跳转至

第 3 章：经典 Skill 案例解析

本章目标： 通过分析 10+ 个优秀 Skill 案例，掌握可复用的设计模式
预计阅读时间： 60 分钟
难度等级： ⭐⭐⭐⭐☆（高级）

📖 目录

  1. 案例 1：self-improvement（自改进 Agent）
  2. 案例 2：token-optimizer（成本优化）
  3. 案例 3：proactive-agent（主动式 Agent）
  4. 案例 4：context-manager（上下文管理）
  5. 案例 5：agent-browser（浏览器自动化）
  6. 案例 6：github（GitHub 集成）
  7. 案例 7：find-skills（技能发现）
  8. 案例 8：skill-vetter（技能审查）
  9. 案例 9：summarize（摘要生成）
  10. 案例 10：私有 Skill 案例
  11. 设计模式总结
  12. 本章实践

案例 1：self-improvement（自改进 Agent）

Skill 概览

属性 值
名称 self-improvement
用途 记录学习、错误、改进，实现持续自我优化
大小 ~8KB
触发词 失败、纠正、新功能请求、知识过时
核心创新 学习日志 + 自动提升机制

核心设计

元数据设计： 

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
name: self-improvement
description: |
  Captures learnings, errors, and corrections to enable continuous improvement.
  Use when:
  (1) A command fails unexpectedly,
  (2) User corrects you,
  (3) User requests missing feature,
  (4) API/tool fails,
  (5) Knowledge outdated,
  (6) Better approach discovered

亮点： description 详细列出 6 种触发场景，覆盖全面。

结构设计

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
self-improving-agent/
├── SKILL.md                    # 核心指令
├── assets/
│   ├── SKILL-TEMPLATE.md       # Skill 模板
│   └── LEARNINGS.md            # 学习日志模板
├── references/
│   └── openclaw-integration.md # 平台集成指南
└── scripts/
    ├── activator.sh            # 激活脚本
    ├── error-detector.sh       # 错误检测
    └── extract-skill.sh        # 技能提取

核心机制

1. 三层日志系统： 

1
2
3
4
.learnings/
├── LEARNINGS.md       # 学习记录（纠正、知识缺口、最佳实践）
├── ERRORS.md          # 错误记录（命令失败、异常）
└── FEATURE_REQUESTS.md # 功能请求

2. 提升机制： 

1
2
3
4
5
学习记录 → 评估价值 → 提升到项目文件
   ↓
   ├─ 行为模式 → SOUL.md
   ├─ 工作流改进 → AGENTS.md
   └─ 工具技巧 → TOOLS.md

3. 技能提取： 

1
2
3
4
5
6
重复出现的学习 → 提取为独立 Skill
   ↓
   满足条件：
   - 出现 3+ 次
   - 跨 2+ 任务
   - 30 天内

可复用模式

模式 1：触发条件穷举 

1
2
3
4
5
description 中明确列出所有触发场景：
Use when:
(1) ..., (2) ..., (3) ..., (4) ..., (5) ..., (6) ...

→ 提高触发准确性

模式 2：日志模板化 

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
标准化日志格式：
## [LRN-YYYYMMDD-XXX] category

**Logged**: timestamp
**Priority**: low|medium|high|critical
**Status**: pending
**Area**: frontend|backend|infra|...

### Summary
### Details
### Suggested Action
### Metadata

模式 3：自动提升流程 

1
2
3
4
5
6
明确什么情况下提升到什么文件：
| 学习类型 | 提升到 | 示例 |
|---------|-------|------|
| 行为模式 | SOUL.md | "简洁，避免免责声明" |
| 工作流改进 | AGENTS.md | "为长任务生成子 agent" |
| 工具技巧 | TOOLS.md | "Git push 需要先配置认证" |

学习效果

指标 使用前 使用后
重复错误率 40% 10%
知识沉淀速度 慢 快 5 倍
技能提取数量 0 10+/月

案例 2：token-optimizer（成本优化）

Skill 概览

属性 值
名称 token-optimizer
用途 优化 AI 使用成本，从\(1500/月降至\)50/月
大小 ~5KB
触发词 太贵、成本高、token 优化、预算超支
核心创新 一键优化 + 多供应商心跳

