一个尖端的多模型辩论引擎，利用协同角色通过对抗性推理来构建、实现和压力测试技术解决方案。
安装与下载
1. ClawHub CLI
从源直接安装技能的最快方式。
npx clawhub@latest install adversarial-engine
2. 手动安装
将技能文件夹复制到以下位置之一
~/.openclaw/skills/ <project>/skills/ 优先级：工作区 > 本地 > 内置
3. 提示词安装
将此提示词复制到 OpenClaw 即可自动安装。
请帮我使用 Clawhub 安装 adversarial-engine。如果尚未安装 Clawhub，请先安装（npm i -g clawhub）。
更倾向于下载？
获取包含原生技能文件的ZIP压缩包。
什么是 Adversarial Engine v2.0？
Adversarial Engine 是为 Openclaw Skills 设计的高性能框架，它协调四个不同的 LLM 角色——架构师、工程师、安全官和仲裁员——以达成技术共识。通过模拟现实世界的辩论和技术摩擦，它确保所提议的解决方案不仅功能完备，而且安全且架构合理。
该技能弥合了简单代码生成与稳健系统设计之间的差距。它集成了用于基于执行验证的实时 Python 代码沙箱和用于消除幻觉的向量检索增强生成 (RAG)，为复杂问题解决提供了严谨的环境。
Adversarial Engine v2.0 应用场景
- 高并发系统架构设计与同行评审。
- 自动化安全漏洞扫描与利用模拟。
- 具备实时沙箱执行与验证的多智能体代码生成。
- 通过结构化对抗性辩论与仲裁进行技术决策。
Adversarial Engine v2.0 工作原理
- 知识增强：引擎执行向量检索，将讨论建立在已验证的领域知识基础上。
- 架构建议：qwen3.5-plus 模型生成高层系统架构或解决方案策略。
- 工程实现：qwen3-coder-plus 模型实现代码并在安全的 Python 沙箱中执行。
- 安全审计：kimi-k2.5 模型担任安全官，尝试发现实现中的漏洞或缺陷。
- 仲裁：MiniMax-M2.5 模型评估辩论进度并判断解决方案是否已达成共识。
- 迭代或终结：如果解决方案不是最优的，流程将循环回到架构师；否则，结果将持久化到知识库中。
Adversarial Engine v2.0 配置指南
要将 Adversarial Engine 集成到您的 Openclaw Skills 环境中，请初始化引擎并配置您的本地或远程 WebSocket 服务器。
# 安装依赖 (确保 Python 3.8+ 可用)
pip install adversarial-engine
# 在项目中配置引擎
python -c "from adversarial_engine import AdversarialEngine; engine = AdversarialEngine()"
Adversarial Engine v2.0 数据架构与分类体系
Adversarial Engine 通过模块化文件结构和用于长期学习的持久化数据库来组织其操作：
| 文件/组件 | 用途 |
|---|---|
engine.py |
多模型编排的核心逻辑 |
code_sandbox.py |
用于 Python 验证的安全执行环境 |
vector_enhancer.py |
管理 RAG 流程与向量搜索 |
ws_server.py |
通过 WebSocket 处理实时进度更新 |
database.py |
管理会话持久化与知识固化 |
Adversarial Engine v2.0 高级特性
- 实时 WebSocket 流式传输：通过专用 WS 端点实时监控每一轮辩论和执行日志。
- 自动断路机制：仲裁员角色通过检测共识或僵局条件来防止无限循环。
- 断点续传：能够在不丢失上下文的情况下暂停和恢复复杂的对抗性辩论。
- 沙箱验证：直接集成 Python 执行以验证生成代码片段的技术真实性。
SKILL.md
加载中
Openclaw 相关技能
Caveman Compress
Caveman Compress 通过将自然语言工作区文件翻译成简洁的“原始人语”并在保持语义的同时减少 LLM 输入 token 的占用。
TikTok Free YouTube
一种基于云端的视频转换技能，可将 TikTok 内容重新处理为无水印、适配 YouTube 的 1080p MP4 文件。
精选*
