核心用途
Emotion Skill 是一套面向编程Agent的Markdown优先行为指南，旨在将用户的状态信号转化为更优质的编码Agent行为。它并非基于关键词触发的脚本分类器，而是通过解读工作情境信号（如反复调试失败、证据请求、范围保护需求、用户困惑、工具静默延迟、任务完成后的收尾等）来动态调整Agent的行为模式。
显著优点
1. 情境驱动的智能路由：通过routing-playbook.md识别用户当前工作状态，加载对应的行为参考，避免一刀切的响应策略
2. 证据优先原则：在风险操作前强制展示证据（日志、命令输出、文件状态），减少"先解释再检查"的低效模式
3. 范围安全保护：明确声明文件边界、回滚路径，防止Adjacent Refactors（邻近重构）导致的范围蔓延
4. 进度可见性：针对静默延迟或队列卡住场景，主动提供状态更新、当前阻塞点和可观察的检查点
5. 成功即停止：任务完成后执行回归检查而非功能扩展，避免过度工程化
潜在局限
- 学习曲线：需要Agent理解多文档引用体系（routing-playbook、response-constraints等7个参考文件）
- 依赖状态识别准确性：若用户状态信号模糊，路由决策可能偏差
- 非脚本化执行：明确禁止要求用户运行Python脚本，这限制了某些自动化验证场景
- Markdown-only架构：与某些期望结构化API的Agent框架集成时需额外适配
适合人群
- 开发AI编程Agent的团队（尤其是OpenClaw/Hermes生态）
- 需要优化失败恢复机制的Agent宿主开发者
- 追求"证据优先、范围明确"协作模式的工程团队
- 处理复杂调试场景、需要防止Agent过度自信的技术用户
常规风险
- 过度披露内部状态：需严格遵守"不向用户暴露原始情绪标签"的规则
- 参考文件加载不完整：多模式并发时需手动优先排序（证据>速度）
- 集成复杂度：OpenClaw/Hermes专用集成文件表明生态绑定性
- 版本漂移：ClawHub发布包与GitHub开发脚本的分离可能导致环境不一致