尧图网站建设 
SkillClaw双循环架构深度解析任务循环×进化循环让Agent经验持续复利【免费下载链接】SkillClawLet Skills Evolve Collectively with Agentic Evolver项目地址: https://gitcode.com/gh_mirrors/sk/SkillClaw本文深度解析SkillClaw 双循环架构它由任务循环Client Proxy与进化循环Evolve Server组成让 AI Agent 在每次真实对话中自动积累经验并通过后台进化循环把经验沉淀为可复用、可去重、持续升级的技能库SKILL.md实现 Agent 经验的持续复利。一、SkillClaw 解决什么问题技能库越用越乱很多用过 Hermes、OpenClaw、Codex 这类 Agent 的开发者都有同感Agent 的技能库skills用久了就变成未整理的好物箱——重复、过时、半成品堆在一起。问题不是 Agent 学得不夠而是没有人帮它消化。SkillClaw 的回答是两条循环任务循环Task Loop你照常和 Agent 聊天本地代理负责注入技能、记录会话、打分进化循环Evolve Loop后台服务读取会话数据自动提炼、改进、去重技能再发回给所有客户端。一句话任务循环负责产生经验进化循环负责把经验变成资产。二、双循环架构全景一张图看懂 SkillClaw两个组件通过共享存储层本地目录 / OSS / S3解耦组件位置职责Client Proxy任务循环每台用户机器拦截/v1/chat/completions、/v1/messages请求注入技能、记录会话、管理本地技能库Evolve Server进化循环单机或远端一台周期性读取会话进化或新建技能写回共享存储这种设计的最大好处只用客户端就能跑单人模式想团队共享时把多台客户端指向同一份共享存储、加一台 Evolve Server 即可无需重构。三、任务循环边聊天边产生经验3.1 技能注入代理把技能库塞进提示词客户端是一个本地 API 代理。每次 Agent 请求经过代理时skillclaw/api_server.py 中的_inject_skills会按任务描述从本地技能库检索相关技能支持模板注入或嵌入向量检索拼进系统提示词——你无需改任何 Agent 配置逻辑。3.2 会话记录与 PRM 打分经验有了标尺代理同时是记录器每一轮对话用户指令、模型响应、工具调用与结果、工具错误都会被缓冲落盘可选的 PRM 评分器skillclaw/prm_scorer.py对每轮回答打分为后续进化提供量化证据。会话结束或达到轮次阈值时整段会话作为经验原料上传到共享存储。这就是任务循环的全部不干扰工作流只为进化循环供料。四、进化循环把经验炼成技能Evolve Serverevolve_server/按固定间隔如--interval 300执行一轮进化核心流程见 evolve_server/engines/workflow.py 的run_once取会话 → 摘要 → 聚合 → 决策执行 → 发布回存储。4.1 workflow 引擎三段式流水线 Summarize → Aggregate → ExecuteSummarize摘要evolve_server/pipeline/summarizer.py 为每段会话构建无损结构化轨迹 LLM 分析摘要 引用技能/PRM 元数据把冗长日志压缩成可决策的证据。Aggregate聚合evolve_server/pipeline/aggregation.py 按会话引用了哪个技能分组——引用技能 X 的会话进入 X 的改进组一个都没引用的进入无技能组用于发现新技能的苗头。Execute执行evolve_server/pipeline/execution.py 中的 LLM 对每组做四选一决策improve_skill改进、optimize_description只修触发描述、create_skill新建、skip证据不足就跳过宁缺毋滥。同名技能冲突时还会用 LLM 做自动合并保证库里永远只有一个最强版本。4.2 agent 引擎会自我验证的技能工程师--engine agent模式evolve_server/engines/agent.py把整个工作区交给一个 OpenClaw 驱动的 Agent规则写在 evolve_server/engines/EVOLVE_AGENTS.md。它像一个严格的技能工程师先读所有会话证据区分技能问题 / Agent 问题 / 环境问题只改真正该改的修改前强制阅读历史版本history/v*.md 证据文件避免把上次修好的又改坏每次变更必须自验证静态检查 最小冒烟测试验证不通过就继续改或回滚坚持保守编辑当前技能是事实来源默认做定向修改而非重写。4.3 质量闸门候选技能不是想发就能发进化循环内建多层防退化机制Skill Verifierevolve_server/pipeline/skill_verifier.pyLLM 评审候选技能低于阈值直接拒绝validated 发布模式 验证 Worker候选技能先入库为验证任务空闲的客户端在 skillclaw/validation_worker.py 中用真实回放场景验收达到最少结果数、最少通过数、平均分阈值后才正式发布——相当于给技能库加了一道CI 流水线。五、两环如何咬合经验为什么能复利双循环的闭环靠三个机制咬合写回进化出的技能以{group}/skills/name/SKILL.md写回共享存储并登记版本号与 SHA256 清单拉取与热更新客户端在会话结束后自动拉取新技能_pull_skills_from_cloud也可用skillclaw skills pull / sync手动同步本地技能库随之热加载反馈闭环新技能立刻在下一轮任务循环中被注入使用产生新会话证据再喂回进化循环——用得越多 → 证据越多 → 技能越好 → 用得越好。