核心设计

元数据设计： 

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
name: token-optimizer
description: |
  Reduce OpenClaw AI costs by 97%. Haiku model routing,
  free Ollama heartbeats, prompt caching, budget controls.
  Go from $1,500/month to $50/month in 5 minutes.
triggers:
  - too expensive
  - costs too much
  - burning tokens
  - high token usage
  - reduce costs
  - save money
  - optimize tokens
  - budget exceeded
  # ... 15+ triggers

亮点： - 量化收益（97%、\(1500→\)50） - 额外 triggers 字段增强触发

结构设计

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
token-optimizer/
├── SKILL.md              # 简洁主文档
├── cli.py                # CLI 工具
├── templates/
│   ├── SOUL.md           # 优化后的 SOUL 模板
│   ├── USER.md           # 优化后的 USER 模板
│   └── OPTIMIZATION-RULES.md
└── configs/
    ├── openclaw.json     # 配置模板
    └── heartbeat.json    # 心跳配置

核心机制

1. 四层优化： 

1
2
3
4
5
6
7
8
模型路由（92% 节省）
  ↓ Haiku 默认，Sonnet/Opus 按需
心跳优化（100% 节省）
  ↓ 本地 Ollama 代替 API
会话管理（80% 节省）
  ↓ 加载 8KB 而非 50KB 上下文
提示缓存（90% 节省）
  ↓ 重复提示 10% 成本

2. 一键优化： 

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
# 分析当前配置
python cli.py analyze

# 预览优化（dry-run）
python cli.py optimize

# 应用优化
python cli.py optimize --apply

# 验证
python cli.py verify

3. 成本对比报告： 

1
2
3
4
5
| 周期 | 优化前 | 优化后 | 节省 |
|------|-------|-------|------|
| 每日 | $2-3  | $0.10 | 97%  |
| 每月 | $70-90| $3-5  | 95%  |
| 每年 | $800+ | $40-60| 95%  |

可复用模式

模式 1：量化价值主张 

1
2
3
4
5
6
在 description 中用数字说话：
- "Reduce costs by 97%"
- "Go from $1,500/month to $50/month"
- "in 5 minutes"

→ 用户立即理解价值

模式 2：dry-run 安全设计 

1
2
3
4
5
6
所有修改操作默认预览：
- 不加 --apply 只预览
- 显示具体变更
- 创建备份

→ 降低使用门槛

模式 3：前后对比展示 

1
2
3
4
5
6
7
用表格展示优化效果：
| 周期 | 优化前 | 优化后 |
|------|-------|-------|
| 每日 | $2-3  | $0.10 |
| 每月 | $70   | $3-5  |

→ 直观展示价值

案例 3：proactive-agent（主动式 Agent）

Skill 概览

属性 值
名称 proactive-agent
用途 将被动 Agent 转变为主动伙伴
大小 ~15KB
版本 3.1.0
核心创新 WAL 协议 + 工作缓冲区 + 自进化

核心设计

元数据设计： 

1
2
3
4
5
6
7
name: proactive-agent
version: 3.1.0
description: |
  Transform AI agents from task-followers into proactive partners
  that anticipate needs and continuously improve.
  Now with WAL Protocol, Working Buffer, Autonomous Crons,
  and battle-tested patterns. Part of the Hal Stack 🦞

亮点： - 包含版本号 - 突出新功能 - 品牌标识（Hal Stack）

结构设计

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
proactive-agent/
├── SKILL.md              # 详细主文档（15KB）
├── assets/
│   ├── ONBOARDING.md     # 首次设置
│   ├── USER.md           # 用户信息模板
│   └── SOUL.md           # 行为准则模板
├── scripts/
│   └── security-audit.sh # 安全审计
└── memory/
    └── working-buffer.md # 工作缓冲区模板

核心机制

1. WAL 协议（Write-Ahead Logging）： 

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
触发条件（每条消息扫描）：
- 纠正："应该是 X，不是 Y"
- 专有名词：名称、地点、公司
- 偏好："我喜欢/不喜欢"
- 决策："我们做 X"
- 具体值：数字、日期、ID、URL

协议：
1. 停止 → 2. 写入 SESSION-STATE.md → 3. 回复

→ 确保重要细节不丢失

2. 工作缓冲区： 

1
2
3
4
5
6
60% 上下文时：
1. 清空旧缓冲
2. 记录每条交换
3. 压缩后首先读取

→ 在危险区（60%-100%）捕获一切

3. 压缩恢复： 

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
自动触发：
- 会话以<summary>开始
- 消息包含"truncated"
- 用户问"我们到哪了？"

