SkillClaw的“只需对话“是怎么做到的？本地API代理静默记录会话与注入技能揭秘

SkillClaw的"只需对话"是怎么做到的？本地API代理静默记录会话与注入技能揭秘

【免费下载链接】SkillClawLet Skills Evolve Collectively with Agentic Evolver项目地址: https://gitcode.com/gh_mirrors/sk/SkillClaw

SkillClaw 是一个让 AI Agent 技能集体进化的开源项目，核心是一个本地 API 代理：它静静站在你的 Agent 与大模型 API 之间，一边静默记录会话轨迹，一边把不断进化的技能"注入"回对话，全程无需你写任何一行代码。

一句话概括：Agent 照常聊天，SkillClaw 后台干活。

为什么"只需对话"不是魔法

SkillClaw 的 slogan 是 "Just talk"——你只管正常和 Agent 对话，技能进化在后台静默发生。这背后其实是两条简单的管道：

1. 会话记录管道：代理拦截每一次 LLM 请求，把对话轮次（用户消息、模型回复、工具调用、工具结果）逐条存下来；
2. 技能注入管道：代理在把请求转发给真实模型前，先在系统提示词里"塞进"一份技能目录，让模型按需取用。

这两条管道都跑在同一个进程里，也就是 SkillClaw 的Client Proxy。

本地API代理：一个"透明人"中间件

SkillClaw 启动后会监听一个本地端口（默认30000），对外提供两个端点：/v1/chat/completions（OpenAI 风格）和/v1/messages（Anthropic 风格）。把 Agent 的 API 地址指向它，它就成了 Agent 与云端模型之间的"必经之路"。

它做的事情很克制，源码里对自身的定位只有一句话：

"Intercepts LLM requests from Claw agents, injects skills into system prompts, forwards to a real LLM API"

（拦截 Agent 的 LLM 请求，向系统提示词注入技能，然后转发给真正的 LLM API。）

核心逻辑全部在 skillclaw/api_server.py 中，一次请求的处理流程是：

整个过程对 Agent 来说完全透明——请求格式不变、响应格式不变，甚至流式输出都做了兼容。这也是为什么它能"广兼容" Hermes、Codex、Claude Code、OpenClaw 等几乎所有走 OpenAI 兼容 API 的 Agent。

静默记录：会话轨迹是怎么被"攒"起来的

每次请求进来，代理都会把这一轮的关键信息归档：

• 用户指令与模型回复文本
• 工具调用（tool_calls）与工具返回结果
• 本回合注入了哪些技能（injected_skills）
• 可选的 PRM 打分（用另一个小模型给回答质量打分）

这些轮次数据存在内存中的会话表里。什么时候上传？两个触发点：

1. 会话显式结束：Agent 通过X-Session-Done请求头或请求体里的session_done字段告知"这轮聊完了"（见 api_server.py#L202-L207）；
2. 达到上传间隔：配置sharing_session_upload_interval后，每 N 个用户轮次就快照上传一次（api_server.py#L3103-L3113）。

上传的目的地是共享存储，路径约定为{group_id}/sessions/{session_id}.json（api_server.py#L3050-L3092）。会话数据与技能数据走不同的云端路径，互不干扰。

💡 关键设计：即使你没配置任何共享存储，客户端代理也能独立运行——它照样做技能注入和本地记录，只是不上传而已。

技能注入：往系统提示词里"夹带"技能目录

如果说记录是"输入"，那注入就是"输出"。代理在转发每个main轮次请求前，会调用_inject_skills（api_server.py#L3229-L3272）：

1. 从本地技能库（SKILL.md文件）刷新技能清单；
2. 生成一份 XML 风格的<available_skills>目录，每个技能包含名称、描述、存放位置；
3. 把目录追加到第一条 system 消息末尾（没有 system 消息就新建一条）。

这里有个很巧妙的**懒加载（lazy loading）**设计：注入的只是"技能菜单"，而不是技能全文。模型被告知——"相关时，最多read一份 SKILL.md"。这样既不撑爆上下文（超长了还会自动降级为精简版目录，见 skill_manager.py#L678-L697），又保证模型需要时才花 token 去读细节。

技能库本身由 skillclaw/skill_manager.py 管理，支持本地目录（~/.skillclaw/skills）和团队共享两种来源；团队协作时，skillclaw/skill_hub.py 负责从共享存储拉取最新技能。

幕后推手：Evolve Server 让技能自己"长大"

记录的技能会话谁来消化？这是可选组件Evolve Server的活（evolve_server/）。它定时扫描共享存储里的会话文件，跑一条"进化流水线"：

• workflow 引擎：固定的三阶段 LLM 流水线 —— Summarize（总结会话）→ Aggregate（聚合相似经验）→ Execute（改写/新建技能），实现在 evolve_server/pipeline/；
• agent 引擎：由 OpenClaw 驱动的 Agent 直接编辑技能文件，更接近"让 Agent 自己复盘"。

进化后的技能写回共享技能库（{group_id}/skills/<name>/SKILL.md），客户端在空闲时自动拉取——于是你昨天踩的坑，今天全组人都不会再踩。单用户单机跑一个 Evolve Server，也能构成"会话捕获 → 技能进化 → 本地复用"的最小闭环。

快速上手：三步跑通"只需对话"

# 1. 克隆并安装（macOS / Linux） git clone https://gitcode.com/gh_mirrors/sk/SkillClaw cd SkillClaw && bash scripts/install_skillclaw.sh source .venv/bin/activate # 2. 交互式配置向导（选择模型、技能目录、是否共享） skillclaw setup # 3. 启动本地代理并体检 skillclaw start --daemon skillclaw status curl http://127.0.0.1:30000/healthz # 应返回 {"ok": true}

随后把 Agent 的 API 地址指向本地代理（比如 Hermes 场景下，skillclaw setup选hermes会自动改写其配置文件），然后……就没有然后了，正常聊天即可。想回滚集成时执行skillclaw restore hermes一键恢复。

小结：透明代理 + 懒加载注入 + 后台进化

SkillClaw 的"只需对话"本质上是工程上的三个优雅取舍：

它不改变你的使用方式，只是悄悄重写了 Agent 的成长曲线——你负责说话，它负责让每次对话都算数。🦀

【免费下载链接】SkillClawLet Skills Evolve Collectively with Agentic Evolver项目地址: https://gitcode.com/gh_mirrors/sk/SkillClaw