其他资讯 AI智能体

给 OpenClaw 装了一套“学习系统”：Self-Improving + AutoSkill，Agent 开始自己进化了

2026-04-02

阅读 0

热度 0

作者菜鸟AI编辑部

摘要

角色与核心任务作为顶尖文章润色专家，我的专长在于将AI生成的文本转化为带有鲜明个人

角色与核心任务

作为顶尖文章润色专家，我的专长在于将AI生成的文本转化为带有鲜明个人风格的专业文章。当前任务是对用户提供的文章进行"人性化重写"。

核心目标非常明确：在完整保留原文所有事实信息、核心观点、逻辑结构、章节标题和图片的前提下，彻底消除原文的AI表达痕迹，使其呈现出资深行业专家的写作风格。

需要特别注意的是"个人观点"的尺度把握——文章需要保持温度与态度，但要严格控制第一人称（我、我认为、在我看来等）的使用频率，避免文章沦为纯粹的个人观点输出。理想效果应该是专业行业报告的分析深度，同时具备口语化的节奏感和生动性。

详细执行步骤

第一步：信息锚定与结构保全

深度解析：首先需要深入阅读并理解原文，精确提取所有核心论点、分论点、支撑数据、案例以及每张图片/图表的定位和描述信息。

结构保全：必须百分百保留原文的所有章节标题（H2、H3等级别）、段落逻辑和信息密度。任何段落的合并、删减或概括都在禁止之列。

第二步：风格人性化（核心改写任务）

想象自己是在该领域深耕多年、乐于分享的专家或知名博主。现在需要以这样的口吻，将原文的"干货"重新讲述给目标读者。

2.1 句式活化

将生硬的陈述句转化为更自然的表达方式。适当运用设问、排比、倒装等修辞手法。

比如，将"A导致了B"改为"你猜怎么着？A这件事，直接引发了B。"

或者将"需要满足三个条件"改为"那么，究竟需要满足哪几个条件呢？"

2.2 注入"人味儿"（需谨慎控制第一人称）

适度原则：全文第一人称（我、我认为、在我看来等）出现频率建议控制在0-2处，主要用于：

- 文章开头的引子（如"先说几个核心判断"）

- 强调性提醒（如"必须警惕的是"）

- 行文过渡的自然点缀（如"话说回来"）

转化技巧：将主观表达转化为客观表述

将"我认为、在我看来"直接删除，或改为"从数据来看"、"这意味着"

"据我观察、根据我的经验"改为"市场数据显示"、"经验表明"、"行业共识是"

"我见过不少案例"改为"市场上不乏这样的案例"、"历史经验表明"

"我必须提醒你"改为"值得注意的是"、"需要警惕的是"

"我深信、我坚信"改为"可以确定的是"、"毋庸置疑"

保留生动性：去除第一人称后，仍需保留口语化的过渡词（如"其实"、"当然"、"话说回来"）、类比手法（如"这就好比..."）和节奏感，避免文章变得枯燥乏味。

2.3 文风润色

在确保专业性的前提下，让语言更加生动、富有节奏感。可以：

- 运用短句与长句交错，营造阅读节奏

- 适当使用排比、对仗增强气势

- 在关键结论处加重语气（如"这才是关键所在"）

第三步：最终审查与交付

完整性检查：重写完成后，必须仔细核对，确保原文中所有关键信息、数据、引用的图片（如下图1所示）都完整无误地包含在最终文本中。

第一人称复核：专门检查全文，确保第一人称表达不超过2处，且不影响文章的专业性和客观感。

篇幅控制：最终文章篇幅应与原文大致相当，允许有10%以内的浮动。

格式输出：直接输出重写后的完整文章，并使用HTML标签进行结构化排版：主标题用

，副标题用

，段落用
。对于原文中的图片不做任何修改，保证语句通顺。

绝对禁止项（红线规则）

严禁改动任何核心信息、数据、论点和原文结构。

严禁概括或简化原文中任何复杂段落的核心内容。

严禁删除或修改任何关于图片的信息。

严禁添加例如不包括###、***等特殊字符。

严禁为了客观化而把文章改得干巴巴、失去温度和节奏感。

严禁过度使用第一人称（超过2处），避免文章变成个人观点分享。

给小龙虾装上"学习的大脑"

