SkillClaw 实战：用 Agentic Evolver 让 LLM 智能体技能集体进化-育师

1. 从单机技能到集体进化：SkillClaw 与 Agentic Evolver 到底解决什么问题

如果你正在做多智能体协作，大概率遇到过这个场景：三个 Agent 分别负责检索、写作、代码执行，每个都装了一堆技能（Skill），跑起来却各干各的。A 用户踩过的参数格式坑，B 用户下周还会再踩一遍；某个 Agent 在会话里试出来的稳定调用流程，会话一结束就烟消云散。技能装完就静态不变，经验无法沉淀，这就是 SkillClaw 想解决的核心痛点。

SkillClaw 是一个面向多用户 LLM 智能体生态的技能集体进化框架，配套的 Agentic Evolver（智能进化器）负责把分散的交互轨迹变成可复用的技能更新。简单说，它做三件事：聚合多用户交互轨迹、由进化器分析成败模式并优化或新增技能、验证后同步给全系统。整个过程自动闭环，用户无感知。

它适合谁？一是正在搭多智能体协作平台的团队，二是维护技能库但苦于人工更新的开发者，三是想让 Agent 在真实任务中持续变强的工程同学。我实测下来，它的价值不在于单次任务提效，而在于把「个体踩坑」变成「群体能力」。

这篇会给出可复制的技能注册与进化触发配置，并演示一轮技能集体进化的验证动作。前置只需要一个可用的模型接入点，下面用 TaoToken 作为统一入口来串起整条链路。

2. TaoToken 前置准备：给 Agentic Evolver 一个稳定的模型接入点

SkillClaw 的进化器本身是个 LLM 智能体，它要读轨迹、做开放推理、直接编辑技能定义，所以对模型的稳定性和调用一致性要求比较高。多用户场景下，如果每个 Agent 各接各的模型，轨迹格式和推理风格会散掉，进化器很难归纳出通用模式。我的做法是统一走一个接入层，这里用 TaoToken。

TaoToken 提供兼容主流协议的统一 API，官网是 https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= ，API 端点是 https://taotoken.net/api 。它的作用是让你用同一套 Base URL 和 Key，去调用不同模型，省得在 SkillClaw 配置里到处改地址。

你需要准备三样东西，这也是后面所有配置的基础：

第一是 API Key。登录后进控制台创建，地址是 https://taotoken.net/console?utm_source=taotoken_aicg_blog_end&utm_content=console&utm_campaign=rewrite ，创建完记得复制保存，页面关了就看不到了。Key 的管理页在 https://taotoken.net/api-keys?utm_source=taotoken_aicg_blog_end&utm_content=api-keys&utm_campaign=rewrite 。

第二是 Base URL，统一填 https://taotoken.net/api ，注意不要带末尾斜杠，也不要加 UTM 参数，配置里写干净地址就行。

第三是 Model ID。进化器建议用推理能力强的模型，比如 Qwen3-Max 这类；执行类 Agent 可以用更轻的模型。Model ID 具体填什么，去模型对话页确认一下当前可用的名称，地址是 https://taotoken.net/models?utm_source=taotoken_aicg_blog_end&utm_content=models&utm_campaign=rewrite 。

注意：Base URL、Key、Model ID 这三件套要成套出现，缺一个都会在调用时报错。后面配置里我会反复强调这一点。

如果你打算长期跑进化任务，比如夜间验证候选技能，可以考虑 Coding Plan，它更适合持续性的编码与 Agent 工作负载，入口在 https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_content=coding-plan&utm_campaign=rewrite 。接入文档在 https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_content=doc&utm_campaign=rewrite ，遇到协议细节可以对照查。

3. 可复制配置：技能注册与进化触发怎么写

这一节是重点，直接给能跑的配置。SkillClaw 的配置分两块：技能注册（告诉系统有哪些技能、归属哪个 Agent）和进化触发（告诉 Agentic Evolver 什么时候、基于什么数据去进化）。