恢复步骤：
1. 读取 working-buffer.md
2. 读取 SESSION-STATE.md
3. 提取上下文
4. 继续任务

→ 不问"我们在做什么"，直接读取记录

4. 自进化防护： 

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
ADL 协议（反漂移限制）：
❌ 禁止为"显得聪明"增加复杂度
❌ 禁止无法验证的改动
❌ 禁止模糊概念作为理由

VFM 协议（价值优先修改）：
加权评分：
- 高频使用 ×3
- 减少失败 ×3
- 减轻用户负担 ×2
- 节省自身成本 ×2

阈值：< 50 分不执行

可复用模式

模式 1：协议化设计 

1
2
3
4
5
6
7
8
将最佳实践命名为协议：
- WAL Protocol
- Working Buffer Protocol
- Compaction Recovery Protocol
- ADL Protocol
- VFM Protocol

→ 易于记忆和传播

模式 2：触发器明确化 

1
2
3
4
5
6
7
明确说明何时触发：
"当看到以下任一情况时：
1. ...
2. ...
3. ..."

→ 减少遗漏

模式 3：分层记忆系统 

1
2
3
4
5
6
7
SESSION-STATE.md（活跃工作记忆）
  ↓ 每次更新
memory/YYYY-MM-DD.md（每日原始记录）
  ↓ 定期提炼
MEMORY.md（ curated 长期记忆）

→ 平衡完整性和可检索性

案例 4：context-manager（上下文管理）

Skill 概览

属性 值
名称 context-manager
用途 管理会话上下文，减少漂移和噪音
大小 ~6KB
核心创新 智能上下文加载 + 会话状态追踪

核心设计

关键特性： 

1
2
3
4
1. 上下文使用率监控
2. 智能摘要生成
3. 重要信息提取
4. 会话状态持久化

可复用模式

模式 1：阈值触发 

1
2
3
4
5
6
当上下文使用率达到：
- 50%：警告
- 70%：建议摘要
- 90%：强制压缩

→ 主动管理而非被动应对

模式 2：重要性评分 

1
2
3
4
5
6
7
信息重要性评估：
- 用户明确说"记住这个" → 高
- 决策/承诺 → 高
- 具体数值/日期 → 中
- 一般对话 → 低

→ 智能选择保留什么

案例 5：agent-browser（浏览器自动化）

Skill 概览

属性 值
名称 agent-browser
用途 浏览器自动化：导航、点击、输入、截图
大小 ~10KB
核心创新 结构化命令 + 节点回退

核心设计

命令系统： 

1
2
3
4
5
6
7
8
可用命令：
- navigate <url>
- click <selector>
- type <selector> <text>
- screenshot [fullPage]
- snapshot [refs=aria|role]

→ 统一的命令接口

可复用模式

模式 1：命令 - 响应模式 

1
2
3
4
5
6
7
每个命令有：
- 语法
- 参数
- 示例
- 错误处理

→ 一致的接口设计

模式 2：回退机制 

1
2
3
4
首选：Rust 无头浏览器
回退：Node.js 实现

→ 兼容性和性能兼顾

案例 6：github（GitHub 集成）

Skill 概览

属性 值
名称 github
用途 GitHub CLI 集成：issue、PR、CI、API
大小 ~4KB
核心创新 gh CLI 命令封装

核心设计

命令封装： 

1
2
3
4
5
6
gh issue create --title "..." --body "..."
gh pr list --state open
gh run watch
gh api /repos/{owner}/{repo}

→ 封装常用命令

可复用模式

模式 1：命令速查表 

1
2
3
4
5
6
7
| 任务 | 命令 |
|------|------|
| 创建 Issue | gh issue create |
| 查看 PR | gh pr list |
| 监控 CI | gh run watch |

→ 快速参考

案例 7：find-skills（技能发现）

Skill 概览

属性 值
名称 find-skills
用途 帮助用户发现和安装技能
大小 ~3KB
核心创新 意图识别 + ClawHub 集成

核心设计

触发模式： 

1
2
3
4
5
6
7
用户说：
- "如何做到 X"
- "找个技能做 X"
- "有技能可以...吗"
- "想扩展功能"