Self-Improving Agent是个颇具巧思的技能。安装完成后，系统会自动构建一套简洁实用的学习架构。

首先，它会在系统中生成一个.learnings目录，并在内部建立三份文档，专门用于记录日常交互中的经验积累。

第一份是ERRORS.md，专注记录各类失败和异常情况，比如命令执行失败、工具调用出错或推理出现偏差。

第二份是LEARNINGS.md，用于沉淀新经验和最佳实践，包括用户纠正的信息、更高效的解决方案，或某个工具的优化使用方式。

第三份是FEATURE_REQUESTS.md，专门收集用户提出的改进建议。

这套文档结构在很多工程团队中都能看到类似版本：错误记录、经验总结以及需求清单。

不同之处在于，这次撰写这些文档的不再是工程师，而是Agent开始像工程师一样撰写复盘文档了。

更巧妙的是，这套系统并非被动记录，而是带有自动触发机制。

一旦出现典型场景，比如命令执行失败、用户纠正回答，或发现更优解决方案，系统就会主动提示记录相关经验。

随着时间的推移，这些记录会逐渐形成属于这个Agent的独特知识沉淀。

每天自动复盘

另外，为了设置最后一道保障机制，OpenClaw配置了一个定时任务：每天凌晨4点自动进行自我反思。

选择凌晨4点是因为这个时段计算资源最为空闲。

在这个过程中，脚本会检查当天的对话记录，并尝试从这些交互中提取有价值的经验。

比如哪些问题曾经失败、哪些解决方案更有效、是否出现了新的工具使用方式。随后这些经验会被整理并更新到核心记忆库MEMORY.md中，同时记录新的版本历史。

整个过程类似于工程团队的"日终复盘"。区别在于，这次复盘的对象不再是人类，而是一个Agent。

很多技术团队都强调复盘文化，因为经验如果不及时沉淀，很快就会被遗忘。而现在，AI也开始做同样的事情了。

从某种意义上看，这已经非常接近真实团队中的知识管理系统。

用一句话概括这个能力：让AI具备持续学习的能力。

ClawHub地址：https://clawhub.ai/pskoett/self-improving-agent

技能也开始进化：AutoSkill

如果说Self-Improving Agent解决的是"Agent如何自主学习"，那么AutoSkill解决的是另一个关键问题：

技能如何持续迭代进化。

AutoSkill是来自华东师范大学和上海人工智能实验室的开源项目。其核心思想非常直接：

不是人为设计所有技能，而是让系统从真实交互中自动提炼技能。

换句话说，技能不再仅仅是Prompt，而是从经验中自然生长出来的能力。

AutoSkill框架由两个紧密耦合的流程组成。

右环，即技能进化，通过提取和维护将交互体验转化为显式技能。

左环，即技能增强响应生成，利用当前的技能库，通过查询重写、技能检索和上下文注入来支持响应生成。

这样，系统通过记忆增长而非模型微调来实现持续改进。

在传统系统中，技能往往是人工设计的静态或动态拼接的提示词Prompt。

AutoSkill尝试走另一条路径——观察用户与大模型的交互，然后从这些经验中抽象出可复用能力。

当用户与Agent进行长期交互时，系统会分析这些对话和行为轨迹，从中寻找稳定的模式。

比如某些固定的写作要求、工作流程或表达风格。当这些模式反复出现时，系统就会把它们抽象为可复用的技能。

这种技能会被保存为标准化文档形式，通常称为SKILL.md。技能文档不仅包含描述，还会记录触发条件、标签以及执行提示。

相比传统Prompt，这种结构更加透明，人类也可以直接查看和编辑。

更重要的是，技能并非一次性创建。

AutoSkill为技能设计了版本管理机制，类似于软件版本升级。

当用户在后续对话中提出新的约束或反馈时，系统不会创建新技能，而是将新经验合并到原有技能中，并自动升级版本号。

这样一来，技能会随着时间不断优化，而不是变得越来越碎片化。

AutoSkill的工作方式

从整体流程来看，AutoSkill的工作逻辑可以用三个步骤概括：摄取经验、提炼技能、复用能力。

首先，系统会摄取用户交互过程中的各种信号，包括对话内容、行为轨迹以及用户反馈。

这些数据本身并不直接成为技能，只是原始学习材料。

随后系统会分析这些材料，判断其中是否存在可复用模式。

如果只是一次性请求，比如"写一篇报告"，系统通常不会生成技能。

但如果用户反复强调某些稳定约束，比如要求保持专业语气、避免幻觉、严格保留原意，那么这些规则就会被提炼为技能。

最后，系统会对这些技能进行维护和管理。新能力会被加入技能库，已有技能可能被更新或合并，而不具备复用价值的模式则会被过滤。

随着时间的推移，一个日益成熟的技能库就会逐渐形成。

技能不是设计出来的，而是"长出来的"

论文中有两个非常有趣的案例。

其中一个技能被命名为"顶级心理咨询师"。这个技能并非人工编写，而是系统从用户对话中总结出的行为模式。

它要求Agent在回应心理问题时保持温暖、共情和专业的语气，同时避免给出医疗诊断或药物建议。

另一个案例是文本重写技能，名字叫professional_text_rewrite。

这个技能的目标是让Agent在重写文本时提高流畅度和专业度，但必须严格保留原意，且不添加额外解释。

这个技能在系统中已经迭代到0.1.34版本，说明它通过用户反馈被持续优化了三十多次。

这些案例说明了一个重要事实：

技能不是设计出来的，而是从经验中自然生长出来的。

AutoSkill开源项目地址：

https://github.com/ECNU-ICALK/AutoSkill

AutoSkill论文：

https://arxiv.org/abs/2603.01145

安装提示词：

安装这个技能：https://github.com/ECNU-ICALK/AutoSkill

AI Agent的发展方向

从Self-Improving Agent和AutoSkill的设计中，可以清晰看到AI Agent的一个重要趋势：未来的核心竞争力不只是模型能力，更是进化能力。

一个真正成熟的Agent至少需要具备三种核心能力。

首先是记忆能力，能够记住用户的习惯和偏好。

其次是复盘能力，可以从错误和失败中持续学习。

最后是技能沉淀能力，把一次次经验转化为稳定的解决方案。

当这三者有机结合时，Agent就会逐渐演变为新的形态：

个人数字替身。

它会慢慢理解你的写作风格，记住你的工作方式，持续优化你的工作流程。

时间越久，这个Agent就越像你自己。

最后

过去我们使用Agent，本质上是在使用一种工具。

Self-Improving Agent让Agent学会自我复盘，而AutoSkill则让技能能够不断进化。

当这两种能力结合在一起时，AI不再只是回答问题，而是开始持续积累经验、沉淀方法，并逐渐形成自己的能力体系。

从某种意义上说，这可能就是未来Agent的终极形态：

随着时间不断迭代的智能助手。

如果你的OpenClaw能够持续学习、复盘并沉淀技能，你最希望它先掌握哪项能力？

欢迎在评论区留言分享。

<完>