Skill Self Evolution Enhancer_AI Agent skill-PHP中文网

Skill Self Evolution Enhancer

Polar Sponsor

爱发电赞助

.NET 9.0

立即下载

使任何技能获得自我进化能力。使用场景：(1) 用户要求为技能添加自我进化功能；(2) 用户希望技能从反馈中学习。

技能自演增强器

功能概述

技能自演增强器是一项面向实际任务的技能，主要用于这种技能可以使其他技能获得类似于自我改进代理的自演能力；原本没有自我演化能力的技能,在enh之后会得到这种能力。

核心要点

它将相关步骤、工具调用和结果整理方式集中到统一流程中，帮助使用者更快完成目标并减少重复操作。
使用时应结合输入条件选择合适的执行方式，核对必要参数、依赖环境与输出内容，并按原始要求处理异常情况。
该技能适合需要稳定复用相关能力的场景，可作为自动化工作流的一部分，也便于后续检查、调整和扩展。

使用与执行

从功能定位来看，该技能强调把分散的操作要求整理成清晰、可复用的处理流程，使用户能够围绕既定目标快速准备输入、选择执行方式并获得结构化结果。实际使用前应先确认任务范围、数据来源、运行环境、必要权限和关键参数，再依据技能说明逐步执行；

结果检查与注意事项

若输入条件不完整，应先补齐信息或采用保守配置，避免因错误假设导致结果偏离需求。执行过程中需要关注工具调用是否成功、接口或依赖是否可用、输出格式是否符合预期，并对异常提示、缺失字段和边界情况进行处理；涉及批量任务时，还应保存进度，避免中断后重复操作。

技能自进化增强器

本技能使其他技能获得类似 self-improving-agent 的自进化能力。一个原本不具备自进化能力的技能，在经本技能增强后，将具备：日志记录、从用户反馈中学习、经验升格为规则、以及 Review→Apply→Report 循环——所有功能均针对其所属领域定制。

快速参考

步骤	操作
用户请求为技能 X 启用自进化	读取目标技能的 SKILL.md
深度分析	识别能力、使用场景、可进化的方向
提取领域配置	名称、用例、触发条件、作用域、升格目标
生成 .learnings/ 目录	领域专属的 LEARNINGS.md、ERRORS.md、FEATURE_REQUESTS.md
生成 EVOLUTION.md	触发条件、Review-Apply-Report 流程、OpenClaw 反馈规则
语言	匹配目标技能的用户语言（从 SKILL.md 推断）

适用场景

用户说：“给 skill X 加上自进化能力” / “Add self-evolution to skill X”
需在大量技能中规模化部署自进化能力（各技能拥有独立的进化方向）
目标技能为非编程类技能（例如：洗稿能手、电脑加速），且需领域专属的触发机制

工作流

步骤 1：读取目标技能

Read(target_skill_path/SKILL.md)

路径由用户提供，或自动推断（例如：skills/xxx、~/.cursor/skills/xxx）。

步骤 2：深度能力与场景分析

在生成任何配置前，需对目标技能进行深度分析：

能力（该技能的功能）：

主要输出与工作流
次要或边缘能力
依赖项（工具、API、格式等）

场景（使用时机与方式）：

用户画像
典型任务（例如：科普改写 vs 汇报改写）
输入/输出模式

进化方向（可优化的方面）：

用户反馈模式（例如：“改得不通顺” → 风格问题）
失败模式（例如：“优化无效” → 策略问题）
重复出现的修正 → 领域专属规则

用例 → 从描述、Quick Reference、示例中推断

步骤 3：提取领域配置

阅读目标技能时，提取以下字段：

字段	来源位置	示例
领域名称	frontmatter 中的 `name` 字段、标题	洗稿能手、电脑加速
用例 / 场景	描述、Quick Reference、示例	科普、汇报、直播
学习触发词	示例中的用户反馈短语	“改得不通顺”、“不像口播”、“风格不对”
错误触发词	失败模式描述	“优化无效”、“某些电脑不适用”、“报错”
作用域（Areas）	输出类型、工作流阶段	文案/口播/短视频脚本，或系统优化/卡顿/报错
升格目标	技能专属规则文档	`{skill}-专属进化规则.md`、`{skill}-最佳实践.md`

语言：根据 SKILL.md 内容推断（中文 or 英文）。所有输出文件均使用该语言生成。

使用 assets/DOMAIN-CONFIG-TEMPLATE.md 对提取的数据进行结构化组织。

步骤 4：生成 .learnings/ 目录

在目标技能目录内创建：target_skill_path/.learnings/

结构（与 self-improving-agent 一致）：

.learnings/LEARNINGS.md
.learnings/ERRORS.md
.learnings/FEATURE_REQUESTS.md

使用 assets/ 中的模板；结合领域作用域（Areas）、分类、升格目标进行参数化填充。全文使用目标技能的语言撰写。

步骤 5：生成 EVOLUTION.md

基于 assets/EVOLUTION-RULES-TEMPLATE.md 创建 target_skill_path/EVOLUTION.md。

必须包含：

Quick Reference：领域触发词 → 对应动作
Review→Apply→Report 循环（见下文）
检测触发条件（何时记录日志）
升格决策树
作用域标签（Area tags）
领域专属激活条件（用于 hooks）
经验失效与更新规则（当用户再次修正时）

步骤 6：可选 — 激活脚本（Activator Script）

若目标技能存在 scripts/ 目录，则添加 scripts/activator.sh，其中包含领域专属提醒文本。参考 self-improving-agent 的实现，将通用提示替换为领域触发词。

Review → Apply → Report 循环

增强后的技能必须实际应用所学经验，而不仅限于记录日志。该循环须写入 EVOLUTION.md 或增强后技能的 instructions 中：

任务执行前

加载 .learnings/LEARNINGS.md（及必要时 ERRORS.md）中的相关条目
按作用域（Area）、标签或关键词筛选
标注哪些条目适用于当前任务

任务执行中

在适当时机应用已学习的经验
可选：在输出中标注引用来源，例如：“本次参考了 [LRN-xxx]: …”（或目标语言对应表述）

任务执行后

向用户简要总结：使用了哪些经验、产生了何种进化结果、实现了哪些改进
由 OpenClaw 决定以“每次使用即提示”还是“任务结束统一汇总”的形式呈现

示例（中文）：“本次改写了口播稿，参考了经验 [LRN-20250115-001]（科普场景应避免过于书面），相比之前更口语化。”

示例（英文）：“Used learning [LRN-20250115-001] (avoid formal tone for科普) in this rewrite; output is more conversational than before.”

用户偏好 vs 领域最佳实践

类型	存储位置	示例
用户偏好	MEMORY.md（用户级）	“该用户偏好更短的句子”
领域最佳实践	`.learnings/LEARNINGS.md`	“科普场景应避免过于书面”