核心用法
Auto Skill Evolver 是一款元技能（meta-skill），赋予 AI Agent 自主改进其他技能的能力。其核心机制模仿机器学习中的梯度下降，但完全以自然语言形式实现：通过反复执行特定任务、评估结果、重写技能定义，形成闭环优化。
该技能提供两种主要工作模式：
1. 自我训练模式（Self-Training / "Gym"）：适用于针对性打磨某项技能。用户配置技能路径、执行命令、迭代次数及间隔时间，系统将自动循环执行-评估-优化流程，如同在健身房反复训练特定动作。
2. 进程内进化（In-Process Evolution / Hook Mode）：适用于日常使用中持续改进。可在 Agent 框架中配置钩子，任务完成后自动触发优化；或通过 Python Wrapper 直接集成到现有代码流。
此外，系统内置版本控制机制，每次更新自动备份至 .skill_versions/，支持一键回滚，避免优化过程中的倒退风险。
显著优点
- 闭环自优化：无需人工干预，Agent 自主识别执行缺陷并生成改进方案
- 零外部依赖：基于本地 OpenClaw 配置运行，无 API Key 泄露风险
- 双模式灵活部署：既可集中强化训练，也可润物细无声地持续进化
- 沙箱安全设计：Prompt 隔离、危险指令扫描、安全工作区三重防护
- 完整可追溯：版本控制确保每次变更可审计、可回退
潜在缺点与局限性
- 收敛不确定性：自然语言优化缺乏数学 guarantee，可能收敛至局部最优或发散
- 反馈质量依赖：优化效果高度依赖执行日志和用户反馈的完整性与准确性
- 计算开销：迭代训练需多次调用本地 LLM，长周期运行消耗资源显著
- 技能兼容性：仅适用于遵循 OpenClaw SKILL.md 规范的技能，通用性受限
适合人群
- 构建复杂 Agent 系统的开发者，需持续调优特定任务表现
- 追求自动化运维的 AI 团队，希望减少人工 prompt engineering 工作量
- 对数据隐私敏感、要求完全本地化部署的企业用户
常规风险
- 提示注入：尽管有隔离机制，恶意构造的执行日志仍可能尝试劫持优化器
- 权限提升：若安全扫描漏检，恶意技能可能获取超出预期的系统权限
- 版本污染：频繁自动更新可能导致技能定义漂移，建议配合版本控制策略使用