尧图网页设计 
Agent引擎揭秘SkillClaw如何让LLM在工作区里当技能进化工程师【免费下载链接】SkillClawLet Skills Evolve Collectively with Agentic Evolver项目地址: https://gitcode.com/gh_mirrors/sk/SkillClawSkillClaw 是一个让 AI Agent 技能从真实会话中自动进化的开源项目其agent引擎的核心机制就藏在一份写给 LLM 看的工作手册 EVOLVE_AGENTS.md 里。本文将完整解析这份文件SkillClaw 如何把一个普通 LLM派驻到隔离工作区让它像一名技能进化工程师一样读会话、做归因、改技能、自我验证最终把经验沉淀为可复用的SKILL.md。背景为什么需要Agent 引擎SkillClaw 的进化服务端 evolve_server/ 内置两种引擎workflow固定三阶段 LLM 流水线Summarize → Aggregate → Execute流程可控agent直接把一个 OpenClaw 智能体放进工作区由它自主读写文件、修改技能库即Agentic Evolver。agent引擎由 agent.py 中的AgentEvolveServer驱动每轮循环做七件事拉取会话 → 压缩摘要 → 布置工作区 → 运行 Agent → 比对文件哈希收集变更 → 回传技能 → 清理会话。而 Agent 拿到手后第一件该做的事就是读取 EVOLVE_AGENTS.md——它就是 Agent 的岗位说明书。工作区Agent 的封闭车间agent_workspace.py 负责搭好这间车间目录结构如下目录/文件角色sessions/输入压缩后的会话 JSON每轮刷新skills/输入输出当前技能库SKILL.md为入口skills/name/history/进化台账vN.md快照 vN_evidence.md证据manifest.json、skill_registry.json只读参考由服务端管理三个关键设计数据先行压缩。原始会话先经过 summarizer 管道把 MB 级日志压成结构化轨迹_trajectory LLM 分析摘要_summary让 Agent 不爆上下文。边界即约束。EVOLVE_AGENTS.md开篇就规定所有文件操作必须留在工作区内sessions/与 manifest 只读。服务端通过snapshot_skills()前后哈希对比自动检测谁被改了删除操作则会被忽略。引导文件预写。openclaw_runner.py 利用 OpenClaw只创建、不覆盖引导文件的特性预写精简版AGENTS.md/SOUL.md确保 Agent 一启动就进入角色而不浪费 token 在默认模板上。EVOLVE_AGENTS.md 全解析六步进化法这份文档把 LLM 定义为skill evolution engineer并规定了一套严格的六步工作法。第一步读懂会话数据每个会话 JSON 只保留高信噪比字段_summary因果分析摘要、_trajectory逐步轨迹含工具调用成败与 PRM 分数、_avg_prm、_skills_referenced。文档还给出高效阅读顺序先读摘要再查轨迹最后用统计量横向对比。第二步归因分析按引用了哪个技能给会话分组并回答一个关键问题失败到底是谁的锅技能问题指引错误/缺失→ 改技能Agent 问题误用、上下文溢出→ 不要往技能里塞运行时建议环境问题API 抖动→ 简短备注即可文档特别点出一个反模式如果技能里的 API 信息本来就是对的只是 Agent 没看那是 Agent 的问题——千万别把正确信息删掉换成自己去翻源码。第三步先读历史再定动作对已有技能动手前必须读完history/下所有v*.md与v*_evidence.md否则可能回退过去的改进。随后四选一improve_skill证据显示指引有缺失或过时 → 定向修改optimize_description正文没问题但描述导致错误匹配 → 只改描述create_skill会话中反复出现、且无现有技能覆盖的可教模式 → 新建skip证据不足、或问题不源于技能 → 不动一句话原则存疑时宁可 skip 也不做投机性编辑。第四步动手写文件improve_skill原地修改skills/name/捆绑包create_skill新建目录。每个SKILL.md必须有 YAML frontmattername/description/category且 description 是主要触发机制——要求写清适用场景和NOT for: ...排除条件。