goskill 是专为长周期与高复杂度任务设计的推进式执行工具。它通过装饰器或类的方式对任务进行封装，将传统的“单次调用即结束”的 skill 模式，升级为“围绕明确目标持续演进，直至达成验收标准或触发超时机制”的智能执行范式。该工具特别适用于需设定清晰成功边界、支持过程监控与分阶段收敛的自动化场景，例如大型代码重构、跨系统迁移、长时间数据分析等。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
GoSkill 的核心能力
-
目标显式化：通过
goal参数声明任务意图，使抽象目标可读、可存、可追踪。 -
多维验收机制：借助
criteria字典定义结构化验收项（如数值阈值、布尔断言、状态码匹配等），实现完成标准的量化表达。 - 自适应重试循环：内置带等待间隔的持续执行逻辑，未满足 criteria 时自动重试，支持指数退避与最大运行时长控制。
-
实时状态可观测：提供
.status属性，动态呈现当前尝试次数、累计耗时、各验收项达标状态及最新检查快照。 -
结构化结果输出：调用
run_with_result()可返回含success（布尔）、attempts（整数）、criteria_report（字典）的标准化响应对象。 -
低侵入式集成：同时支持函数装饰器
@goskill与面向对象实例GoSkill(...)两种接入方式，无需改造原有业务逻辑即可嵌入。
如何快速上手 GoSkill
-
环境准备：克隆项目仓库后执行
make install-dev完成依赖安装与开发环境初始化。 -
任务建模：在函数或 lambda 中编写具体执行逻辑，并通过装饰器或类传入
goal、criteria、max_hours等关键参数。 - 逻辑实现：函数体中执行实际操作（如调用 API、解析文件、运行命令），并返回符合 criteria 格式的校验数据字典。
-
启动执行：调用
.run()获取原始返回值，或使用.run_with_result()获取带元信息的结构化执行报告。 -
过程监控：随时访问
.status查看当前目标描述、已尝试次数、运行总时长及各验收项实时判定结果。 -
运行示例：执行
python examples/basic_usage.py即可运行最小可行 Demo，直观理解全流程。
GoSkill 的定位与约束条件
- 本质定位：一款轻量、单机、单进程的目标驱动型执行辅助库，非分布式调度平台或工作流引擎。
- 适用范围：聚焦于需长期运行、多轮校验、结果可验证的中重度任务；不适用于瞬时响应类问答、纯同步计算等微粒度操作。
- 运行环境：基于 Python 构建，依赖 Makefile 统一管理开发、测试与构建流程。
- 开源协议：采用 Apache-2.0 许可，允许商用、修改与二次分发。
- 当前阶段：属实验性 goal-driven 执行原型，主要服务于 OpenClaw 生态与 Agent 工作流中的长任务增强需求。
GoSkill 的突出价值
- 目标导向强化：推动任务从“执行动作”升维至“达成结果”，确保最终交付具备可验收性。
- 执行过程透明：内建全生命周期状态跟踪能力，支持任意时刻介入查看进度与瓶颈。
- 零改造集成：仅需添加一行装饰器或一个类实例，即可赋予现有函数目标感知与闭环执行能力。
- 预期精准锚定：明确划清能力边界（如不提供集群调度、无 Web UI、不兼容异步协程），建立合理使用预期。
GoSkill 的官方项目地址
GoSkill 与主流工具对比分析
| 对比维度 | GoSkill | Tenacity | Prefect |
|---|---|---|---|
| **核心定位** | 目标驱动执行辅助工具 | 通用重试装饰器库 | 现代数据流工作流引擎 |
| **目标定义** | ✅ 原生支持 goal 参数 | ❌ 无目标概念 | ? 通过 Flow 间接定义 |
| **验收标准** | ✅ 结构化 criteria 字典 | ❌ 仅异常类型判断 | ? 支持自定义状态检查 |
| **持续重试** | ✅ 达标或超时自动循环 | ✅ 丰富退避策略 | ✅ 任务级重试配置 |
| **状态追踪** | ✅ 内建 status 实时查看 | ❌ 无状态对象 | ✅ 完整 UI 与 API 状态流 |
| **执行封装** | ✅ 装饰器 + 类，轻量无侵入 | ✅ 装饰器极简接入 | ❌ 需定义 Flow，较重 |
| **部署依赖** | 无，纯 Python 单机运行 | 无 | 需 Prefect Server/Cloud |
| **适用场景** | 长任务/复杂任务/明确验收标准 | 函数级异常重试 | 数据管道/ETL/定时调度 |
GoSkill 的典型应用场景
- 工程化代码迁移：支撑 Android 到鸿蒙等跨平台重构，设定编译零报错、单元测试覆盖率 ≥95%、静态扫描无高危漏洞等硬性指标，自动迭代直至全部达标。
- 批量智能分析：处理千级财报、日志或科研数据集，依据字段完整性、统计一致性、模型置信度等 criteria 自动推进，替代人工逐轮校验。
- CI/CD 自动化验收：嵌入构建流水线，在部署后自动执行端到端健康检查、接口连通性验证与性能基线比对，形成“执行—断言—修复”闭环。
- 科研实验自动化：为机器学习训练、仿真模拟等长周期实验设定阶段性目标（如 loss 0.92），自动记录轨迹、触发重训或终止。
- AI Agent 工作流增强：作为 OpenClaw 或通用 Agent 的底层执行层，补足单次 Skill 调用缺乏目标维持能力的短板，显著提升复杂任务端到端成功率。