先看技能注册。下面是一个 JSON 片段，路径按 SkillClaw 约定放在config/skills/registry.json。注意 Base URL、Key、Model ID 三件套在model段里成套出现：

{ "skills": [ { "skill_id": "web_retrieval_v2", "name": "网页检索与摘要", "owner_agent": "retriever", "version": "2.1.0", "entry": "skills/retrieval/main.py", "model": { "base_url": "https://taotoken.net/api", "api_key": "${TAOTOKEN_API_KEY}", "model_id": "qwen3-max" }, "tags": ["retrieval", "summarize"], "evolvable": true }, { "skill_id": "doc_writer_v1", "name": "技术文档生成", "owner_agent": "writer", "version": "1.4.2", "entry": "skills/writer/main.py", "model": { "base_url": "https://taotoken.net/api", "api_key": "${TAOTOKEN_API_KEY}", "model_id": "qwen3-max" }, "tags": ["writing", "markdown"], "evolvable": true } ] }

关键字段说明：evolvable为 true 的技能才会被进化器纳入候选池；owner_agent决定轨迹按哪个 Agent 分组；version是进化器判断是否需要更新的依据之一。

再看进化触发配置，放在config/evolver/trigger.toml：

[evolver] enabled = true schedule = "0 2 * * *" # 每天凌晨2点跑一轮 min_trajectories = 50 # 至少积累50条轨迹才触发 success_threshold = 0.6 # 成功率低于此值的技能优先进化 [evolver.model] base_url = "https://taotoken.net/api" api_key = "${TAOTOKEN_API_KEY}" model_id = "qwen3-max" [evolver.validation] sandbox = true # 候选技能先在沙箱验证 promote_on_pass = true # 验证通过才同步全用户 rollback_on_regression = true # 出现退化自动回滚 [trajectory] collect_interval = 300 # 每5分钟采集一次会话轨迹 group_by = "skill_id" # 按技能分组

这里schedule用 cron 表达式，min_trajectories是防止样本太少导致进化器过拟合。validation段对应论文里说的「夜间在真实环境验证候选技能，只上线有效更新」，这是保证系统不退化的关键。

如果你用的是 Claude Code 这类工具做技能编辑，配置里同样要写全三件套。比如在~/.claude/settings.json里：

{ "env": { "ANTHROPIC_BASE_URL": "https://taotoken.net/api", "ANTHROPIC_API_KEY": "${TAOTOKEN_API_KEY}", "ANTHROPIC_MODEL": "qwen3-max" } }

Cline 的 MCP 配置同理，Base URL 填https://taotoken.net/api，Key 用环境变量注入，Model ID 按实际可用名称填。Codex 的auth.json也是这三件套，格式略有差异但字段含义一致。

提示：所有配置里的 Key 都建议用环境变量${TAOTOKEN_API_KEY}注入，不要硬编码进文件，避免提交到仓库泄露。

4. 验证一轮技能集体进化：从轨迹到同步的完整动作

配置写完，怎么确认进化真的发生了？这一节演示一轮完整验证。假设你已经跑了一段时间，积累了一批轨迹。

第一步，确认轨迹采集正常。执行：

python -m skillclaw.trajectory stats --group-by skill_id

预期输出类似：

skill_id trajectories success_rate web_retrieval_v2 128 0.54 doc_writer_v1 96 0.71

web_retrieval_v2成功率 0.54，低于success_threshold0.6，会被进化器优先处理。

第二步，手动触发一轮进化（不等定时任务）：

python -m skillclaw.evolver run --skill web_retrieval_v2 --dry-run

--dry-run表示只生成候选技能不实际同步。输出会列出进化器识别到的失败模式，比如「参数格式错误占比 38%」「工具调用不匹配占比 22%」，以及它建议的技能修改点。

第三步，去掉--dry-run正式跑，观察验证环节：

python -m skillclaw.evolver run --skill web_retrieval_v2

日志里会看到sandbox validation started、candidate passed、syncing to all users三个阶段。验证通过后，技能版本号会从 2.1.0 升到 2.2.0。

