Self Evolving Skill

核心功能

Self-Evolving Skill 是一套元认知自学习框架，旨在实现AI技能的自动演化与优化。其核心机制包括：

1. 残差金字塔分解 (ResidualPyramid)

采用SVD分解量化认知缺口，将嵌入向量分解为多层残差结构。系统根据覆盖率自动判断抽象层级：

• >80% 覆盖率：POLICY层级，调整策略权重
• 40-80% 覆盖率：SUB_SKILL层级，生成子Skill
• <40% 覆盖率：PREDICATE层级，归纳新谓词

2. 自适应反思触发

基于残差能量动态判定学习时机，初始阈值0.10，价值增益阈值0.20，目标维持15%的触发率。避免过度学习造成的资源浪费。

3. 价值门控与经验回放

引入长期价值评估，仅接受能提升长期价值的变异。同时缓存已学模式，降低重复触发频率。

4. 持久化存储

经验数据自动保存/加载，支持MCP协议与多种接入方式（CLI、编程SDK、MCP服务器）。

显著优点

• 自适应性：无需人工调参，系统自动平衡学习频率
• 分层抽象：三层跃迁规则提供清晰的学习路径
• 资源高效：经验回放+价值过滤减少无效计算
• 生态兼容：完整支持MCP协议，可嵌入ClawHub生态

潜在局限

• 阈值敏感度：15%目标触发率可能需要特定场景调优
• 冷启动问题：初期缺乏经验缓存时触发率可能偏高
• SVD计算成本：高维嵌入的实时分解存在性能开销
• 价值函数设计：长期价值的量化依赖预设启发式

适合人群

AI系统开发者、自动化Agent构建者、需要持续学习的长期运行服务。

风险提示

• 持久化数据路径 ~/.openclaw/workspace/ 需关注隐私隔离
• 残差阈值过低可能导致学习风暴（频繁触发）
• MCP服务器运行时需注意进程权限控制

核心用法

Self-Evolving Skill 是一个元认知自学习框架，通过残差金字塔分解（ResidualPyramid）量化模型预测与实际输出之间的差距，驱动 Skill 自动演化。核心流程：

1. 嵌入分析：将输入/输出转为向量嵌入，通过 SVD 分解识别认知缺口层级
2. 三层跃迁：根据覆盖率（>80%/40-80%/<40%）自动决策调整策略权重、生成子 Skill 或归纳新谓词
3. 价值门控：仅当变异提升长期价值（value_gain > 0.20）时才接受更新
4. 经验回放：缓存已学模式，避免重复触发相同学习流程

支持 CLI、MCP 服务器和 TypeScript SDK 三种调用方式，数据持久化至 ~/.openclaw/workspace/self-evolving-skill/。

显著优点

• 自动化学习闭环：无需人工标注，系统自判断何时需要学习（自适应阈值 15% 触发率）
• 理论根基扎实：基于预测编码（Predictive Coding）和神经科学中的残差学习机制
• 架构清晰分层：Python 核心算法 + TypeScript SDK + MCP 服务器，职责分离
• 依赖极简安全：仅依赖 @types/node 和 typescript，供应链攻击面极小
• 本地隐私优先：无外部 API 调用，数据仅本地存储，符合 GDPR 最小化原则

潜在缺点与局限性

• T3 来源可信度：社区项目（OpenClaw 维护），非知名机构背书，长期维护存疑
• 硬编码路径风险：mcporter_adapter.py 存在硬编码绝对路径，跨环境部署需手动修改
• 无输入验证：embedding 参数未做长度/格式校验，存在潜在的运行时错误
• Python 运行时依赖：需本地 Python 3 环境，Windows 兼容性未明确说明
• 学习冷启动：初期缺乏经验回放缓存时，触发率可能偏离目标 15%

适合人群

• AI 应用开发者：需要让 Agent/Skill 具备持续自我优化能力的场景
• 研究型用户：对预测编码、元认知架构有兴趣的技术探索者
• 隐私敏感场景：数据不可外传，需在本地完成模型微调/策略学习的用户
• MCP 生态用户：已使用 Model Context Protocol，希望扩展自学习能力的开发者

常规风险

| 风险类别 | 等级 | 说明 |

|---------|------|------|

| 代码执行 | 极低 | 无 `eval/exec/system` 危险函数，仅 `spawn('python3')` 启动本地 MCP 服务器 |

| 信息泄露 | 极低 | 无敏感信息硬编码，数据仅本地存储 |

| 供应链攻击 | 极低 | 依赖极少，无已知 CVE |

| 网络外泄 | 极低 | 仅 `localhost:8080` MCP 通信，无外部 API |

| 来源可信度 | 低 | T3 级别，建议代码审查后再部署 |

| 路径硬编码 | 低 | 需检查 `mcporter_adapter.py` 第 23 行路径兼容性 |

综合评级：A 级（85 分），标准安全级别，适合生产环境使用，但建议完成推荐改进（参数化路径、添加输入验证）以提升至 S 级。