核心用法
Auto Skill Hunter 是一款面向 ClawHub 生态系统的元能力技能，核心使命是让 Agent 具备自我进化的能力。它并非解决单一任务，而是解决「如何发现更好的工具来解决任务」这一元问题。
使用场景涵盖四大触发条件：用户请求当前技能无法可靠完成的任务、会话历史中重复出现同类未解决问题、用户主动要求发现更优工具、或基于定时巡逻实现 proactive 能力增长。执行命令为 node skills/skill-hunter/src/hunt.js，支持 --auto 全自动巡逻、--query 针对性搜索、--dry-run 安全预览、--max-install 安装数量限制等模式。
工作流程分为五步闭环：从近期会话中提取未解决问题信号 → 搜索 ClawHub 趋势与接口 → 多因子评分（问题相关性、用户画像匹配度、现有技能互补性、质量信号如星标/下载量）→ 安装 Top 候选并附带可运行入口与自检回退 → 输出简洁推荐报告。
---
显著优点
主动性设计打破传统「用户找工具」的被动模式，Agent 能自主识别能力缺口并发起补强，大幅降低人工浏览 ClawHub 的认知负担。互补性评分机制确保新技能与现有栈形成协同而非冗余，促进能力多样性增长。安全边界清晰：默认每轮最多安装 2 个技能、支持 --dry-run 预览、永不覆盖现有文件夹、失败回退至脚手架模式，层层防护降低失控风险。定时巡逻能力支持 30/60/120 分钟三档调度，让能力覆盖随项目演进动态保鲜。
---
潜在缺点与局限性
外部依赖风险：核心功能绑定 ClawHub 平台可用性与技能元数据质量，若平台服务中断或评分数据滞后，推荐有效性将显著下降。黑盒评分逻辑：文档未披露多因子权重的具体算法，用户难以预判何种技能会被优先选中，调优空间受限。安装后验证薄弱：虽提「runnable entry and self-test fallback」，但未明确自检覆盖率，低质量技能可能混入生产环境。元技能开销：持续巡逻产生周期性计算与网络开销，对资源敏感场景需权衡收益成本比。
---
适合的目标群体
- 快速迭代型团队：项目需求变化快，需要 Agent 能力栈随用随长的场景
- ClawHub 重度用户：已积累一定技能基础，希望自动化管理技能组合复杂度
- 运维与平台工程师：需要为多个 Agent 实例统一配置「自我进化」策略
- 探索型用户：愿意尝鲜元能力工具，接受适度不确定性换取长期效率收益
不适合：追求极致可控、每次技能变更需人工审计的强合规场景；或完全离线、无外网访问权限的环境。
---
使用风险
性能风险：定时巡逻模式持续占用 CPU/网络资源，高频率调度（如 30 分钟）可能干扰主任务执行。依赖风险：Node.js 运行时、ClawHub API、Git 克隆链路任一环节故障将导致功能降级或失败。安全与质量风险：自动安装机制可能引入未充分审计的第三方代码，虽设安装上限但无代码级安全扫描；SKILL_HUNTER_NO_REPORT=1 仅禁用上报而非阻断操作。版本漂移风险：多次自动更新后技能栈状态可能与人工文档记录产生偏差，增加故障排查难度。建议生产环境始终配合 --dry-run 审查与版本锁定策略使用。