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

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：

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

进化由用户反馈驱动；所有日志记录与规则升格均基于用户修正行为及重复出现的模式。

OpenClaw 主动反馈

在增强后的技能、SOUL.md 或 AGENTS.md 中加入以下内容：

• 当使用来自 .learnings/ 的经验时，向用户简要说明
• 任务结束时，可选地进行总结：已应用的进化项、具体改进点
• 由 OpenClaw 决定何时向用户展示（每次使用即提示 or 任务结束统一汇总）

详见 references/openclaw-feedback.md 中 SOUL.md 和 AGENTS.md 的代码片段。

经验失效与更新

当用户在某条经验已被应用后再次做出修正时：

• 在原始条目中添加 Contradicted-By: LRN-YYYYMMDD-XXX
• 若该经验已不再有效，标记 Last-Valid 或 Status: superseded
• 若同类模式反复出现但修正方式不同，则递增 Recurrence-Count

LEARNINGS 模板中需包含字段：Recurrence-Count、Last-Valid、Contradicted-By。

领域配置提取框架

触发词提取

学习触发词（用户反馈 → 记录至 LEARNINGS.md）：

• 查找来源：“用户说”、“when user says”、示例对话
• 推断常见修正、风格偏差、场景特有偏好
• 补充通用兜底词：“不对”、“不是这样”、“改一下”

错误触发词（失败 → 记录至 ERRORS.md）：

• 查找来源：“失败”、“报错”、“不适用”、“when X fails”
• 推断环境特有失败、边界情况
• 补充通用兜底词：“操作失败”、“未达到预期”

作用域映射（Area Mapping）

定义 3–6 个作用域（Areas），覆盖技能全部功能范围。必须使用领域专属术语，而非编程相关术语（如 function、class）。

升格目标命名规范

• {skill-name}-专属进化规则.md — 进化规则、风格偏好
• {skill-name}-最佳实践.md — 最佳实践
• {skill-name}-安全规范.md — 安全约束（例如：电脑加速）

文件名中技能名称使用 kebab-case 格式。

日志格式（复用自 self-improving-agent）

ID 格式：LRN-YYYYMMDD-XXX、ERR-YYYYMMDD-XXX、FEAT-YYYYMMDD-XXX

状态值：pending | in_progress | resolved | wont_fix | promoted | promoted_to_skill

完整条目格式请参阅 self-improving-agent 技能文档中的 Logging Format 章节。

参考资料

• assets/DOMAIN-CONFIG-TEMPLATE.md — 领域配置 Schema
• assets/EVOLUTION-RULES-TEMPLATE.md — EVOLUTION.md 模板
• references/domain-examples.md — 洗稿能手、电脑加速 示例
• references/openclaw-feedback.md — 主动反馈所需的 SOUL.md / AGENTS.md 片段
• scripts/generate-evolution.sh — 可选的脚手架生成器

来源

• 基于：self-improving-agent 3.0.1
• 目标：使任意技能均可获得与 self-improving-agent 类似的自进化能力