第四步，验证同步结果。再跑一次 stats：

python -m skillclaw.trajectory stats --group-by skill_id

如果web_retrieval_v2的成功率在后续新轨迹里回升到 0.6 以上，说明这轮集体进化生效了。注意，成功率回升需要新轨迹积累，不是立刻见效，通常要等下一批会话数据。

整个链路里，模型调用都走https://taotoken.net/api，进化器的推理、候选技能的生成、沙箱验证时的行为模拟，全部依赖这个接入点。如果中途换模型，记得同步更新trigger.toml和registry.json里的 Model ID。

5. 常见报错排查：401、local proxy failed、reading choices、OAuth

跑 SkillClaw 的过程中，报错基本集中在模型接入和配置一致性上。下面按真实报错对照排查。

401 Unauthorized。最常见的原因是 Key 没注入成功，或者 Base URL 写错了。检查两点：一是环境变量TAOTOKEN_API_KEY是否在当前 shell 生效，用echo $TAOTOKEN_API_KEY确认；二是 Base URL 必须是https://taotoken.net/api，不要带多余路径或参数。如果 Key 是在控制台刚创建的，确认复制完整，没有首尾空格。

local proxy failed。这个报错通常出现在你本地配了转发规则但目标地址不可达。SkillClaw 场景下，检查trigger.toml里的base_url是否被误改成了本地地址。正确做法是直连https://taotoken.net/api，不要经过任何本地中间层。另外确认网络能正常访问该域名。

reading choices 相关报错。这类错误一般是响应格式不符合预期，根源往往是 Model ID 填错，或者用了不支持当前协议端点的模型名。去模型对话页确认 Model ID 的准确拼写，然后同步更新所有配置文件里的model_id字段。三件套里任何一个不一致都会导致解析失败。

OAuth 报错。如果你在 Claude Code 或类似工具里看到 OAuth 相关提示，说明工具在尝试走它默认的登录流程，而不是用你配置的 Key。解决办法是在 settings 里显式写全ANTHROPIC_BASE_URL、ANTHROPIC_API_KEY、ANTHROPIC_MODEL三件套，覆盖默认行为。配置路径参考第 3 节的~/.claude/settings.json。

进化器跑完但技能没更新。先看min_trajectories是否满足，样本不够不会触发。再看技能的evolvable是否为 true。最后看沙箱验证是否通过，如果候选技能在验证环节被判定为退化，会被自动拦截，日志里会有candidate rejected记录。

注意：排查时优先确认三件套（Base URL + Key + Model ID）在每一处配置里都成套且一致，八成问题出在这里。

6. 把技能进化接进你的多智能体工作流

SkillClaw 的集体进化闭环，本质是把「用户交互」当成持续的训练信号。你不需要标注数据，也不需要人工整理技能，只要保证轨迹采集正常、进化器能稳定调用模型、验证环节不放过退化更新，系统就会自己往前走。

落地时有几个实用技巧。一是把success_threshold设得别太低，0.6 左右比较稳，太低会让进化器频繁改动技能，反而引入噪声。二是沙箱验证一定要开，rollback_on_regression也建议开，这是防止系统退化的底线。三是多用户场景下，轨迹按skill_id分组比按用户分组更有效，因为进化器要归纳的是技能层面的通用模式，不是个人偏好。

如果你还在单机阶段，可以先从一个技能、一个 Agent 跑通闭环，再逐步扩展到多智能体。模型接入统一走 https://taotoken.net/api ，Key 在 https://taotoken.net/api-keys?utm_source=taotoken_aicg_blog_end&utm_content=api-keys&utm_campaign=rewrite 管理，需要长期跑进化任务就上 Coding Plan。接入细节对照文档 https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_content=doc&utm_campaign=rewrite ，模型可用性去模型对话页确认。

最后一步，把定时任务挂上，让进化器在你睡觉的时候干活。第二天看 stats，成功率回升的那一刻，你就知道集体进化真的跑起来了。