La compétence Agent Pattern Mining permet aux AI agents d'étudier des codebases externes d'agents, de CLI ou d'assistants et d'extraire des modèles d'architecture transférables dans des mises à niveau de workflow locales.
Installer & Télécharger
1. ClawHub CLI
Le moyen le plus rapide d'installer une compétence directement depuis le registre.
npx clawhub@latest install agent-pattern-mining
2. Installation manuelle
Copiez le dossier de la compétence dans l'un de ces emplacements
~/.openclaw/skills/ <project>/skills/ Priorité : Espace de travail > Local > Intégré
3. Installation du prompt
Copiez ce prompt dans OpenClaw pour l'installer automatiquement.
Aide-moi à installer agent-pattern-mining via Clawhub. Si Clawhub n'est pas installé, installe-le d'abord (npm i -g clawhub).
Vous préférez télécharger ?
Obtenez les fichiers bruts de la compétence dans une archive ZIP.
Qu'est-ce que Agent Pattern Mining ?
La compétence Agent Pattern Mining fournit une méthodologie structurée permettant à Openclaw Skills d'analyser des frameworks de AI agent matures, des CLI de codage ou des codebases d'assistants (tels que Claude Code, Codex, Gemini CLI ou Cursor). Plutôt que de rassembler de vagues inspirations, cette compétence oriente un agent pour disséquer systématiquement les dépôts externes et transformer les fonctionnalités observées en améliorations techniques locales exploitables.
En tirant parti de cette compétence, les développeurs peuvent mettre à niveau leurs environnements AI locaux via des artefacts concrets. L'agent analyse l'architecture centrale du codebase source — en se concentrant sur les registres de commandes, les systèmes de mémoire, le suivi du contexte et les limites de sécurité — et associe directement ces résultats aux mises à niveau locales équivalentes. Cela garantit que les modèles de conception précieux sont rapidement adoptés sous forme de nouvelles compétences, de règles de workflow optimisées ou de documentation mise à jour.
Cas d'utilisation de Agent Pattern Mining
- Évaluer les expériences utilisateur d'agents avancés, les capacités de planification ou les modèles architecturaux par rapport aux normes de l'industrie.
- Analyser les frameworks de AI agent récemment publiés ou les codebases CLI de développeurs pour en extraire des leçons d'ingénierie transférables.
- Transformer les fonctionnalités observées des outils AI premium en Openclaw Skills locales personnalisées, en mises à niveau de workflow ou en améliorations de configuration.
- Mettre à jour les directives du système local, les system prompts, la documentation opérationnelle (
AGENTS.md,TOOLS.md) ou les enregistrements de mémoire durables avec des modèles éprouvés.
Comment fonctionne Agent Pattern Mining
- Définir la portée de la source : Clarifier les cibles d'évaluation spécifiques (analyse uniquement, création de nouvelles compétences ou implémentation de workflow) et privilégier la lecture ciblée de fichiers plutôt qu'une analyse exhaustive du dépôt.
- Cartographier l'architecture : Inspecter rapidement les points d'entrée, les registres d'outils, le code de mémoire/contexte, la planification des tâches, les structures de permission et les mécanismes d'observabilité tout en ignorant l'infrastructure verrouillée par le fournisseur.
- Construire une matrice de transfert : Évaluer chaque modèle prometteur en capturant sa fonctionnalité source, son avantage pour l'utilisateur, son risque de portabilité, son équivalent le plus proche dans Openclaw Skills et une action locale concrète.
- Classer les résultats : Catégoriser les fonctionnalités en 'Adopter maintenant' (mise à jour immédiate des compétences/documentation), 'Prototyper plus tard' (nécessite des modifications au moment de l'exécution) ou 'Ne pas copier' (verrouillé par le fournisseur ou de faible valeur).
- Appliquer les améliorations : Exécuter systématiquement les mises à jour en créant/améliorant des compétences, en mettant à jour les fichiers de workflow (
AGENTS.md), en modifiant les notes opérationnelles (TOOLS.md) ou en enregistrant les leçons durables dansMEMORY.md. - Rapport concret : Fournir un résumé structuré décrivant les sous-systèmes examinés, les idées les mieux classées, les modifications exécutées localement, les lacunes de mise en œuvre en attente et les chemins de fichiers précis modifiés.
Configuration de Agent Pattern Mining
Pour activer et utiliser la compétence Agent Pattern Mining au sein de votre dépôt, assurez-vous qu'elle est correctement enregistrée dans votre bibliothèque locale Openclaw Skills.
# Navigate to your local workspace skill directory
cd engineering-workspace/.openclaw/skills/
# Create the skill definition directory
mkdir -p agent-pattern-mining
# Clone or move the SKILL.md content into the directory
# Ensure references directory exists for deep analysis files
mkdir -p ../references
Aucune dépendance tierce spécialisée n'est requise, mais votre agent doit disposer d'autorisations de lecture pour les dépôts cibles locaux ou d'un accès aux structures de codebase récupérées.
