SkillClaw # ✨ SkillClaw: Let Skills Evolve Collectively with Agentic Evolver ✨

让 AI Agent 技能从每一次真实交互中自动进化 —— 只需对话。
跨会话、跨 Agent、跨设备、跨用户，经验持续累积，技能群体进化。

| 🚀 安装快捷 | 💬 只需对话 | 🔌 广泛兼容 | 🧬 技能群体进化 | |:-:|:-:|:-:|:-:| [![Hermes](https://img.shields.io/badge/Hermes-supported-ff6b6b?style=flat-square&logo=data:image/svg+xml;base64,PHN2ZyB4bWxucz0iaHR0cDovL3d3dy53My5vcmcvMjAwMC9zdmciIHZpZXdCb3g9IjAgMCAyNCAyNCI+PHBhdGggZmlsbD0id2hpdGUiIGQ9Ik0xMiAyTDIgN2wxMCA1IDEwLTV6TTIgMTdsOSA1VjEyTDIgN3pNMTMgMjJsOS01VjdMMTMgMTJ6Ii8+PC9zdmc+)](https://github.com/NousResearch/hermes-agent) [![OpenClaw](https://img.shields.io/badge/OpenClaw-supported-6c5ce7?style=flat-square)](https://github.com/openclaw/openclaw) [![Agents](https://img.shields.io/badge/+QwenPaw%20%7C%20IronClaw%20%7C%20PicoClaw%20%7C%20ZeroClaw%20%7C%20...-8A2BE2?style=flat-square)](https://github.com/AMAP-ML/SkillClaw) [![Python](https://img.shields.io/badge/Python-3.10%2B-3776AB?style=flat-square&logo=python&logoColor=white)](https://www.python.org/) [![License](https://img.shields.io/badge/License-MIT-green?style=flat-square)](../LICENSE) [![Paper](https://img.shields.io/badge/Paper-arXiv-b5212f.svg?style=flat-square&logo=arxiv)](https://arxiv.org/abs/2604.08377) [![Paper](https://img.shields.io/badge/Paper-PDF-red?style=flat-square&logo=adobeacrobatreader)](https://arxiv.org/pdf/2604.08377) [![Paper](https://img.shields.io/badge/Paper-Hugging%20Face-yellow?style=flat-square&logo=huggingface)](https://huggingface.co/papers/2604.08377) [![Docs](https://img.shields.io/badge/Docs-English-blue?style=flat-square)](../README.md)
Typing SVG skillclaw setup && skillclaw start --daemon

🚀 安装快捷 macOS/Linux 提供 shell 安装脚本；Windows 提供手动 Python 安装路径。安装后运行 skillclaw setup 和 skillclaw start --daemon。
💬 只需对话 正常和 Agent 对话即可，Skill 的进化在后台无感完成，无需任何额外操作。
🔌 广泛兼容 无缝支持 Hermes、OpenClaw、QwenPaw、IronClaw、PicoClaw、ZeroClaw、NanoClaw、NemoClaw 及任何 OpenAI 兼容 API。
🧬 技能群体进化 技能从每一次对话、每一个 Agent、每一个场景中进化。单人或团队，进化闭环完全一致。每一份经验都在累积。
---
## SkillClaw 给一个 Hermes 用户带来了什么
Hermes 用久了，技能库是不是一锅乱炖？重复的、过时的、半成品的全挤在一起，像没人整理的掉落箱。问题不是学得不够多，而是没人帮它"消化"。 **SkillClaw 就是干这个的。** 自动进化、自动去重、自动提质。不改变你的使用方式，不打断你的节奏，只是悄悄改写 Agent 的成长曲线。 SkillClaw 不是让 Hermes 学更多，而是让它学到的一切，真正变成战斗力。
双循环：Hermes 任务期循环 + SkillClaw 任务后进化循环
这只是一个人的故事。一个用户也可以跑多个 Agent、用多台设备，SkillClaw 把它们全部统一：
### 多个 Agent？统一技能库。 乘数效应：多个 Hermes Agent 通过 SkillClaw 共享技能
同时运行多个 Hermes Agent 做不同任务？没有 SkillClaw，每个 Agent 都在建自己的技能孤岛。有了 SkillClaw，技能会被**合并、去重、交叉融合**成一个统一技能库，再分发给所有 Agent。前端 Agent 的 React 技能让后端 Agent 的 API 设计更好——反之亦然。
