核心用法
Adaptive Skill Factory 是一套技能生命周期管理框架，核心使命是让 AI 代理在运行时动态解决"能力缺口"问题。其标准操作流程分为五步：
1. 缺口分级——区分一次性任务、可复用工作流、需新建技能三类场景
2. 存量检索——按优先级扫描 workspace 技能 → 共享技能 → 内置技能
3. 外部搜索——联网时通过 ClawHub 精准检索，遵循最小可用原则安装
4. 本地创建——无匹配时生成简洁的 SKILL.md，区分角色专属与跨角色复用路径
5. 持续迭代——验证、更新、清理，防止技能腐化
显著优点
- 决策框架清晰：用明确规则替代直觉判断，降低技能泛滥风险
- 分层存储策略：workspace/共享/内置三级架构平衡隔离性与复用性
- 角色边界强制：技术/情报/交易/督导四大分类防止职责漂移
- 轻量设计约束：禁止技能成为"长笔记垃圾场"
潜在缺点与局限
- 依赖 ClawHub 生态：外部搜索价值受限于仓库质量与覆盖度
- 人工判断残留："是否复现"仍依赖操作者对任务频率的主观评估
- 无自动化度量：缺乏技能使用频次、成功率的量化反馈机制
- 跨平台路径硬编码：
D:\internal-hub\skills暗示 Windows 环境，可移植性受限
适合人群
多代理协作团队、提示词工程师、需长期维护 AI 工作流的知识管理者，以及希望控制上下文成本的进阶用户。
常规风险
- 技能膨胀：更新/删除机制若执行不力，将导致技能库臃肿
- 边界模糊：角色分类虽明确，但实际任务常跨类别，可能引发分类争议
- 版本冲突：同一技能多路径存在时，加载优先级规则未完全显性化