Self Evolving Skill

核心用法

Self-Evolving Skill 是一个元认知自学习系统，通过预测编码框架实现AI技能的自动演化。系统核心围绕"残差金字塔"（ResidualPyramid）构建——利用SVD分解量化当前认知与目标之间的缺口能量，并据此触发三层跃迁：覆盖率>80%时调整策略权重（POLICY）、40-80%时生成子Skill（SUB_SKILL）、<40%时归纳新谓词（PREDICATE）。

用户可通过CLI、MCP服务器或直接编程三种方式调用。关键操作包括创建Skill、执行并学习（需传入success/value信号）、分析嵌入向量、持久化存储等。系统内置经验回放缓存避免重复触发，并通过ValueGate确保只有提升长期价值的变异才被接受。

显著优点

• 自动化演进：无需人工设计学习规则，系统基于残差能量自适应判断学习时机
• 量化认知缺口：残差金字塔提供可解释的抽象层级建议
• 价值驱动进化：过滤低价值变异，避免无效迭代
• 持久化与回放：经验自动保存，支持跨会话累积

潜在缺点与局限性

• 阈值敏感：min_energy_ratio=0.10、value_gain_threshold=0.20等超参数需调优，不同任务域差异大
• SVD计算开销：高维嵌入的频繁分解可能影响实时性
• 价值函数依赖：长期价值的定义依赖外部输入（value参数），若标注质量差则进化方向偏移
• 缺乏理论收敛保证：预测编码在开放任务中的稳定性未经广泛验证

适合人群

AI研究者、需要动态适应用户行为的Agent开发者、对元学习与神经符号AI交叉领域感兴趣的工程师。

常规风险

• 反馈循环风险：自演化系统可能放大早期偏差，需定期人工审计 evolved skills
• 存储膨胀：经验缓存若无上限将占满磁盘，需配置自动清理策略
• MCP服务器暴露：若部署为服务，需验证skill_execute的输入过滤，防止注入攻击

核心用法

Self-Evolving Skill 是一个元认知自学习框架，采用「预测编码（Predictive Coding）」理论实现 AI 技能的自动演化。核心工作流程包括：

1. 残差金字塔分解：通过 SVD 对任务嵌入进行多层分解，计算「认知缺口」（residual energy），量化当前系统无法理解的新颖性
2. 自适应反思触发：基于残差能量动态判断何时启动学习，维持约 15% 的触发率以避免过度学习
3. 三层跃迁机制：根据覆盖率自动选择抽象层级——>80% 调整策略权重、40-80% 生成子 Skill、<40% 归纳新谓词
4. 价值门控过滤：仅当变异能提升长期价值时才接受，防止无意义迭代
5. 经验回放缓存：存储已学模式，避免重复触发相同学习流程

提供 CLI、MCP 服务器、TypeScript SDK 三种使用方式，支持 Skill 的创建、执行、分析、持久化全生命周期管理。

显著优点

• 理论扎实：基于神经科学中的预测编码理论，非黑盒试错
• 架构完整：从感知（残差计算）→决策（价值门控）→执行（Skill 生成）→记忆（经验回放）形成闭环
• 资源友好：经验缓存降低重复计算，自适应阈值避免过度学习
• 零外部依赖：纯本地运行，无 API 调用，数据仅存储于 ~/.openclaw/
• 渐进式演化：三层跃迁规则让系统从微调策略到创造新概念逐步升级

局限性与风险

• T3 来源：个人开发者项目（whtoo），缺乏企业级维护保障
• child_process 风险：使用 spawn 启动 Python MCP 服务器，虽无直接用户输入注入，但路径验证仍有改进空间
• 自演化不可预测：「自动学习和调整」意味着系统行为可能随时间漂移，需定期人工审查生成的 Skill
• 纯 JS 模式待完善：当前回退模拟模式功能不完整，无法完全脱离 Python 运行
• 长期价值计算不透明：ValueGate 的具体评估逻辑未在文档中详细说明，用户难以预判演化方向

适合人群

AI 研究者、自动化工作流设计师、需要构建「越用越聪明」的个性化 Agent 的高级用户。不适合追求开箱即用、对系统行为确定性要求高的生产场景。

常规风险提示

• 安装前确认 ~/.openclaw/ 路径是否符合预期
• 定期审查自动生成的 Skill 和策略，防止演化偏差
• 如需极致安全，可尝试强制使用纯 JS 模式并禁用 Python 服务器