隔离（Seatbelt/bwrap/seccomp）、进程白名单与资源限制，故 least_privilege 与 user_confirmation 给 2；但沙箱级别 1 明确允许完全无沙箱直执行且未说明默认值与风险提示，扣分。data_flow_transparency 仅停留在架构图层面，未见数据流文档，给 1。sensitive_data_handling 薄弱：claw migrate 提及'可选 secrets'迁移但无脱敏说明，给 1。dependency_security 有 cargo-deny/cargo-audit 与 CI 强制，给 2，但依赖清单本身未提供。external_effects：allow_network 开关与 skill add 从 GitHub 拉取存在，网络侧影响说明不足，给 1。rollback 仅有'可回滚'断言，无机制证据，给 1。source_attribution：作者邮箱存在但发布者未验证、版权署名'SkillLite Team'年份 2026 存疑，给 1。
self_consistency：整体叙事一致，但 README 宣称'零依赖'而 requirements.txt 含 openai/mcp，且文件内残留测试编辑注释（2026-02-26 search_replace 验证），给 2。dependency_availability：PyPI 发布、CI 多平台构建与 smoke test，给 2。failure_messages：Python SDK 测试显示二进制缺失、IPC 异常等均有结构化错误返回，给 2，但 Rust 侧源码未提供无法验证。
audience_and_scenarios：README 提供分路径入口（沙箱/MCP、全栈、桌面），面向 IDE 用户与框架集成者，给 3。capability_boundaries：三级安全级别与平台支持表清楚，给 2。trigger_precision：SKILL.md 元数据与入口自动检测规则明确，给 2。environment_fit：macOS/Linux 原生、Windows 仅 WSL2 桥接，且沙箱原语（Seatbelt/bwrap）非全平台等效，扣至 2。
information_architecture：中英双语文档树、分路径导航良好，但本快照 README 被截断且 crate 表不完整，给 2。install_notes：pip install、init、init-cursor、MCP 接线命令完整，给 3。naming_stability：skilllite/skilllite-sandbox 命名一致，但存在 SKILLBOX_USE_IPC 旧环境变量兼容痕迹，给 2。examples_and_faq：教程表与代码示例丰富，无 FAQ，给 2。known_limitations：仅有基准测量口径的诚实说明，缺系统性限制文档，给 1。license：MIT 全文存在但版权年份 2026 与'SkillLite Team'署名含糊，给 2。versioning_changelog：版本 0.1.29 存在但未见 CHANGELOG，给 1。maintenance_responsibility：CI 完备、单作者邮箱、贡献指南链接，维护者单一，给 2。
output_usability：SDK 返回统一 JSON 结构（success/exit_code/stdout 等）并有测试佐证，给 2。marginal_value：'沙箱+自进化'组合在生态中确有差异化，MCP 独立二进制降低采用门槛，给 2。cost_benefit：性能对比表与微基准数据详尽，但全部为厂商自测，给 2，扣分点为缺乏第三方验证。
claim_traceability：提供复现命令（security_vs.py、benchmark_runner.py、CI workflow），声明可追溯到脚本，给 2，但 Rust 沙箱核心源码未在证据中。cross_source_corrorboration：20/20 安全分、性能对比均为自测；LangChain 目录引用与外部 PR 链接无法在本仓库内核实，给 1。fact_inference_separation：营销语句（'最安全'、'3-5x faster'）与测量数据混排，部分段落有口径澄清（process RSS vs MicroVM PSS），给 1。
- 本评估为静态审查，未执行任何沙箱或安全测试；README 的 20/20 安全评分与性能对比均为项目自测，未获第三方验证。
- 安全级别 1 允许完全无沙箱直执行；使用前请确认默认级别并在生产中强制 Level 3。
- README 宣称'零依赖'但 Python SDK 依赖 openai 与 mcp，且 requirements.txt 残留测试编辑注释，提示仓库卫生问题。
- 发布者身份未经策展注册库验证，版权署名'SkillLite Team'与 2026 年份需自行核实。
- Windows 仅通过 WSL2 桥接支持，Seatbelt/bwrap 沙箱原语跨平台不等效，生产部署前请验证目标平台行为。
- '可回滚'仅为断言，证据中未见回滚机制细节，依赖回滚前请审查实现。
最近版本
来自该项目 GitHub Releases 的最新发布记录，说明为上游原文摘录，未经本站改写或测试。
-
发布说明摘录
What's Changed * fix: avoid UTF-8 panic when truncating chat errors by @fengxue123-fly in https://github.com/EXboys/skilllite/pull/56 * fix: wrap onboarding health check payload in input object by @fengxue123-fly in https://github.com/EXboys/skilllite/pull/57 * chore(deps): bump react-dom and @types/react-dom in /crates/skilllite-assistant by @dependabot[bot] in https://github.com/EXboys/skilllite/pull/55 * chore(deps): bump @tanstack/react-virtual from 3.13.23 to 3.13.24 in /crates/skilllite-assistant by @dependabot[bot] in https://github.com/EXboys/skilllite/pull/59 …在 GitHub 查看 ↗
常见问题
必须使用完整的 SkillLite Agent 栈吗？
它支持哪些 LLM 提供商？能否完全离线？
进化功能会不会绕过安全检查？
在 Windows 上能用吗？
安全对比分数可信吗？
cd benchmark && python3 security_vs.py），并声明其 no-Python 启动基准与 MicroVM 指标不直接可比。建议按其提供的脚本自行验证后再做采用决策。