✨ 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

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。

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。

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。

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。

动态

2026/08/06 — 我们很高兴宣布 LongHorizon-Harness 正式开源！它帮助 Agent 在桌面应用和命令行中持续完成复杂的长程计算机操作任务，并通过持久化状态和可验证进展保持任务连续推进。欢迎大家关注项目、点亮 Star，并参与交流。
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 与 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 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 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！加入群聊和我们交流。
2026/04/14 — 初步接入 Hermes，并完成第一轮 README 改版。
2026/04/12 — 正在与 Deer-Flow 讨论跨框架技能共享。
2026/04/11 — SkillClaw 在 Hugging Face Daily Papers 上获得当日第 2 名！
2026/04/10 — SkillClaw 正式开源！代码已发布在 GitHub。

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：

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。
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。

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。
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

从本仓库安装 SkillClaw。如果你已经有源码，跳过 git clone。

macOS / Linux：

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）：

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]"

生成本地配置。

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。

如果你使用 Atlas Cloud 作为上游 OpenAI 兼容 provider，可以选择 atlascloud，保留默认 API base https://api.atlascloud.ai/v1，并在提示时输入你的 Atlas Cloud API key。该预设默认走 chat-compatible 转发，因此 Codex 客户端也可以通过 SkillClaw 的 Responses-to-chat 桥接使用。

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

启动 Client Proxy 并检查健康状态。

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。

Hermes 接入

如果你本来就在用 Hermes，用户侧的接入路径是：

先安装 Hermes。
运行 skillclaw setup，在 CLI agent to configure 里选择 hermes。
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。
启动 SkillClaw。启动时，SkillClaw 会自动改写 ~/.hermes/config.yaml，把 Hermes 指到本地代理。
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。
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：

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：

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：

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：

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。

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：

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：

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）：

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：

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/<name>/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：

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：

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:<port>/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

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（复制为 .env 使用）
查看 / 修改配置：skillclaw config show ｜ skillclaw config <key> <value>
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 - Just talk to your agent — it learns and evolves
WildClawBench - Can an AI agent do real work, end-to-end, without hand-holding
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：

@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。

Navigation Menu

Uh oh!

✨ 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。

SkillClaw 给一个 Hermes 用户带来了什么

多个 Agent？统一技能库。

多台设备？技能跟着你走，不跟机器走。

技能群体进化

动态

项目概览

部署模型

用户指南

前置要求

路径 A：先在单机上把用户侧跑通

Hermes 接入

路径 B：加入一个已有的共享群组

可选：把某个客户端打开成后台验证节点

服务器指南

单用户本地闭环：在同一台机器上运行一个 Evolver

群组共享部署：在本地或远程服务器上运行一个 Evolver

快速参考

致谢

共建

引用

许可证

Uh oh!

FilesExpand file tree

README_ZH.md

Latest commit

History

README_ZH.md

File metadata and controls

✨ 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。

SkillClaw 给一个 Hermes 用户带来了什么

多个 Agent？统一技能库。

多台设备？技能跟着你走，不跟机器走。

技能群体进化

动态

项目概览

部署模型

用户指南

前置要求

路径 A：先在单机上把用户侧跑通

Hermes 接入

路径 B：加入一个已有的共享群组

可选：把某个客户端打开成后台验证节点

服务器指南

单用户本地闭环：在同一台机器上运行一个 Evolver

群组共享部署：在本地或远程服务器上运行一个 Evolver

快速参考

致谢

共建

引用

许可证

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。