多 Agent、多设备、多用户共享同一group_id时这条闭环被放大成集体进化A 用户踩过的坑B 用户的技能库自动修复一次经验、全员复利。六、快速上手三步跑通 SkillClaw 双循环1️⃣ 一键安装macOS / Linuxgit clone https://gitcode.com/gh_mirrors/sk/SkillClaw cd SkillClaw bash scripts/install_skillclaw.sh source .venv/bin/activate2️⃣ 生成配置并启动任务循环skillclaw setup # 向导上游模型、技能目录、共享存储 skillclaw start --daemon skillclaw status # 应显示 running3️⃣ 开启进化循环单人本机版skillclaw-evolve-server --use-skillclaw-config --interval 300 --port 8787装完后照常和你的 Agent 聊天即可技能进化在后台静默发生 想可视化查看技能版本、验证任务与会话痕迹可运行skillclaw dashboard sync skillclaw dashboard serve。七、源码地图去哪里读 SkillClaw 双循环客户端代理与技能注入skillclaw/入口 skillclaw/api_server.py进化服务端与两种引擎evolve_server/流水线 evolve_server/pipeline/进化 Agent 的工作手册evolve_server/engines/EVOLVE_AGENTS.md安装脚本scripts/install_skillclaw.sh、scripts/install_skillclaw_server.sh完整用户指南README.md结语SkillClaw 的双循环架构把Agent 学习拆成了两件正交的事任务循环零成本地产生经验进化循环把经验炼成资产。两者通过共享存储解耦从单人单机到团队协作平滑扩展。如果你的 Agent 技能库正在野蛮生长这套架构值得参考——让每一次真实交互都成为技能库的下一版更新。欢迎扫码加入社区交流一起讨论 Agent 技能进化 【免费下载链接】SkillClawLet Skills Evolve Collectively with Agentic Evolver项目地址: https://gitcode.com/gh_mirrors/sk/SkillClaw创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 SkillClaw双循环架构深度解析：任务循环×进化循环，让Agent经验持续复利
SkillClaw双循环架构深度解析任务循环×进化循环让Agent经验持续复利【免费下载链接】SkillClawLet Skills Evolve Collectively with Agentic Evolver项目地址: https://gitcode.com/gh_mirrors/sk/SkillClaw本文深度解析SkillClaw 双循环架构它由任务循环Client Proxy与进化循环Evolve Server组成让 AI Agent 在每次真实对话中自动积累经验并通过后台进化循环把经验沉淀为可复用、可去重、持续升级的技能库SKILL.md实现 Agent 经验的持续复利。一、SkillClaw 解决什么问题技能库越用越乱很多用过 Hermes、OpenClaw、Codex 这类 Agent 的开发者都有同感Agent 的技能库skills用久了就变成未整理的好物箱——重复、过时、半成品堆在一起。问题不是 Agent 学得不夠而是没有人帮它消化。SkillClaw 的回答是两条循环任务循环Task Loop你照常和 Agent 聊天本地代理负责注入技能、记录会话、打分进化循环Evolve Loop后台服务读取会话数据自动提炼、改进、去重技能再发回给所有客户端。一句话任务循环负责产生经验进化循环负责把经验变成资产。二、双循环架构全景一张图看懂 SkillClaw两个组件通过共享存储层本地目录 / OSS / S3解耦组件位置职责Client Proxy任务循环每台用户机器拦截/v1/chat/completions、/v1/messages请求注入技能、记录会话、管理本地技能库Evolve Server进化循环单机或远端一台周期性读取会话进化或新建技能写回共享存储这种设计的最大好处只用客户端就能跑单人模式想团队共享时把多台客户端指向同一份共享存储、加一台 Evolve Server 即可无需重构。三、任务循环边聊天边产生经验3.1 技能注入代理把技能库塞进提示词客户端是一个本地 API 代理。每次 Agent 请求经过代理时skillclaw/api_server.py 中的_inject_skills会按任务描述从本地技能库检索相关技能支持模板注入或嵌入向量检索拼进系统提示词——你无需改任何 Agent 配置逻辑。3.2 会话记录与 PRM 打分经验有了标尺代理同时是记录器每一轮对话用户指令、模型响应、工具调用与结果、工具错误都会被缓冲落盘可选的 PRM 评分器skillclaw/prm_scorer.py对每轮回答打分为后续进化提供量化证据。会话结束或达到轮次阈值时整段会话作为经验原料上传到共享存储。这就是任务循环的全部不干扰工作流只为进化循环供料。