核心功能
skillbench 是面向 AI Agent 的自我改进型技能生态系统，专注于版本化技能管理、性能基准测试与迭代优化。其核心工作流形成闭环：使用技能 → 执行任务 → 记录结果 → 评分诊断 → 改进升级 → 版本对比，实现持续优化。
显著优点
1. 量化评估体系：独创 A+-D 五级评分机制，综合成功率（40%）、平均耗时（30%）、一致性（20%）与趋势（10%）四个维度，告别主观判断。
2. 无缝生态集成：原生对接 tasktime 自动获取任务耗时，同步 ClawVault 实现技能记忆持久化，降低人工记录成本。
3. 智能改进信号：自动识别「needs work」（成功率<70%）、「stale」（7天无数据）、「declining」（趋势恶化）三类风险状态，明确下一步优化方向。
4. 版本对比能力：支持跨版本性能 delta 分析，验证技能升级效果，避免「越改越差」。
潜在局限
- 依赖外部工具：核心体验需配合 tasktime 与 ClawVault 完整发挥，独立使用价值受限。
- 手动触发记录：虽支持
--success/--fail标记，但仍需用户显式执行record命令，存在遗忘风险。 - 评分权重固定：四大指标权重（40/30/20/10）不可调，难以适配特定场景（如高并发任务更关注一致性而非耗时）。
- 生态锁定风险：深度绑定 Versatly/ClawHub 技术栈，跨平台迁移成本较高。
适合人群
- 需高频迭代 AI 技能的开发者与 Agent 构建者
- 运营多版本技能矩阵的团队，需数据驱动版本决策
- 追求可观测 AI 系统、希望量化 Agent ROI 的技术管理者
常规风险
- 数据隐私：基准数据同步至 ClawVault 云端，敏感业务场景需评估合规性
- 评分误导：单一失败可能因外部因素（网络抖动）导致，需结合原始日志交叉验证
- 版本漂移：
skillbench use切换版本后若忘记切回，可能导致后续任务误用旧版技能