SkillClaw - AI Navigation

← 返回项目列表

SkillClaw 是一个让 AI Agent 技能从真实会话中持续进化的系统。它通过本地 Client Proxy 记录 Agent 请求和会话产物，再由可选 Evolve Server 从个人/团队共享存储中总结、去重、改进、验证并发布 SKILL.md。售前上适合讲“企业 Agent 经验沉淀”“多 Agent/多设备/多用户技能共享”“从一次性会话到可复用能力资产”，尤其适合已经在使用 Codex、Claude Code、Hermes、OpenClaw 等 Agent 的团队。

1. 项目定位

SkillClaw 解决的问题是：Agent 每次工作会产生经验，但这些经验往往散落在单次会话里，无法变成可复用、可共享、可持续改进的技能。

README 的一句话是：AI agent skills that evolve from every real interaction。用户只需要正常和 Agent 对话，技能演化在后台发生。

2. 核心能力

能力	说明	售前价值
Client Proxy	本地代理 `/v1/chat/completions`、`/v1/messages`	不改 Agent 主要使用方式即可记录会话
Session artifacts	记录会话材料和技能使用痕迹	为经验沉淀提供数据
Local skill library	管理本地 SKILL.md	个人技能库逐步变好
Evolve Server	从共享存储读取 session，进化/创建技能	团队自动沉淀经验
两种 evolve engine	`workflow`: Summarize -> Aggregate -> Execute；`agent`: OpenClaw 直接编辑技能	支持轻量和 Agentic 两种模式
Shared storage	local / Alibaba OSS / S3，技能可 Nacos override	支持团队共享和私有部署
Validation worker	客户端空闲时验证候选技能	发布前二次质量控制
Dashboard	查看技能、版本、验证、session traces	管理和可观测
多 Agent 兼容	Hermes、Codex、Claude Code、OpenClaw、QwenPaw 等	适合企业多工具生态

3. 适用场景

个人 Agent 技能库整理

开发者长期使用 Agent 后，会有大量半成品技能、重复技能、过时技能。SkillClaw 可以自动去重、改进和验证，让个人技能库更像“可维护资产”。

团队经验共享

一个成员解决过数据库问题、前端构建问题、K8s 部署问题，这些经验可以演化成 SKILL.md，让其他成员和其他 Agent 复用。售前上很适合讲“经验复利”。

多 Agent / 多设备统一能力

README 举例：Home Hermes 学 React，School Hermes 学 ML，Work Hermes 学 K8s。SkillClaw 让技能跟着用户走，而不是困在某台机器。

企业 Agent 治理

当企业开始部署多个 Agent 工具时，问题会从“有没有 Agent”变成“Agent 经验如何沉淀、复用、审核、发布”。SkillClaw 刚好切这个痛点。

4. 不太适合的场景

场景	原因
还没有稳定 Agent 使用场景	没有真实会话就没有可演化经验
只想要一次性 prompt 模板	SkillClaw 是持续系统，偏重
强隐私但无法接受会话记录	Proxy 记录 session，需要数据治理
技能发布必须严格人工审批	需要配置 validation 和企业流程

5. 部署模型

SkillClaw 分 Client Proxy 和 Evolve Server。

单用户

git clone https://github.com/AMAP-ML/SkillClaw.git && cd SkillClaw
bash scripts/install_skillclaw.sh
source .venv/bin/activate
skillclaw setup
skillclaw start --daemon
skillclaw status

默认 proxy port 是 30000，健康检查：

curl http://127.0.0.1:/healthz

团队共享

多个客户端指向同一个 shared storage，一个 evolve server 负责 group：

skillclaw config sharing.enabled true
skillclaw config sharing.backend oss
skillclaw config sharing.group_id my-group
skillclaw start --daemon
skillclaw skills pull

Evolve server：

skillclaw-evolve-server --port 8787 --interval 300 \
  --storage-backend oss \
  --oss-endpoint "$EVOLVE_STORAGE_ENDPOINT" \
  --oss-bucket "$EVOLVE_STORAGE_BUCKET" \
  --group-id my-group

Dashboard

skillclaw dashboard sync
skillclaw dashboard serve

默认访问：

http://127.0.0.1:3791

6. 售前可以怎么讲

企业用了 Agent 之后，真正的问题不是每次能不能完成任务，而是完成任务后的经验有没有沉淀。SkillClaw 把真实会话转化成可复用 SKILL.md，并在个人、多设备、多 Agent、团队之间同步和进化。它把 Agent 从“每次重新摸索”推进到“组织经验持续复利”。

7. PoC 建议

阶段	工作	验收
选 Agent	Codex/Claude Code/Hermes 任一	可通过 proxy 使用
单用户记录	运行 20-30 个真实任务	session 可追踪
技能演化	启动 evolve server	生成/改进 SKILL.md
去重评估	故意制造重复技能	是否合并/清理
团队共享	两个用户共用 group	技能可 pull/sync
验证流程	开启 validation worker	候选技能可审核
Dashboard	查看版本和 session trace	可观测性

8. 风险和注意事项

会话数据可能包含代码、密钥、客户信息，必须做脱敏和权限控制。
自动演化的技能不一定总是正确，重要技能要走验证和人工 review。
Client Proxy 改写 Agent 上游配置，生产环境要有 restore/doctor 操作手册。
团队共享需要 OSS/S3/local storage 的权限设计。
技能质量依赖真实任务质量，低质量会话会污染技能库。

9. 我的售前判断

SkillClaw 是 Agent 进入组织级使用后的“第二阶段工具”。第一阶段客户关心 Agent 能不能做事；第二阶段会关心经验能不能沉淀、复用、治理。SkillClaw 适合在客户已有 Agent 使用基础后推荐。

最佳定位：

真实 Agent 会话 -> session artifact -> skill evolution -> SKILL.md -> 团队共享 -> 下次任务复用

10. 参考资料

GitHub：AMAP-ML/SkillClaw
arXiv：SkillClaw paper
架构图：skillclaw_main.png
Two loops：two_loops.svg
Skill evolution：skill_evolution.svg

信息核查日期：2026-06-30。GitHub API 匿名访问触发限流，本笔记未写实时 stars/forks。