### 多台设备？技能跟着你走，不跟机器走。 无缝场景：家里、学校、公司的 Hermes 通过 SkillClaw 统一
同一个人，不同机器。你家里的 Hermes 学了 React，学校的 Hermes 学了 ML，公司的 Hermes 学了 K8s。没有 SkillClaw，每台机器都从零开始。有了它，**技能跨环境统一**——每个 Hermes 实例都受益于其他所有环境的经验，不管你在哪里。 ---
## 技能群体进化
以上都是一个用户能获得的。现在放大：加入共享群组后，**每个成员的实战经验都汇入同一个进化循环**。用户 A 调试了一个数据库问题——技能进化了。用户 B、C、D 立刻受益，根本不用自己再踩一遍。N 个用户，一个 Skill，持续进化。
从经验孤岛到群体进化
技能进化流程：一个技能如何在多个用户之间进化
---
SkillClaw 架构图
--- ## 动态 - **2026/04/22** — 新增支持中英文切换的 dashboard，可通过 `skillclaw dashboard sync` 和 `skillclaw dashboard serve` 查看本地 / 共享 skill、候选验证进度、版本历史与会话追溯。 - **2026/04/20** — 新增 [Codex](https://github.com/openai/codex) 与 [Claude Code](https://docs.anthropic.com/en/docs/claude-code) 集成，支持自动接入代理、使用各自原生 skills 目录，并提供 `doctor` / `restore` 命令。 - **2026/04/17** — 新增 [QwenPaw](https://github.com/agentscope-ai/QwenPaw) 集成，并同步更新文档以覆盖更多 Agent 框架。 - **2026/04/17** — 补齐完整的 [Hermes](https://github.com/NousResearch/hermes-agent) 集成能力，加入逐轮 skill 使用追踪、`doctor hermes`、`skillclaw skills *` 管理命令，以及一轮文档重构。 - **2026/04/14** — 微信讨论群已开放！[加入群聊](./image.png)和我们交流。 - **2026/04/14** — 初步接入 [Hermes](https://github.com/NousResearch/hermes-agent)，并完成第一轮 README 改版。 - **2026/04/12** — 正在与 [Deer-Flow](https://github.com/bytedance/deer-flow/discussions/2133) 讨论跨框架技能共享。 - **2026/04/11** — SkillClaw 在 [Hugging Face Daily Papers](https://huggingface.co/papers/2604.08377) 上获得**当日第 2 名**！ - **2026/04/10** — SkillClaw 正式开源！代码已发布在 [GitHub](https://github.com/AMAP-ML/SkillClaw)。 --- ## 项目概览 SkillClaw 通过从真实会话数据中**演化可复用技能**，让 LLM Agent 持续变强。一个人用就已经有效——技能会在每次会话间自动去重、提质、验证。准备好了就往上扩：多个 Agent、多台设备、多个用户，都能汇入同一个进化循环。 系统由两个部分组成： 1. **Client Proxy** — 本地 API 代理（`/v1/chat/completions`、`/v1/messages`），负责拦截 Agent 请求、记录会话产物，并管理你的本地技能库。只装这个就能用起来。 2. **Evolve Server**（`evolve_server`）— 可选的技能演化服务，从共享存储读取会话数据，演化或创建技能，再写回存储。当你需要自动演化或团队共享时再加。它支持两种 engine： - `workflow`：固定三阶段 LLM 流程（Summarize → Aggregate → Execute） - `agent`：基于 OpenClaw 的自主 agent 工作区，直接编辑技能文件 两者共享同一套存储层（Alibaba OSS / S3 / 本地文件系统）以及同一种技能格式（`SKILL.md`）。 --- ## 部署模型 先装 Client，需要时再加 Server。 1. **单用户 + 自动演化**：装好 Client Proxy，再在同一台机器（或任何能访问存储的地方）加一个 Evolve Server，让技能在后台自动精炼。 2. **团队 / 共享群组**：多个 Client 指向同一个共享存储，群组运行一个 `skillclaw-evolve-server`。所有人的经验汇入同一个进化循环。 Client 和 Server 只通过共享存储（`local`、`oss`、`s3`）发生连接。这意味着： - 如果你只是自己用，先装 Client 就够了，后面再决定要不要加 Evolver。 - 如果你是加入一个现有群组，你仍然只需要安装 Client，不需要在自己机器上跑 Evolver。 - Evolver 可以跑在你的本机、远程服务器，或者任何一台能访问共享存储和上游 LLM API 的机器上。 ## 用户指南 第一次上手建议先走路径 A，把"用户侧安装和使用"先跑通，不要一开始就把共享部署和服务端混进来。 ### 前置要求 - macOS、Linux 或 Windows - Python >= 3.10 - 一个兼容 OpenAI 的 LLM API endpoint，或 AWS Bedrock - 只有在你明确选择 `openclaw` CLI 集成或服务端 `agent` engine 时，才需要额外安装 `openclaw` 下面的入门路径已在 macOS 上做过本地烟测。 ### 路径 A：先在单机上把用户侧跑通 1. 从本仓库安装 SkillClaw。如果你已经有源码，跳过 `git clone`。 macOS / Linux： ```bash git clone https://github.com/AMAP-ML/SkillClaw.git && cd SkillClaw bash scripts/install_skillclaw.sh source .venv/bin/activate ``` Windows PowerShell（当前仓库没有原生 `.ps1` 安装脚本，所以这里是手动安装方式）： ```powershell git clone https://github.com/AMAP-ML/SkillClaw.git Set-Location SkillClaw python -m venv .venv .\.venv\Scripts\Activate.ps1 python -m pip install -U pip python -m pip install -e ".[evolve,sharing,server]" ``` 2. 生成本地配置。 ```bash 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。 第一次最小化验证时，推荐这样选： - `CLI agent` 选 `none`，先不要自动改外部 agent 配置 - `skills` 目录保持默认值 `~/.skillclaw/skills`；如果你选了 Hermes、Codex 或 Claude Code，默认技能库会变成 `~/.hermes/skills`、`~/.codex/skills` 或 `~/.claude/skills` - 如果你只是想先验证代理能不能正常用，可以先关闭 shared storage - 如果你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` - 如果你想先把成本压到最低，可以先关闭 PRM 3. 启动 Client Proxy 并检查健康状态。 ```bash skillclaw start --daemon skillclaw status PROXY_PORT="$(skillclaw config proxy.port | awk '{print $2}')" curl "http://127.0.0.1:${PROXY_PORT}/healthz" ``` 默认代理端口是 `30000`，但健康检查应以你在配置中实际设定的 `proxy.port` 为准。用 `skillclaw config show` 查看当前的上游模型、代理端口和 sharing 目标。 到这里为止，SkillClaw 已经可以作为"单用户本地代理"使用了。只是想自己用的话，不需要立刻运行 Evolver。 如果你后面想让它自动演化技能，再继续看下面的[服务器指南](#服务器指南)。 ### Hermes 接入 如果你本来就在用 Hermes，用户侧的接入路径是： 1. 先安装 Hermes。 2. 运行 `skillclaw setup`，在 `CLI agent to configure` 里选择 `hermes`。 3. `Proxy model name exposed to agents` 保持 `skillclaw-model`，除非你明确知道自己为什么要改它。 4. 启动 SkillClaw。启动时，SkillClaw 会自动改写 `~/.hermes/config.yaml`，把 Hermes 指到本地代理。 5. Hermes 默认使用 `~/.hermes/skills` 作为本地技能库。SkillClaw 会自动准备好该目录，并把 `~/.skillclaw/skills` 中遗留的旧技能复制过来。 6. 如果你想检查或撤销集成，使用 `skillclaw doctor hermes` 和 `skillclaw restore hermes`。 最小验证命令： ```bash skillclaw start --daemon hermes chat -Q -m skillclaw-model -q "Reply with exactly HERMES_SKILLCLAW_OK and nothing else." ``` 可选诊断命令： ```bash skillclaw doctor hermes skillclaw restore hermes ``` `skillclaw doctor hermes` 会检查 Hermes 是否指向了本地代理、Hermes skills 目录是否存在、旧技能是否还在、以及会话边界是否仍回退到代理侧的启发式策略（除非 Hermes 发送了显式的 session header）。 ### 路径 B：加入一个已有的共享群组 加入群组时，用户侧安装方式和路径 A 完全一样。区别只是把本地 Client 指向群组的共享存储。 最适合初学者的方式是重新执行一次 `skillclaw setup`，开启 shared storage，然后把群组管理员给你的参数填进去。 你也可以直接手动配置。