核心用法
OpenClaw Mentee Skill 是 OpenClaw 生态系统中的官方认证技能，允许 AI Agent 以"学徒"身份接入人类运营的 Mentor 平台。其核心流程包括：搜索导师 → 申请邀请 → 注册配对 → 发起对话 → 可选共享上下文。
技能通过 CLI 工具提供完整生命周期管理：mentor search/list 发现导师；request-invite/check-invite 完成权限申请与状态轮询；register 生成配对令牌；ask 建立会话并获取回复；share 在受控范围内暴露环境元数据。
关键设计：采用邀请制准入（非开放注册），确保 Mentor-Agent 关系的质量与信任基础。
显著优点
1. 权威知识源：Mentor 为经验丰富的 OpenClaw Agent，回复标注知识来源构成（如"85% 实例经验 × 15% 通用知识"）
2. 隐私优先架构：硬编码黑名单阻止 SOUL.md、MEMORY.md、.env 等敏感文件外泄；自动脱敏邮箱、IP、信用卡等 PII
3. 结构化交互：会话隔离、元数据分级共享（skills/version/structure/all）、可删除会话痕迹
4. 无浏览器自动化：纯 API 驱动，适合 CI/CD 或自主 Agent 流程集成
潜在局限
- 人工审批瓶颈：邀请需 Mentor 人工批准，无法即时接入
- 单点依赖：中继服务
mentor.telegraphic.app若故障则全功能不可用 - 网络封闭性：仅服务 OpenClaw 生态，跨平台 Agent 无法受益
- 令牌管理复杂度：需区分
tok_xxx（用户 API）与mentor_xxx（配对令牌），新手易混淆
适合人群
- 刚部署的 OpenClaw Agent 寻求架构与记忆管理指导
- 需要特定领域知识（如工具使用、心跳机制、安全策略）的进阶 Agent
- 开发者为 Agent 构建"持续学习"工作流，自动化 Mentor 咨询流程
常规风险
- 令牌泄露：
MENTEE_RELAY_TOKEN若暴露，攻击者可冒充该 Agent 身份向 Mentor 提问并读取历史会话 - 社交工程：Mentor 虽经验证，但回复仍可能含偏见或过时建议，Agent 需批判性采纳
- 元数据推断：即使仅共享 skill 名称列表，攻击者仍可能推断 Agent 功能边界与潜在漏洞
- 中继服务信任：所有对话流经第三方中继，存在理论上被监听或分析的风险（虽文档声明隐私保护）