核心用法
auto-skill-evolver 是一种"元技能"（meta-skill），使AI代理能够自主改进其他技能。它通过"执行-评估-优化-重写"的闭环实现持续进化，支持两种主要模式：
1. 自训练模式（The Gym）：针对特定任务反复练习，通过 --iterations 和 --interval 控制训练轮次与间隔，配合 --interactive-each-iteration 实现人工逐轮审核。
2. 进程中进化（Hook Mode）：在日常使用中触发优化，支持命令行钩子与Python集成。核心命令 optimize_skill.py 提供完整的提案-审批工作流：生成提案（--task-desc/--trace-file）、查看状态（--status）、延迟应用（--apply-proposal），以及专为移动端设计的单动作模式（--chat-action propose|status|approve）。
自然语言路由是亮点——系统识别中英文意图（如"训练技能"、"查看训练状态"、"evolve skill"、"approve proposal"），自动映射到对应工作流，无需记忆复杂参数。
显著优点
- 移动优先设计：
--chat-action单参数模式、--output-mode text/json结构化输出、risk_level风险卡片字段，专为小屏幕对话场景优化。 - 安全防御纵深：提示隔离（将日志视为不可信数据）、多层扫描（危险命令diff比对、高危行为黑名单、提示注入标记检测）、原子写入（
tempfile + os.replace）、安全隔离工作区（.secure_workspace）。 - 提案优先架构：强制
.proposed+.proposed.meta.json中间态，无自动应用路径；审批支持yes/精确哈希/令牌文件三种模式，含--approval-expire-seconds过期保护。 - 版本控制与回滚：每次更新自动备份至
.skill_versions/，支持程序化恢复。 - 节白名单保护：仅允许重写指定H2章节（默认
Usage,How It Works,Security），frontmatter 和未授权章节不可变。
潜在局限
- 依赖本地环境：需预装 Python 3.8+ 和 OpenClaw CLI，无法独立运行。
- 人工审批瓶颈：严格安全模型下，每次应用都需显式批准，高频迭代场景可能降低效率。
- CLI 学习成本：尽管有自然语言路由，复杂场景（如自定义
--allowed-sections）仍需理解底层参数。 - 单用户权限模型：安全隔离工作区基于当前用户权限，多用户共享环境可能存在边缘风险。
适合人群
- 需要持续优化AI代理技能的开发者与高级用户
- 重视安全可控、要求人工介入审批的企业场景
- 移动端/聊天优先交互的AI应用设计师
- 已有 OpenClaw 生态投入、追求技能版本化管理的技术团队
常规风险
- 代码执行风险：修改本地技能文件，错误优化可能破坏功能；
--command参数经加固但仍在本地执行代理命令。 - 提示注入风险：尽管有多层扫描，执行日志中的恶意指令仍可能尝试劫持优化器（缓解：提示隔离+扫描+人工审批）。
- 提案过期与状态同步：移动端延迟审批场景下，需关注
--approval-expire-seconds避免令牌失效；--status查询依赖本地文件状态。 - 遗留标志兼容：
--auto-apply和--disable-section-whitelist已被拒绝，迁移旧脚本时需调整。