第五步自我验证门禁这是 Agent 引擎最像工程师的部分任何新建/修改的技能定稿前必须通过自验——基于当前会话证据设计 1–3 个验证场景静态检查 frontmatter、触发边界、相对引用路径是否完好条件允许时跑最小冒烟测试如脚本--help、dry-run且不得出工作区无法运行则做证据化静态模拟推演未来 Agent 会如何正确使用该技能失败就继续修或回滚绝不留下已知失败的变更。验证结果必须写进配对的history/vN_evidence.md形成可审计记录。第六步维护进化台账history/是技能的版本变更日志 绩效复盘vN.md保存改动前快照vN_evidence.md记录改了什么、为什么改、证据来自哪些会话、旧版本表现如何。文件必须用vN版本号命名禁用日期文件名——因为一天可能跑多轮进化日期粒度太粗。台账是否跨轮累积取决于运行模式--no-fresh保留历史--fresh每轮重建工作区。编辑原则保守主义是核心哲学文档最后三条硬约束值得所有做 LLM 工程化的读者抄作业默认定向修改拒绝重写把现有技能当事实来源而非草稿不许擅动契约API 端点、端口、输出格式、文件名——除非证据明确显示环境变了区分三类问题Agent 运行时的问题不要污染技能内容。新建技能则要求压缩环境知识端点、端口、payload 格式、工具怪癖而不是堆通用最佳实践写完是可复用指引不是故障复盘报告。小结一份 Markdown 如何变成一套质量体系EVOLVE_AGENTS.md的价值不在字数而在它把LLM 改文件这件高风险事变成了受控流水线输入被压缩、边界被锁死、决策有枚举、改动有验证、留痕有台账。服务端 agent.py 再负责哈希比对、版本注册与回传存储两者合起来就是 SkillClaw 的Agentic Evolver——技能不再是写死的文档而是随真实使用持续进化的资产。想动手体验服务端参数与两种引擎的切换方式可在 evolve_server/ 的入口main.py 中查阅例如--engine agent、--no-fresh、--agents-md均可定制这套进化流程。【免费下载链接】SkillClawLet Skills Evolve Collectively with Agentic Evolver项目地址: https://gitcode.com/gh_mirrors/sk/SkillClaw创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 Agent引擎揭秘：SkillClaw如何让LLM在工作区里当“技能进化工程师“
Agent引擎揭秘SkillClaw如何让LLM在工作区里当技能进化工程师【免费下载链接】SkillClawLet Skills Evolve Collectively with Agentic Evolver项目地址: https://gitcode.com/gh_mirrors/sk/SkillClawSkillClaw 是一个让 AI Agent 技能从真实会话中自动进化的开源项目其agent引擎的核心机制就藏在一份写给 LLM 看的工作手册 EVOLVE_AGENTS.md 里。本文将完整解析这份文件SkillClaw 如何把一个普通 LLM派驻到隔离工作区让它像一名技能进化工程师一样读会话、做归因、改技能、自我验证最终把经验沉淀为可复用的SKILL.md。背景为什么需要Agent 引擎SkillClaw 的进化服务端 evolve_server/ 内置两种引擎workflow固定三阶段 LLM 流水线Summarize → Aggregate → Execute流程可控agent直接把一个 OpenClaw 智能体放进工作区由它自主读写文件、修改技能库即Agentic Evolver。agent引擎由 agent.py 中的AgentEvolveServer驱动每轮循环做七件事拉取会话 → 压缩摘要 → 布置工作区 → 运行 Agent → 比对文件哈希收集变更 → 回传技能 → 清理会话。而 Agent 拿到手后第一件该做的事就是读取 EVOLVE_AGENTS.md——它就是 Agent 的岗位说明书。工作区Agent 的封闭车间agent_workspace.py 负责搭好这间车间目录结构如下目录/文件角色sessions/输入压缩后的会话 JSON每轮刷新skills/输入输出当前技能库SKILL.md为入口skills/name/history/进化台账vN.md快照 vN_evidence.md证据manifest.json、skill_registry.json只读参考由服务端管理三个关键设计数据先行压缩。原始会话先经过 summarizer 管道把 MB 级日志压成结构化轨迹_trajectory LLM 分析摘要_summary让 Agent 不爆上下文。边界即约束。