核心用法
Auto Skill Evolver 是一个元技能（meta-skill），使AI代理能够通过「执行→评估→优化」闭环自主改进其他技能。提供三种主要模式：
1. 训练循环模式（Gym）：针对特定任务反复练习，通过 --iterations 和 --interval 参数控制训练次数与间隔，支持逐轮人工确认。
2. 进程内演化（Hook模式）：在日常使用中触发技能优化，支持命令行钩子与Python集成，可捕获任务执行痕迹与用户反馈生成改进提案。
3. 对话式工作流：针对移动/聊天场景优化，支持 --chat-action propose|status|approve 单参数操作，以及自然语言触发（如「训练xxx」「查看xxx状态」）。
显著优点
- 提案优先安全架构：所有修改先生成
.proposed提案文件，经完整差异比对与SHA256哈希校验后方可应用，杜绝隐蔽篡改。 - 多层安全扫描：集成差分感知风险检测、高危命令黑名单（curl/rm -rf等）、提示注入标记扫描三道防线。
- 原子化写入与版本控制：所有更新采用
tempfile + os.replace原子操作，自动生成.skill_versions/备份，支持一键回滚。 - 移动场景深度优化：
--chat-action单动作参数、--output-mode json/text结构化输出、--approval-token-file文件级审批令牌，适配聊天机器人路由。 - 执行环境隔离：优化过程在
.secure_workspace受限目录进行，痕迹数据被视为不可信输入，防止日志投毒攻击。
潜在局限与风险
- 本地CLI依赖：必须预装 OpenClaw CLI 且正确配置PATH，无法独立运行。
- 自修改锁定：默认禁止自我修改（
--allow-self-target需显式开启），维护本技能本身时流程繁琐。 - 审批体验权衡：强制人工确认虽提升安全，但高频训练场景下可能降低效率；
--approval-expire-seconds机制可部分缓解。 - 误训练风险：若痕迹日志包含边缘案例或用户反馈质量参差，可能导致技能退化，建议配合
--allowed-sections限制重写范围。 - 平台锁定：深度绑定 OpenClaw 生态，迁移成本较高。
适合人群
- AI Agent开发者：需要持续打磨工具技能、构建自动化技能工厂的技术团队。
- 企业安全架构师：在受控环境中部署AI自优化能力，要求审计追踪与人工审批双轨制。
- 移动优先产品团队：希望通过自然语言对话管理AI技能生命周期，降低终端用户操作门槛。
常规风险提醒
⚠️ 关键：本技能会修改本地文件系统并执行 openclaw CLI 命令，即使有多层防护，仍建议在隔离开发环境或可信CI流水线中运行，避免直接操作生产环境关键技能。定期检查 .skill_versions/ 备份完整性，勿禁用交互式确认（--interactive）除非完全自动化场景。