下面是 OSS 示例： ```bash skillclaw config sharing.enabled true skillclaw config sharing.backend oss skillclaw config sharing.endpoint https://oss-cn-hangzhou.aliyuncs.com skillclaw config sharing.bucket my-skillclaw-bucket skillclaw config sharing.access_key_id "$OSS_ACCESS_KEY_ID" skillclaw config sharing.secret_access_key "$OSS_ACCESS_KEY_SECRET" skillclaw config sharing.group_id my-group skillclaw config sharing.user_alias alice skillclaw config sharing.auto_pull_on_start true skillclaw start --daemon skillclaw skills pull ``` 如果你的群组用的是本地挂载目录或 NAS，而不是 OSS/S3，那么把 `sharing.backend` 改成 `local`，并配置 `sharing.local_root /path/to/shared/root` 即可。 加入群组时要记住： - 你本机上仍然只运行 Client Proxy - 你不需要在自己机器上运行 `skillclaw-evolve-server` - 从单用户扩展到多用户，对用户侧来说主要就是共享存储配置变了 ### 可选：把某个客户端打开成后台验证节点 这个模式是可选的，而且默认关闭。它适合那些希望在 `workflow` 产出正式进入共享技能目录前，再加一道群组内复核的部署。 它实际做的是： - 服务端先把候选技能写成一个 validation job，而不是立刻发布 - 某个选择加入的客户端在本地代理空闲时主动拉取 job - 客户端会在后台验证这个候选技能，并把结果回写共享存储 - 后续某一轮 evolve cycle 再根据阈值决定正式发布还是拒绝 如果 `validation.enabled` 保持 `false`，你的日常客户端使用路径完全不受影响。 客户端最小配置： ```bash skillclaw config validation.enabled true skillclaw config validation.idle_after_seconds 300 skillclaw config validation.poll_interval_seconds 60 skillclaw config validation.max_jobs_per_day 5 skillclaw validation status skillclaw validation run-once --force ``` 之后只要 `skillclaw start --daemon`，后台验证器就会自动跟着启动。`run-once --force` 是最快的自测方式，不需要等空闲计时器。 ## 服务器指南 Evolver 是共享后端。它可以服务一个用户，也可以服务一整个群组；可以跑在本机，也可以跑在远程服务器。 ### 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。 前提是你在 `skillclaw setup` 里已经开启了 `local` shared storage。 ```bash skillclaw-evolve-server --use-skillclaw-config --interval 300 --port 8787 ``` 跑起来后，你还可以查看共享技能区： ```bash skillclaw skills list-remote ``` 这个路径的特点是： - 只有一个用户 - 只有一台机器 - 不需要 OSS / S3 - 能完整体验"记录会话 → 演化技能 → 回写复用"的闭环 ### 群组共享部署：在本地或远程服务器上运行一个 Evolver 把 Evolver 跑在任何一台能访问共享存储和上游 LLM API 的机器上即可，它不一定要跑在终端用户的电脑上。 macOS / Linux： ```bash git clone https://github.com/AMAP-ML/SkillClaw.git && cd SkillClaw bash scripts/install_skillclaw_server.sh source .venv-server/bin/activate cp evolve_server/evolve_server.env.example evolve_server/.env ``` Windows PowerShell（当前仓库没有原生 `.ps1` 安装脚本，所以这里是手动安装方式）： ```powershell git clone https://github.com/AMAP-ML/SkillClaw.git Set-Location SkillClaw python -m venv .venv-server .\.venv-server\Scripts\Activate.ps1 python -m pip install -U pip python -m pip install -e ".[server]" Copy-Item .\evolve_server\evolve_server.env.example .\evolve_server\.env ``` 然后编辑 `evolve_server/.env`，或者直接通过命令行传参数。默认 `workflow` engine 的 OSS 示例： ```bash skillclaw-evolve-server --port 8787 --interval 300 \ --storage-backend oss \ --oss-endpoint "$EVOLVE_STORAGE_ENDPOINT" \ --oss-bucket "$EVOLVE_STORAGE_BUCKET" \ --group-id my-group ``` 默认情况下，`workflow` engine 会把演化通过的技能直接写入共享技能目录，也就是 `{group_id}/skills//SKILL.md`。 