EVOLVE_AGENTS.md开篇就规定所有文件操作必须留在工作区内sessions/与 manifest 只读。服务端通过snapshot_skills()前后哈希对比自动检测谁被改了删除操作则会被忽略。引导文件预写。openclaw_runner.py 利用 OpenClaw只创建、不覆盖引导文件的特性预写精简版AGENTS.md/SOUL.md确保 Agent 一启动就进入角色而不浪费 token 在默认模板上。EVOLVE_AGENTS.md 全解析六步进化法这份文档把 LLM 定义为skill evolution engineer并规定了一套严格的六步工作法。第一步读懂会话数据每个会话 JSON 只保留高信噪比字段_summary因果分析摘要、_trajectory逐步轨迹含工具调用成败与 PRM 分数、_avg_prm、_skills_referenced。文档还给出高效阅读顺序先读摘要再查轨迹最后用统计量横向对比。第二步归因分析按引用了哪个技能给会话分组并回答一个关键问题失败到底是谁的锅技能问题指引错误/缺失→ 改技能Agent 问题误用、上下文溢出→ 不要往技能里塞运行时建议环境问题API 抖动→ 简短备注即可文档特别点出一个反模式如果技能里的 API 信息本来就是对的只是 Agent 没看那是 Agent 的问题——千万别把正确信息删掉换成自己去翻源码。第三步先读历史再定动作对已有技能动手前必须读完history/下所有v*.md与v*_evidence.md否则可能回退过去的改进。随后四选一improve_skill证据显示指引有缺失或过时 → 定向修改optimize_description正文没问题但描述导致错误匹配 → 只改描述create_skill会话中反复出现、且无现有技能覆盖的可教模式 → 新建skip证据不足、或问题不源于技能 → 不动一句话原则存疑时宁可 skip 也不做投机性编辑。第四步动手写文件improve_skill原地修改skills/name/捆绑包create_skill新建目录。每个SKILL.md必须有 YAML frontmattername/description/category且 description 是主要触发机制——要求写清适用场景和NOT for: ...排除条件。第五步自我验证门禁这是 Agent 引擎最像工程师的部分任何新建/修改的技能定稿前必须通过自验——基于当前会话证据设计 1–3 个验证场景静态检查 frontmatter、触发边界、相对引用路径是否完好条件允许时跑最小冒烟测试如脚本--help、dry-run且不得出工作区无法运行则做证据化静态模拟推演未来 Agent 会如何正确使用该技能失败就继续修或回滚绝不留下已知失败的变更。验证结果必须写进配对的history/vN_evidence.md形成可审计记录。第六步维护进化台账history/是技能的版本变更日志 绩效复盘vN.md保存改动前快照vN_evidence.md记录改了什么、为什么改、证据来自哪些会话、旧版本表现如何。文件必须用vN版本号命名禁用日期文件名——因为一天可能跑多轮进化日期粒度太粗。台账是否跨轮累积取决于运行模式--no-fresh保留历史--fresh每轮重建工作区。编辑原则保守主义是核心哲学文档最后三条硬约束值得所有做 LLM 工程化的读者抄作业默认定向修改拒绝重写把现有技能当事实来源而非草稿不许擅动契约API 端点、端口、输出格式、文件名——除非证据明确显示环境变了区分三类问题Agent 运行时的问题不要污染技能内容。新建技能则要求压缩环境知识端点、端口、payload 格式、工具怪癖而不是堆通用最佳实践写完是可复用指引不是故障复盘报告。小结一份 Markdown 如何变成一套质量体系EVOLVE_AGENTS.md的价值不在字数而在它把LLM 改文件这件高风险事变成了受控流水线输入被压缩、边界被锁死、决策有枚举、改动有验证、留痕有台账。服务端 agent.py 再负责哈希比对、版本注册与回传存储两者合起来就是 SkillClaw 的Agentic Evolver——技能不再是写死的文档而是随真实使用持续进化的资产。想动手体验服务端参数与两种引擎的切换方式可在 evolve_server/ 的入口main.py 中查阅例如--engine agent、--no-fresh、--agents-md均可定制这套进化流程。【免费下载链接】SkillClawLet Skills Evolve Collectively with Agentic Evolver项目地址: https://gitcode.com/gh_mirrors/sk/SkillClaw创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考