Skill Self Evolution Enhancer

核心用法

Skill Self-Evolution Enhancer 是一套元技能（Meta-Skill），用于为其他不具备自进化能力的 Skill 赋予持续学习与自我改进机制。其工作流程遵循六步闭环：读取目标 Skill → 深度能力分析 → 提取领域配置 → 生成 .learnings/ 学习档案 → 生成 EVOLUTION.md 进化规则 → 可选激活脚本注入。

核心交付物包括：

• `.learnings/LEARNINGS.md`：领域经验沉淀（如"科普场景应避免过于书面"）
• `.learnings/ERRORS.md`：错误模式与修复记录
• `.learnings/FEATURE_REQUESTS.md`：功能需求追踪
• `EVOLUTION.md`：定义 Review→Apply→Report 工作流、触发条件、晋升决策树

Review→Apply→Report 循环

这是技能自进化的执行引擎：

• Before Task：按领域/标签加载相关经验条目
• During Task：动态应用经验，可选标注引用来源（如"参考 LRN-xxx"）
• After Task：向用户总结本次使用的经验及改进效果

关键设计原则

• 语言自适应：完全继承目标 Skill 的用户语言（中/英/其他）
• 用户偏好 vs 领域最佳实践：用户级偏好存 MEMORY.md，领域共识存 .learnings/
• 经验失效机制：当用户再次纠正时，原条目标记 Contradicted-By 或 Status: superseded
• OpenClaw 主动反馈：让 AI 在适当时机向用户透明进化过程，增强信任

显著优点

1. 零侵入式赋能：无需修改目标 Skill 的核心逻辑，通过配置文件和约定目录实现能力注入
2. 领域特化：针对不同 Skill（如"洗稿能手"vs"电脑加速"）提取专属触发词、错误模式、改进方向
3. 可规模复制：一次元技能开发，可批量赋能任意数量的垂直 Skill
4. 经验可追溯：LRN-YYYYMMDD-XXX 标准 ID 体系，支持版本化管理与冲突消解
5. 人机协同进化：用户反馈直接驱动规则沉淀，形成"使用-反馈-学习-升级"正循环

潜在局限与风险

| 局限/风险 | 说明 |

|-----------|------|

| **冷启动问题** | 新 Skill 缺乏历史反馈，初期进化依赖通用模板，可能不够精准 |

| **过度拟合风险** | 若单一用户偏好被过度推广为领域规则，可能损害其他用户体验 |

| **经验冲突管理** | 多用户场景下，不同用户的矛盾反馈需要复杂的仲裁机制 |

| **维护成本** | `.learnings/` 文件随时间膨胀，需要定期归档或清理机制 |

| **语言推断误差** | 若 `SKILL.md` 混合多语言，可能导致输出文件语言不一致 |

适合人群

• Skill 开发者：希望为自己的垂直领域 Skill 快速添加持续学习能力
• AI 产品团队：需要管理大量 Skill 矩阵，追求统一进化框架
• 高级用户：愿意通过反馈训练专属 AI 助手，追求个性化体验
• 企业场景：需要内部知识沉淀与最佳实践自动化的组织

常规风险

• 数据隐私：.learnings/ 可能记录敏感用户反馈，需明确存储策略与访问控制
• 版本兼容性：目标 Skill 升级后，历史经验可能失效，需建立经验验证机制
• 提示注入：若用户反馈包含恶意内容，可能被记录并影响后续输出，需输入过滤
• 依赖循环：若目标 Skill 本身调用其他 Skill，需避免进化逻辑的递归复杂性

Skill Self-Evolution Enhancer 综合评估

核心功能

这是一个元技能（Meta-Skill），专为其他 Skill 添加自进化能力。它并非直接执行任务，而是改造目标 Skill 的架构，使其具备类似 "self-improving-agent" 的自我学习与迭代机制。

核心输出包括：

• `.learnings/` 目录：包含 LEARNINGS.md（经验日志）、ERRORS.md（错误追踪）、FEATURE_REQUESTS.md（功能请求）
• `EVOLUTION.md`：定义触发条件、Review→Apply→Report 循环、晋升决策树
• 可选激活脚本：scripts/activator.sh 用于运行时提醒

显著优点

1. 域自适应架构

与通用自进化方案不同，该 Skill 强调深度分析目标 Skill 的领域特征：

• 提取域名称、使用场景、用户画像
• 识别特定反馈触发词（如 "改得不通顺"、"不像口播"）
• 定义 3-6 个域特定分区（如文案/口播/短视频脚本）

2. 闭环学习工作流

强制实施 Review→Apply→Report 三阶段：

• Review：任务前加载相关学习条目
• Apply：执行时应用经验，可选标注引用
• Report：任务后总结进化效果

3. 经验生命周期管理

• 支持经验失效标记（Contradicted-By、Status: superseded）
• 复发计数（Recurrence-Count）追踪模式重复
• 明确区分用户偏好（MEMORY.md）与域最佳实践（.learnings/）

4. 多语言原生支持

自动推断目标 Skill 语言（中/英），所有生成文件保持语言一致。

潜在局限

1. 依赖目标 Skill 配合

生成的进化文件需要目标 Skill 主动调用，本身不强制注入运行时逻辑。若目标 Skill 开发者未实现 Review-Apply-Report 钩子，则进化能力形同虚设。

2. 无自动化反馈采集

当前设计依赖显式用户反馈（如 "不对"、"改一下"），无法自动捕获隐式信号（如用户反复修改同一处）。需配合 OpenClaw 主动反馈机制使用。

3. 经验爆炸风险

未内置经验去重或相似度合并机制，长期使用可能导致 .learnings/ 臃肿。

4. 非编码 Skill 假设

设计主要针对非编程类 Skill（如文案改写、系统优化），对于复杂代码生成类 Skill，其错误模式和进化维度可能覆盖不足。

适合人群

| 场景 | 推荐度 |

|------|--------|

| Skill 开发者希望为自己的创作添加自进化 | ⭐⭐⭐⭐⭐ |

| 运营大量垂直领域 Skill 的平台方 | ⭐⭐⭐⭐⭐ |

| 需要统一多 Skill 进化标准的企业 | ⭐⭐⭐⭐☆ |

| 追求开箱即用、无需二次开发的用户 | ⭐⭐⭐☆☆ |

常规风险与缓解

| 风险 | 可能性 | 缓解措施 |

|------|--------|----------|

| 生成文件覆盖已有配置 | 中 | 脚本含覆盖确认提示（建议增强） |

| 经验错误晋升导致 Skill 行为劣化 | 低 | `Contradicted-By` 机制允许回退 |

| 语言推断错误 | 低 | 用户可在生成后手动调整 |

安全认证亮点

• 零依赖：无 package.json/requirements.txt，零 CVE 风险
• 零网络：无外部 API 调用，无数据外泄通道
• 纯文档型：仅含 Markdown 模板与文件操作脚本
• S 级评分：CLS-Certify v2.1.0 六维检测全部满分

总结

这是一个架构清晰、安全无虞的 Skill 增强工具，适合有技术能力的 Skill 开发者或需要批量标准化进化能力的平台。其核心价值在于将 "自进化" 从单一 Skill 的特性抽象为可复用的基础设施，但需注意：进化效果的上限取决于目标 Skill 对生成机制的采纳程度。