如果你想让候选技能先经过一轮"客户端复核"再正式进入 `skills/`，可以把服务端切到 `validated` 发布模式： ```bash EVOLVE_PUBLISH_MODE=validated \ EVOLVE_VALIDATION_REQUIRED_RESULTS=1 \ EVOLVE_VALIDATION_REQUIRED_APPROVALS=1 \ EVOLVE_VALIDATION_MIN_MEAN_SCORE=0.75 \ EVOLVE_VALIDATION_MAX_REJECTIONS=1 \ skillclaw-evolve-server --port 8787 --interval 300 \ --storage-backend oss \ --oss-endpoint "$EVOLVE_STORAGE_ENDPOINT" \ --oss-bucket "$EVOLVE_STORAGE_BUCKET" \ --group-id my-group ``` 如果你服务端想使用 `agent` engine，那就在服务端机器上安装 `openclaw`，然后运行： ```bash npm install -g openclaw skillclaw-evolve-server --engine agent --port 8787 --interval 300 --no-fresh \ --storage-backend oss \ --oss-endpoint "$EVOLVE_STORAGE_ENDPOINT" \ --oss-bucket "$EVOLVE_STORAGE_BUCKET" \ --group-id my-group ``` 只有服务端操作员在使用 `--engine agent` 时才需要 `openclaw`。 ## 快速参考 **运行关系** — 每个用户有自己的 `skillclaw` 进程和 `~/.skillclaw/config.yaml`；每个群组对应一个 `group_id`，由一个 Evolver 持续读取会话、产出技能、写回存储。加入群组只需正确配置共享存储，无需部署服务端。 **首次启动检查** | 命令 | 预期结果 | |------|----------| | `skillclaw status` | 显示 `running` | | `curl http://127.0.0.1:/healthz` | 返回 `{"ok": true}` | | `skillclaw config show` | 显示正确的上游 URL、模型和 sharing 配置 | **技能管理** ```bash skillclaw skills pull # 下载共享技能 skillclaw skills push # 上传本地技能 skillclaw skills sync # 双向同步 skillclaw skills list-remote # 查看远端技能 ``` **配置参考** - Client 配置：`~/.skillclaw/config.yaml`（由 `skillclaw setup` 生成） - 服务端模板：[`evolve_server/evolve_server.env.example`](../evolve_server/evolve_server.env.example)（复制为 `.env` 使用） - 查看 / 修改配置：`skillclaw config show` ｜ `skillclaw config ` - 贡献者入口：`skillclaw/`（客户端）、`evolve_server/`（后端）、`scripts/`（安装脚本） ## 致谢 本仓库基于以下开源项目构建： - [MetaClaw](https://github.com/aiming-lab/MetaClaw) - Just talk to your agent — it learns and evolves - [WildClawBench](https://github.com/InternLM/WildClawBench) - Can an AI agent do real work, end-to-end, without hand-holding - [OpenClaw-RL](https://github.com/Gen-Verse/OpenClaw-RL) - Train a personalized agent simply by talking to it ## 共建 SkillClaw 是一个社区共建项目。我们欢迎各种形式的贡献——Bug 反馈、功能建议、新技能贡献、文档完善等。欢迎提 Issue 或提交 Pull Request！ ## 引用 如果 SkillClaw 对你的研究有帮助，请考虑引用我们的论文： ```bibtex @article{ma2026skillclaw, title={SkillClaw: Let Skills Evolve Collectively with Agentic Evolver}, author={Ma, Ziyu and Yang, Shidong and Ji, Yuxiang and Wang, Xucong and Wang, Yong and Hu, Yiming and Huang, Tongwen and Chu, Xiangxiang}, journal={arXiv preprint arXiv:2604.08377}, year={2026} } ``` ## 许可证 详见 [LICENSE](../LICENSE)。