从单体智能走向群体智能 · SkillClaw 胶片全集

1 11:02:46

开场封面：从单体智能走向群体智能

本页为 SkillClaw 团队分享的封面，主题是从单智能体走向群体智能，让 Agent 通过 Skill 层实现协同进化。副标题强调「Let Skills Evolve Collectively with an Agentic Evolver」，定位是让经验在群体里、在 Skill 层持续演进。画面右侧的卡通红蚂蚁吉祥物象征勤劳协作的 Agent 群体。

2 11:03:20

群体 / Cowork Agent 现状与演进路径

幻灯片梳理了 Agent 生态从 2025 到 2026 及以后的四阶段演进：个体能力（SKILL.MD 封装）、自进化（OpenClaw、Hermes）、群体协作（Multica、Raft 看板式分工）到生态协同（Claude Tag 频道式记忆共享）。核心叙事是从「共享助手」走向「Agent 协作伙伴」，为后续 SkillClaw 的群体进化方案铺垫背景。

3 11:05:05

经验「沉淀」与「共享」之困（THE GAP）

姬煜翔指出当前 Agent 生态的两个结构性痛点：一是经验难沉淀——写代码、排障、文档中产生的高价值经验停留在聊天记录、本地记忆或个人脑中，无法转化为可复用 Skill；二是经验难共享——即使个人沉淀了 Skill 文件，缺少 Registry 意味着没有版本、审核、分发、回滚与发现机制，团队成员无法复用。这正是 SkillClaw 要填补的鸿沟。

4 11:05:39

如何让经验在群体里获得复利？

「共享了 Agent，能力却没有一起变强」——多个用户、多台设备反复踩同一个坑：参数格式不对、路径不存在、Git 鉴权失败、工具调用错配。SkillClaw 的解法是在 Skill 层复用 Agent 反馈中的经验，将个体 Session 中的行为模式提取、沉淀为 Skill A/B/C/D，让整个群体复用，经验在组织层面积累复利。

5 11:06:20

Skill：承载经验的载体

本页给出 Skill 的四个关键特性：将「怎么把事做好」写成可复用 SOP、能在真实环境验证效用、一处沉淀同步给所有 Agent 和人、独立于模型权重之外承载行为方法。底部指出 ClawHub、SkillHub 等开源平台虽已涌现，但形式仍为「静态」，无法通过 Agent 交互自身进化——这正是 SkillClaw 要解决的问题。

6 11:07:25

面向群体的 Skill 进化：三阶段框架

SkillClaw 面向群体的 Skill 进化遵循固定三阶段：聚合——跨 Session、跨用户、跨时间的多源行为数据汇聚；归因进化——挖掘 Evidence、识别成败归因、生成/优化 Skill 形成可复用范式；验证治理——上线前进行安全性与有效性评估，通过验证后进入后续治理流程。三阶段构成 SkillClaw 方法论的核心骨架。

7 11:08:35

SkillClaw 的定位：四象限分析

以「经验范围」（任务内 vs 跨任务长期沉淀）和「共享形态」（上下文/记忆共享程度）为两轴，现有方案多落在 Multi-Agent 编排（Claude Code subagents）、共享记忆（Claude Tags）或单体 Agent（OpenClaw、Hermes）三个象限。右下「Skill 群体进化」几乎无人系统性做——这正是 SkillClaw 的切入点，将多 Agent 轨迹长期沉淀为可复用、可演化的 Skill。

8 11:09:55

SkillClaw 架构总览

全栈架构分三层：Client Proxy 负责 API 接入、Skill 注入与轨迹录制（turn、工具调用、错误、Skill 命中等）；共享存储汇聚所有 Agent 群体 Session 与进化后的 Skill 历史；进化服务执行 Summarize → Aggregate → Evolve → Verify → Publish 流水线，Agentic Evolver 判断复用/改进/新建 Skill。底部闭环为「会话收集 → 验证发布 → 持续复用」。

9 11:10:43

进化信号来源

SkillClaw 的设计起点是：不只看最终答案，过程中的每个反馈点都是 Skill 进化的监督信号。人类反馈（纠正、编辑、确认、拒绝）构成语义级 Good/Bad 信号；环境反馈（工具返回错误、权限不足、路径异常）驱动重试/重规划/补丁修复。跨 Session 按 Skill 聚合对比，形成天然 ablation：成功轨迹强化模式，失败轨迹暴露缺陷。

10 11:12:12

Skill 进化管线：静态 Pipeline vs Agentic Evolver

SkillClaw 提供两条进化路径：静态 Pipeline（Summarize → Aggregate → Execute → Publish）适合结构化、稳定的早期冷启动；Agentic Evolver 让 Harness 内 Agent 自主诊断、决策（Refine/Create/Skip）、编辑 SKILL 文件，应对 Skill 需重构、合并或边界条件复杂的场景。成功 Session 沉淀有效行为模式，失败 Session 提炼待修正问题模式。

11 11:13:06

Skill 进化后如何管理

目标是把 Skill 从个人经验文件变成可分发、复用、治理的 AI 资产。生命周期为 draft → review → online → offline，治理维度涵盖版本、标签、状态、审计 Trace 与元数据。验证闭环分两层：进化端 Critic Agent 在模拟环境自动校验，用户端在真实场景闲时分发重放——从模拟到真实构成完整检验链。

12 11:14:20

Client Proxy：低侵入接入

工程落地采用 Client Proxy 低侵入方案：用户照常与 Codex、Claude Code、Hermes、OpenClaw 对话，只需把 API endpoint 指向本地 proxy，上游模型调用逻辑不变。后台 Server 自动记录 session artifacts、管理本地 Skill 库、注入与同步 Skill。兼容多种 Agent Harness，不改使用习惯即可接入群体进化闭环。

13 11:15:03

跨用户 / 设备，分布式管理

接入 SkillClaw Proxy 的 Agent 通过共享存储层交互，同一 Group Namespace 下保存两类数据：sessions/（轨迹、artifacts、反馈）和 skills/（Skill 数据、版本管理、候选）。支持对不同 Agent 群组分组隔离，后端可选 local、阿里云 OSS 或 AWS S3。多用户、多设备、验证 worker 均可通过 local proxy 接入同一存储层。

14 11:15:32

团队级 Skill 治理：与 Nacos 合作落地

SkillClaw 与 Nacos 合作，把 Skill 当作 AI 资产纳入统一注册中心。Shared Storage 提供存储能力，Nacos Registry 提供团队级治理（版本、标签、状态、审核、审计 Trace、元数据）。完整生命周期为 candidate → draft → review → online → latest，每步有版本记录与审计日志，支持回滚。工业级治理带来更可控、可扩展的 Skill 群体进化能力。

15 11:16:31

WildClawBench 实验结果

在 WildClawBench（60 个真实世界 Agent 任务）上，多轮群体进化带来稳定提升：社交互动 54%→60%，搜索检索 23%→35%，创意合成 12%→22%，安全对齐 24%→32%。环境反馈获得的监督信号能在真实任务中持续优化 Skill。过程类经验（工具调用、环境适配、错误恢复）更易沉淀，纯推理类任务收益相对较小。

16 11:16:59

总结与展望：迈向可规模化的 Agent Skill 生态

总结三点核心价值：Skill 是群体智慧的沉淀，将一次性交互结果转化为可复用、可验证、可分发的能力资产；SkillClaw 构建聚合→归因→进化→验证→治理的进化闭环；从个体交互走向群体交互，Agent 在群体中共享并迭代行为模式。展望更大规模真实交互、更长期持续演化、更可靠的 Skill 治理（验证、版本、分布式训练、隐私保护）。