现在大部分 AI Agent 都开始具备自进化能力。
像 OpenClaw、Hermes 等主流框架，在遇到新场景时，不再只是临时生成一段回答，而是把解决问题的完整过程沉淀成可复用的 Skill。
成功的代码调试、高效的命令行排错、巧妙的工具调用都可能被保存成技能，留给下次使用。理论上，Agent 用得越久，技能库就越丰富，应该越用越聪明。
但现实并没有这么简单。
Skills 数量一多，问题就来了：相似技能反复生成、旧技能和新技能互相打架、低质量半成品堆积如山。真正有价值的经验，反而被淹没在杂乱的技能库里。
Agent 看似记住了很多东西，却没有真正完成消化、去重和优化，导致调用越来越混乱，效果越来越不稳定。
此外，不同 Agent 之间完全割裂。一个 Agent 辛苦摸索出的好方案，换一个框架、换一台设备，就无法复用。每个智能体都在重复发明轮子，用户也得一遍遍重新教它们。
现在的 Agent 系统，不缺生成 Skills 的能力，缺的是让 Skills 自动进化、自动去重、自动提升质量，并在多 Agent、多用户、多设备之间持续共享的能力。
今天要给大家介绍的开源项目是高德推出的 SkillClaw，正是为了彻底解决这一系列痛点而生。
它给 Agent Skills 加上一套持续进化机制，从真实会话轨迹中自动提炼经验，能够发现并去重相似技能、合并同类方法、改善低质量 Skill 的效果，并将优化后的技能同步更新到技能库中。
完成初始配置后，用户只需像平常一样和 Agent 聊天，技能就会在后台不断迭代、越来越完善。它支持 Hermes、Codex、Claude Code、OpenClaw、QwenPaw等主流 Agent 框架，同时兼容任意 OpenAI 接口。目前，该项目在github上已收获 1.3k stars。
项目链接：
https://github.com/AMAP-ML/SkillClaw
论文链接：
https://arxiv.org/pdf/2604.08377
01
SkillClaw 把每一次真实交互变成
技能库升级的原料
SkillClaw 主要由本地 Client Proxy 和可选的 Evolve Server 两部分组成。两者通过共享存储连接，支持 Alibaba OSS、S3 或本地文件系统，并使用统一的 SKILL.md 作为技能格式。
现有的 Agent Skills 体系中，Skill 往往是静态的。开发者写好一个 Skill 后，Agent 在执行任务时调用它，但这个 Skill 用得好不好、在哪些场景会失败、有没有出现更好的执行路径，往往不会自动反馈到 Skill 本身。
久而久之，技能库就出现越来越多的重复技能、过时或半成品混杂、真正有效的经验难以稳定沉淀等问题。
SkillClaw 的做法是给 Agent 增加了一条“进化回路”。
通过本地 Client Proxy 代理模型请求，它在 Agent 正常完成任务的同时，默默记录会话中的任务输入、工具调用、执行反馈和最终结果等交互轨迹。
这些真实使用过程中产生的数据，不再只是一次性日志，而是后续技能进化的重要证据。
当需要自动进化时，可选的 Evolve Server 就会发挥作用。
它可以从共享存储中读取多会话数据，分析哪些 Skill 被频繁使用、哪些流程反复出现、哪些任务暴露了技能缺陷，进而对技能进行智能更新。
Evolve Server 支持两类引擎：
一种是 Summarize → Aggregate → Execute 的三阶段 LLM 流水线；另一种是基于 OpenClaw 的 agent engine，可在 Agent 工作区中直接编辑 Skill。
这套设计的核心不是把所有经验都塞进技能库，而是判断哪些经验值得沉淀。
单次任务中的偶然现象可能被过滤，但当多个用户、多个设备、多个 Agent 在相似场景中反复遇到同类问题时，就会形成有价值的技能改进信号。
SkillClaw 就像给 Agent 技能库配备了一个“后台编辑部”：前台 Agent 继续完成任务，后台系统则持续整理、合并、补充和验证技能。发现重复技能，就尝试合并去重；发现某个 Skill 质量不高，就进行优化和补充；发现多个任务背后存在相似流程，就提炼出更通用的行动方法。
这也是 SkillClaw 与普通记忆系统的区别。
普通记忆更偏向“记住发生过什么”，而 SkillClaw 更关注“从发生过的事情中提炼出可复用的行动方法”。一个好的 Skill 不只是告诉 Agent 某件事，而是告诉它在某类任务中应该如何规划、如何调用工具、如何验证结果，以及如何避免常见错误。
SkillClaw 重点面向多 Agent、多设备、多用户之间的技能共享。
如果一个用户同时使用多个 Agent，不同 Agent 原本可能形成彼此隔离的技能孤岛。
接入 SkillClaw 后，这些技能可以被去重、优化，并写回共享技能仓库。
用户在家里、学校、公司的不同设备上使用 Agent 时，技能可以跟随用户，而不是锁死在某一台机器里。
在团队场景中，这种机制的价值会进一步放大。一个成员解决了某类问题，相关 Skill 经过进化后，其他成员也能直接受益，不必再重复踩同一个坑。
可以看出，SkillClaw 并不是一个简单的 Agent 工具，而更像是 Agent 技能生态里的“进化层”。它不替代原有 Agent，而是站在 Agent 与 LLM 之间，把每一次真实交互变成技能库升级的原料。
02
使用方法
环境要求：macOS、Linux 或 Windows，Python 版本需要不低于 3.10，需要提供一个兼容 OpenAI API的服务商账号，或 AWS Bedrock 服务。选择 OpenClaw CLI 集成或服务端使用 agent engine 时需要安装openclaw。