→ 识别技能发现意图

可复用模式

模式 1：意图映射 

1
2
3
4
5
用户问题 → 技能类别 → 推荐技能

例：
"如何自动备份" → 自动化 → backup-skill
"怎么分析数据" → 数据分析 → data-analysis-skill

案例 8：skill-vetter（技能审查）

Skill 概览

属性 值
名称 skill-vetter
用途 安全检查：安装前审查技能
大小 ~4KB
核心创新 安全扫描 + 风险评估

核心设计

检查清单： 

1
2
3
4
5
6
7
安装前检查：
□ 来源可信吗？
□ SKILL.md 有可疑命令吗？
□ 有 shell 命令、curl/wget 吗？
□ 有数据外泄模式吗？

→ 约 26% 社区技能有漏洞

可复用模式

模式 1：安全检查表 

1
2
3
4
5
6
7
明确列出检查项：
- [ ] 检查来源
- [ ] 审查命令
- [ ] 查找危险模式
- [ ] 评估权限

→ 系统化安全检查

案例 9：summarize（摘要生成）

Skill 概览

属性 值
名称 summarize
用途 总结 URL、播客、本地文件
大小 ~3KB
核心创新 多源支持 + 提取模式

核心设计

支持源： 

1
2
3
4
5
6
- URL（网页、文章）
- 播客（音频转录）
- 本地文件（PDF、DOCX、TXT）
- YouTube 视频

→ 统一摘要接口

可复用模式

模式 1：源类型路由 

1
2
3
4
5
6
根据输入类型选择处理：
- URL → web_fetch
- 文件 → read/pdf
- 音频 → 转录服务

→ 统一接口，后端路由

案例 10：私有 Skill 案例

gmoverid Skill（IC 设计领域）

概览： 

1
2
3
用途：晶体管模型、NGSpice 仿真
领域：IC 设计/验证
特点：高度专业化

设计亮点： 

1
2
3
4
1. 领域特定术语表
2. 仿真脚本库
3. 模型参考文档
4. 验证流程固化

可复用模式

模式 1：领域术语表 

1
2
3
4
5
6
在 references/ 中维护：
- 术语定义
- 常用参数
- 行业标准值

→ 确保 Agent 理解领域语言

设计模式总结

元数据设计模式

模式 说明 案例
穷举触发 列出所有触发场景 self-improvement
量化价值 用数字说明收益 token-optimizer
版本标注 包含版本号 proactive-agent
额外 triggers 扩展触发词列表 token-optimizer

结构设计模式

模式 说明 案例
三层日志 学习/错误/请求分离 self-improvement
协议化 将最佳实践命名为协议 proactive-agent
模板资产 提供即用模板 token-optimizer
脚本工具 CLI 工具封装 token-optimizer

内容设计模式

模式 说明 案例
快速开始 最简示例优先 所有案例
渐进披露 核心 + 参考链接 所有案例
故障排查 常见问题自助 所有案例
检查清单 结构化验证 skill-vetter

进化机制模式

模式 说明 案例
学习日志 记录错误和纠正 self-improvement
自动提升 学习→项目文件 self-improvement
技能提取 重复学习→Skill self-improvement
版本迭代 持续改进发布 proactive-agent

本章实践

练习 1：案例分析

任务： 选择一个案例，深度分析其设计

输出： 

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
## 案例分析：[Skill 名称]

### 设计亮点
1. ...
2. ...
3. ...

### 可复用模式
1. [模式名称]：[说明]
2. [模式名称]：[说明]

### 改进建议
1. ...
2. ...

练习 2：模式应用

任务： 选择 3 个模式应用到自己的 Skill

输出： 

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
## 模式应用计划

### 模式 1：[名称]
如何应用：[说明]

### 模式 2：[名称]
如何应用：[说明]

### 模式 3：[名称]
如何应用：[说明]

本章总结

核心收获

  1. 优秀 Skill 的共同特征：
  2. 清晰的触发条件
  3. 简洁的核心文档
  4. 完善的资源组织

  5. 持续的进化机制

  6. 可复用的设计模式：

  7. 元数据：穷举触发、量化价值
  8. 结构：三层日志、协议化
  9. 内容：快速开始、渐进披露

  10. 进化：学习日志、自动提升

  11. 领域适配：

  12. 通用 Skill：广泛触发
  13. 专业 Skill：深度知识
  14. 工具 Skill：命令封装

下一步

  • 📖 阅读第 4 章：学习质量评估
  • 💻 实践：应用案例中的模式
  • 🔍 参考：ClawHub 查看更多案例

第 3 章完
下一章：第 4 章：Skill 质量评估体系