Skill Cortex 综合评估
核心用法
Skill Cortex 是一个智能化的能力扩展系统，当现有 Skill 无法完成用户任务时自动触发。其工作流程分为四个阶段：感知（语义匹配历史经验或搜索 ClawHub/GitHub）、验证授权（标准模式需确认，反射模式快速通过）、执行（安装-计划-执行-故障恢复）、学习与清理（权重更新、模式提取、反射升级、自动卸载）。系统通过 cortex.json 维护短期能力记忆，支持连续成功后的"反射模式"绕过确认步骤。
显著优点
1. 智能学习机制：基于指数衰减和强化更新算法（成功+15%衰减增益，失败按类型衰减0.4-0.9），形成任务-技能的动态关联
2. 语义抽象能力：强制剥离实体信息（人名、日期、数值等），保留动词和抽象名词，实现意图级匹配而非关键词匹配
3. 安全分层设计：读操作可进入反射模式，写/删/Shell操作强制标准模式；版本锁定机制防止漂移
4. 渐进式进化：从搜索→验证→学习→反射的完整闭环，技能权重≥0.90且连续成功≥5次可升级为反射
潜在缺点与局限
1. 短期记忆边界：明确声明"不干涉长期 Skills"，意味着跨会话无法继承经验，每次重启需重新积累
2. 并发设计缺陷：单会话架构，明确警告"并发会话下数据可能不一致"
3. 故障恢复刚性：仅允许2次候选切换，复杂依赖场景下可能过早放弃
4. 反射模式局限：版本变化即降级，频繁更新的 Skill 难以享受加速；且反射仅跳过执行计划确认，仍需用户通知安装
5. 清理策略激进：默认卸载，保留条件较苛刻（成功≥3、权重≥0.8、文档<8000字符）
适合人群
- 高频使用 ClawHub/GPTs 的自动化需求用户
- 愿意让渡部分控制权以换取效率的进阶用户
- 具备基础安全意识、能理解"读/写/敏感"分级标识的用户
常规风险
- 反射误触发风险：语义匹配依赖系统判断，可能匹配到历史相似但实质不同的任务
- 依赖注入风险：
dependency_missing需用户确认安装，但提示信息可能被忽略 - 数据竞争风险：单会话设计下多实例运行会导致
cortex.json写入冲突 - 审计追溯困难：卸载后仅保留结构化经验（prefrontal），原始执行细节丢失