（1）macOS / Linux 系统安装
git clone https://github.com/AMAP-ML/SkillClaw.git && cd SkillClawbash scripts/install_skillclaw.shsource .venv/bin/activate
（2）Windows 安装
git clone https://github.com/AMAP-ML/SkillClaw.gitSet-Location SkillClawpython -m venv .venv.\.venv\Scripts\Activate.ps1python -m pip install -U pippython -m pip install -e ".[evolve,sharing,server]"
（3）生成本地配置文件
skillclaw setup
设置向导会依次提示你选择 provider、模型、本地 skills 目录、PRM 设置、可选的 CLI agent 集成、以及可选的共享存储。
第一次验证，可以先不接入外部 Agent，不开启共享存储，如果后面想在同一台机器上继续跑本地 evolver 闭环，就把 shared storage 打开并选 local backend，例如 ~/.skillclaw/local-share。
skills目录保持默认值 ~/.skillclaw/skills。如果选择 Hermes、Codex 或 Claude Code，默认skills目录会分别变成 ~/.hermes/skills、~/.codex/skills 或 ~/.claude/skills。
配置完成后，启动本地代理：
# 后台启动代理skillclaw start --daemon# 查看服务状态skillclaw status# 获取代理端口并检查健康状态# macOS / LinuxPROXY_PORT="$(skillclaw config proxy.port | awk '{print $2}')"curl "http://127.0.0.1:${PROXY_PORT}/healthz"
默认代理端口为 30000，但实际使用时建议通过 skillclaw config show 查看当前配置。只启动 Client Proxy 后，SkillClaw 就已经可以作为单用户本地代理使用。
（4）在 Hermes 中集成
如果用户使用 Hermes，可以在 skillclaw setup 中选择 Hermes 集成。启动后，SkillClaw 会将 Hermes 配置指向本地代理，并准备对应技能目录。验证命令如下：
skillclaw start --daemonhermes chat -Q -m skillclaw-model -q "Reply with exactly HERMES_SKILLCLAW_OK and nothing else."
如需检查或取消集成，可使用以下命令：
skillclaw doctor hermes # 检查集成状态skillclaw restore hermes # 恢复Hermes原始配置
（5）单用户本地闭环：在同一台机器上运行一个 Evolver
这是最小的完整闭环：一个用户、一台机器、一个本地 shared root、一个 evolve server。
前提是在 skillclaw setup 里已经开启了 local shared storage。
skillclaw-evolve-server --use-skillclaw-config --interval 300 --port 8787https://github.com/AMAP-ML/SkillClaw/blob/main/assets/README_ZH.md
03
AI Agent 迈向群体智能的一次关键尝试
过去，我们常说 AI Agent 要“越用越懂你”。但真正值得思考的是，Agent 到底应该懂什么？
是记住用户的偏好和聊天记录，还是学会真正解决问题的方法与路径？
SkillClaw 关注的，正是后者。它把 Agent 在真实任务中形成的流程、策略、工具调用经验和失败教训，转化为可复用、可进化的 Skill。
如果说传统 Memory 让 Agent 记住“发生过什么”，那么 SkillClaw 则让 Agent 学会“下次该怎么做”。前者是事实记忆，后者是行动记忆。二者结合，才能真正让 Agent 从“用完即忘”走向“越用越强”。
SkillClaw 的深层意义，正在于探索一种程序化、可执行的长期记忆形态。它将交互轨迹、工具调用、反馈结果等数据，系统性地提炼、聚合与进化，最终变成指导 Agent 行动的稳定能力。这种“经验到技能、再到技能进化”的闭环，让每次使用都成为下一次表现的养分。
而 SkillClaw 真正的想象力，远不止于单个 Agent。
它打破了智能体经验孤岛，让经验不再只停留在某个 Agent、某台设备或某个用户手里。一个用户沉淀出的成功路径，可以逐步变成更多 Agent 可复用的通用 Skill；一个团队踩过的坑，也有机会被提炼成可共享的经验规则，让后来者不必重复试错。这种“分布式贡献 + 集中式进化”的机制，正是 Agent 迈向群体智能的关键一步。
未来的 Agent 生态，很可能会从“单智能体”走向“群体智能”。模型提供推理能力，Memory 提供长期上下文，Skill 提供行动智慧，而 SkillClaw 这样的框架，则负责让这些行动智慧持续进化、跨端流动，并在群体使用中不断沉淀。
因此，SkillClaw 不只是一个技能管理工具，而是 AI Agent 迈向群体智能的一次关键尝试。
