Skill From Memory

核心用法

skill-from-memory 是一套完整的技能逆向工程工具链，旨在将零散的对话记录、已完成的任务流程或记忆文件转化为结构化、可发布的 OpenClaw 技能。其核心工作流分为四阶段：

1. 提取（Extract）：通过 extract-from-history.sh 解析 JSONL 格式的会话记录，或利用 extract-from-memory.sh 读取 Markdown 记忆文件，自动识别其中的任务模式、输入输出约定、脚本代码与关键决策点。

2. 设计（Design）：基于提取内容决策技能结构，确定资源类型分配——scripts/ 存放可执行代码、references/ 存放文档、assets/ 存放模板文件。

3. 创建（Create）：调用 create-skill.sh 生成标准化的 SKILL.md、执行脚本及配套资源文件，支持通过 --type 参数指定技能类型（workflow/tool/reference）。

4. 发布（Publish）：publish.sh 一键完成 GitHub 仓库推送与 ClawHub 注册表发布，内置语义化版本管理（SemVer）。

显著优点

• 知识资产化：将一次性解决方案转化为可复用工具，显著降低重复劳动成本
• 自动化程度高：从原始对话到上架发布，全流程脚本化，无需手动编写技能元数据
• 生态闭环：原生集成 ClawHub 注册表，支持技能版本管理与社区共享
• 渐进式提取：提供 --since、--pattern、--tools-only 等过滤选项，精准定位可复用片段

潜在缺点与局限性

• 依赖外部凭证：GitHub SSH 密钥配置、ClawHub CLI 登录等前置步骤较繁琐
• 提取质量不可控：复杂对话中可能混入上下文依赖或硬编码路径，需人工复核
• 非通用设计：专为 OpenClaw 生态定制，技能格式不兼容其他 Agent 框架
• 学习曲线：理解 SKILL.md 规范、资源类型划分等概念需要一定认知投入

适合人群

• 高频使用 OpenClaw 且希望沉淀个人工作流的资深用户
• 需要将团队内部脚本标准化的技术负责人
• 有意构建公开技能库、参与 ClawHub 生态贡献的开发者

常规风险

• 隐私泄露：会话历史可能包含敏感信息，提取前需审查内容
• 版本冲突：多人协作场景下可能出现 slug 命名冲突或版本覆盖
• 脚本安全性：自动提取的代码未经审计即发布，可能存在未处理的异常边界或权限风险
• 依赖漂移：长期未维护的技能可能因 OpenClaw 版本升级而失效

核心用法

skill-from-memory 是一套自动化工作流，用于将已完成的对话、任务或记忆中的解决方案转化为标准化的 OpenClaw Skill。其完整流程包含四个阶段：

1. Extract（提取）：通过 extract-from-history.sh 或 extract-from-memory.sh 解析 JSONL 会话日志或 Markdown 记忆文件，识别可复用的任务模式、输入输出定义、脚本代码及关键决策。
2. Design（设计）：根据提取内容确定 Skill 结构，包括 scripts/（可执行脚本）、references/（参考文档）、assets/（模板文件）等资源类型。
3. Create（创建）：调用 create-skill.sh 生成符合规范的 SKILL.md、shell 脚本及元数据文件。
4. Publish（发布）：通过 publish.sh 自动推送至 GitHub 仓库，并发布到 ClawHub Skill 注册中心。

快速启动命令支持从最近一次对话、指定时间范围或记忆文件直接生成 Skill，也提供 create-and-publish.sh 单命令完成全流程。

显著优点

• 自动化程度高：将人工整理 Skill 的重复劳动完全自动化，从对话到发布仅需一条命令。
• 标准化输出：严格遵循 OpenClaw Skill 规范，包含完整的 frontmatter、渐进式说明结构及使用示例。
• 可追溯与版本管理：集成 Git 工作流，支持语义化版本控制（SemVer），便于后续迭代与回滚。
• 无外部依赖风险：纯 Bash 实现，仅依赖系统标准工具（jq、awk、git 等），无第三方包供应链攻击面。
• 安全评分优异：安全认证达 S+ 级（98/100），通过静态分析、动态分析、依赖审计、网络分析、隐私合规及威胁情报六项检测。

潜在局限

• 输入路径信任假设：脚本依赖用户提供的文件路径，虽有基础存在性检查，但未强制使用 realpath 规范化，存在路径遍历的理论风险（实际利用难度高）。
• Bash 环境依赖：要求目标系统具备 POSIX-compliant 的 Bash 环境及 jq 等工具，Windows 原生环境需 WSL 支持。
• 语义理解能力有限：提取逻辑基于正则匹配与关键字识别，对复杂多轮对话中的隐含上下文可能提取不完整，需人工复核设计阶段输出。
• 无图形化界面：纯 CLI 交互，对非技术用户存在学习曲线。

适合人群

• 高频使用 OpenClaw 的开发者：需要将重复性工作流固化复用。
• 团队知识管理者：负责将成员协作成果转化为可共享的 Skill 资产。
• 自动化爱好者：希望实践 "Conversation as Code" 理念的早期用户。
• ClawHub 贡献者：计划向社区发布公开 Skill 的开发者。

常规风险

• 隐私泄露风险：提取过程需读取本地会话日志或记忆文件，用户应确保不在公共环境操作，避免敏感对话内容暴露。
• Git 配置依赖：发布功能要求预配置 Git 用户信息及 GitHub SSH 密钥，配置缺失会导致流程中断。
• Skill 质量责任：自动化生成仅提供模板，Skill 的实际可用性、边界条件处理及错误处理仍需开发者验证，避免发布未测试的 Skill。
• 版本冲突：ClawHub slug 全局唯一，若与现有 Skill 命名冲突将导致发布失败。