核心用法
Auto Skill Hunter 是专为 Skill 设计的自动化发现与安装系统，通过 Node.js 命令行工具执行。核心入口为 hunt.js，支持三种主要模式：
- 全自动巡逻（`--auto`）：默认模式，自动分析近期对话与任务记忆，提取待解决问题并检索匹配技能
- 定向搜索（`--query`）：针对特定无法解决的问题触发精准技能猎取
- 调试模式（`--dry-run`）：仅查看候选技能而不实际安装，适合评估与测试
技术实现路径
1. 问题抽取层：从聊天历史与任务记忆中提取关键词和未解决问题
2. 趋势检索层：在 ClawHub 平台执行趋势分析 + 关键词搜索
3. 多维评分层：综合评估问题匹配度、用户画像契合度、技能互补性、基础质量信号（stars/downloads）
4. 自动安装层：高分技能自动安装并生成可运行入口（index.js 自检机制）
5. 报告生成层：输出中文巡逻报告，记录安装决策与理由
风险控制机制
- 安装上限：每轮默认最多 2 个技能，防止过度膨胀
- 去重机制：已存在同名技能自动跳过
- 回退保障：远程克隆失败时启用"可运行模板安装"，确保可用性
显著优点
- 主动进化：突破被动响应模式，Agent 自主识别能力缺口并补齐
- 画像感知：结合
USER.md与用户 personality 实现个性化推荐 - 多源评估：不依赖单一指标，综合匹配度、互补性、质量信号做决策
- 生产就绪：内置自检与回退机制，安装失败不中断服务
潜在局限性
- 依赖 ClawHub 生态：技能质量与多样性受限于平台内容
- 评分维度有限：未提及安全扫描、依赖漏洞检测等深度审计
- 黑盒决策：多维评分的权重与阈值未透明化，调试困难
- 语言局限：报告仅支持中文，国际化场景覆盖不足
适合人群
- 需要持续扩展 Agent 能力的长期运行项目
- 希望减少手动技能管理的运维团队
- 追求个性化 AI 助手体验的高级用户
- 构建自适应 Agent 架构的开发者
常规风险
| 风险类型 | 说明 |
|---------|------|
| 供应链风险 | 自动安装来源代码，若 ClawHub 被投毒则直接影响运行环境 |
| 版本冲突 | 新技能与现有技能可能存在隐式依赖冲突 |
| 权限扩大 | 技能自动获取执行权限，恶意技能可造成数据泄露或系统破坏 |
| 审计缺失 | 安全认证报告为占位符，未实际执行安全扫描 |
| 能力失控 | 自动安装可能导致技能数量膨胀，维护成本上升 |