Schéma de données et taxonomie de Agent Pattern Mining
La compétence Agent Pattern Mining structure son extraction, sa catégorisation et ses mises à jour de données dans des fichiers de workspace spécifiques. Elle évite de polluer les codebases avec des commentaires en migrant l'analyse brute vers le répertoire references/ et en exécutant les modifications via des schemas structurés.
| File / Path | Purpose | Update Strategy |
|---|---|---|
SKILL.md |
Contient les instructions procédurales centrales pour l'exécution de cette compétence de pattern mining. | Statique / Lecture seule |
references/ |
Héberge les décompositions architecturales détaillées, les matrices de texte et les analyses de codebase. | Créé dynamiquement par dépôt étudié |
AGENTS.md |
Contient des instructions d'agent stables au niveau du système et des directives de workflow. | Mis à jour pendant la phase 'Adopter maintenant' |
TOOLS.md |
Contient les notes opérationnelles spécifiques à l'environnement et les règles d'exécution des outils. | Mis à jour pour incorporer les modèles d'outils nouvellement découverts |
MEMORY.md |
Enregistre les leçons durables apprises, les contraintes architecturales et les informations historiques. | Mis à jour pour maintenir une conscience continue du contexte |
Schema de la matrice de transfert
Lorsque les résultats sont cartographiés à partir d'un dépôt source, l'agent construit une matrice logique avec les attributs suivants :
- Fonctionnalité Source : Le mécanisme technique observé dans le codebase analysé.
- Avantage Utilisateur : L'avantage concret que cette fonctionnalité introduit dans l'expérience du développeur.
- Portabilité / Risque : Estimation de la complexité et compatibilité technique avec Openclaw Skills.
- Équivalent Local : Le sous-système cible ou la structure de fichiers correspondante dans le workspace.
- Action Locale Concrète : La modification exacte de programme ou de documentation requise.
Fonctionnalités avancées de Agent Pattern Mining
- Audit ciblé des sous-systèmes : Concentre l'attention de l'agent sur les vecteurs d'ingénierie critiques, notamment la conscience du budget de contexte, les modes de planification explicites, le suivi visible des tâches, les limites de permission et l'orchestration multi-agents.
- Propagation automatisée du workflow : Dicte une hiérarchie stricte des opérations, convertissant automatiquement les informations du code en ajustements progressifs des compétences, des configurations de system prompt, des paramètres d'outils et des structures de mémoire à long terme.
- Exécution de l'auto-mise à niveau : Traduit les commentaires des utilisateurs de haut niveau ou les demandes de configuration abstraites en capacités de workspace locales et persistantes sans nécessiter de mise en œuvre manuelle par le développeur.
- Découplage de l'infrastructure : Utilise des guardrails qui filtrent les dépendances SaaS verrouillées par le fournisseur, le câblage de télémétrie interne ou les protocoles d'entreprise propriétaires, protégeant l'environnement local d'une dette technique inutile.
SKILL.md
Chargement
Compétences Openclaw associées
Issue Writer
Un assistant de rédaction propulsé par IA qui structure et soumet de manière dynamique des tickets GitHub personnalisés à partir de résultats techniques, de revues de code et de rapports de bogues.
Proof Email Generator
Un assistant de rédaction d'e-mails alimenté par IA qui conçoit des e-mails de prospection commerciale B2B personnalisés et basés sur des preuves, adaptés aux rôles spécifiques des destinataires et aux principes d'influence.
Topic Interpreter
Un analyseur de tendances alimenté par IA qui explore, filtre et décode automatiquement les recherches en vogue sur les principales plateformes de médias sociaux chinoises pour fournir des rapports analytiques structurés.
Proof Meeting Prep
Une compétence de préparation aux ventes B2B propulsée par l'IA qui cartographie les rôles des parties prenantes, les objections et les angles de preuve optimaux avant des réunions clients importantes.
Assistant de mémoires Heavy
Un compagnon d'écriture et guide littéraire IA basé sur les mémoires Heavy de Kiese Laymon, se concentrant sur le traumatisme systémique, les dynamiques familiales et la révélation de vérités crues.
Histoire et Compétence de Leadership du Presidents Club
Une compétence de connaissance historique et de leadership basée sur l'IA, inspirée du livre The Presidents Club de Nancy Gibbs et Michael Duffy, conçue pour analyser les relations secrètes, les alliances et les transitions de pouvoir des présidents américains modernes.
Stratégie de Buy Box Amazon
Un framework avancé de stratégie et d'optimisation conçu pour analyser l'éligibilité à la Buy Box Amazon, les prix compétitifs et l'impact du fulfillment afin de maximiser les taux de gain du vendeur.
En vedette*