四、进化循环把经验炼成技能Evolve Serverevolve_server/按固定间隔如--interval 300执行一轮进化核心流程见 evolve_server/engines/workflow.py 的run_once取会话 → 摘要 → 聚合 → 决策执行 → 发布回存储。4.1 workflow 引擎三段式流水线 Summarize → Aggregate → ExecuteSummarize摘要evolve_server/pipeline/summarizer.py 为每段会话构建无损结构化轨迹 LLM 分析摘要 引用技能/PRM 元数据把冗长日志压缩成可决策的证据。Aggregate聚合evolve_server/pipeline/aggregation.py 按会话引用了哪个技能分组——引用技能 X 的会话进入 X 的改进组一个都没引用的进入无技能组用于发现新技能的苗头。Execute执行evolve_server/pipeline/execution.py 中的 LLM 对每组做四选一决策improve_skill改进、optimize_description只修触发描述、create_skill新建、skip证据不足就跳过宁缺毋滥。同名技能冲突时还会用 LLM 做自动合并保证库里永远只有一个最强版本。4.2 agent 引擎会自我验证的技能工程师--engine agent模式evolve_server/engines/agent.py把整个工作区交给一个 OpenClaw 驱动的 Agent规则写在 evolve_server/engines/EVOLVE_AGENTS.md。它像一个严格的技能工程师先读所有会话证据区分技能问题 / Agent 问题 / 环境问题只改真正该改的修改前强制阅读历史版本history/v*.md 证据文件避免把上次修好的又改坏每次变更必须自验证静态检查 最小冒烟测试验证不通过就继续改或回滚坚持保守编辑当前技能是事实来源默认做定向修改而非重写。4.3 质量闸门候选技能不是想发就能发进化循环内建多层防退化机制Skill Verifierevolve_server/pipeline/skill_verifier.pyLLM 评审候选技能低于阈值直接拒绝validated 发布模式 验证 Worker候选技能先入库为验证任务空闲的客户端在 skillclaw/validation_worker.py 中用真实回放场景验收达到最少结果数、最少通过数、平均分阈值后才正式发布——相当于给技能库加了一道CI 流水线。五、两环如何咬合经验为什么能复利双循环的闭环靠三个机制咬合写回进化出的技能以{group}/skills/name/SKILL.md写回共享存储并登记版本号与 SHA256 清单拉取与热更新客户端在会话结束后自动拉取新技能_pull_skills_from_cloud也可用skillclaw skills pull / sync手动同步本地技能库随之热加载反馈闭环新技能立刻在下一轮任务循环中被注入使用产生新会话证据再喂回进化循环——用得越多 → 证据越多 → 技能越好 → 用得越好。多 Agent、多设备、多用户共享同一group_id时这条闭环被放大成集体进化A 用户踩过的坑B 用户的技能库自动修复一次经验、全员复利。六、快速上手三步跑通 SkillClaw 双循环1️⃣ 一键安装macOS / Linuxgit clone https://gitcode.com/gh_mirrors/sk/SkillClaw cd SkillClaw bash scripts/install_skillclaw.sh source .venv/bin/activate2️⃣ 生成配置并启动任务循环skillclaw setup # 向导上游模型、技能目录、共享存储 skillclaw start --daemon skillclaw status # 应显示 running3️⃣ 开启进化循环单人本机版skillclaw-evolve-server --use-skillclaw-config --interval 300 --port 8787装完后照常和你的 Agent 聊天即可技能进化在后台静默发生 想可视化查看技能版本、验证任务与会话痕迹可运行skillclaw dashboard sync skillclaw dashboard serve。七、源码地图去哪里读 SkillClaw 双循环客户端代理与技能注入skillclaw/入口 skillclaw/api_server.py进化服务端与两种引擎evolve_server/流水线 evolve_server/pipeline/进化 Agent 的工作手册evolve_server/engines/EVOLVE_AGENTS.md安装脚本scripts/install_skillclaw.sh、scripts/install_skillclaw_server.sh完整用户指南README.md结语SkillClaw 的双循环架构把Agent 学习拆成了两件正交的事任务循环零成本地产生经验进化循环把经验炼成资产。两者通过共享存储解耦从单人单机到团队协作平滑扩展。如果你的 Agent 技能库正在野蛮生长这套架构值得参考——让每一次真实交互都成为技能库的下一版更新。欢迎扫码加入社区交流一起讨论 Agent 技能进化 【免费下载链接】SkillClawLet Skills Evolve Collectively with Agentic Evolver项目地址: https://gitcode.com/gh_mirrors/sk/SkillClaw创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考