Improvement Learner 为 Openclaw Skills 提供了一种基于 6 维评估框架的结构化质量评估和自我改进循环。
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 auto-improvement-learner
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 auto-improvement-learner。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 Improvement Learner？
Improvement Learner 是一个技术工具，旨在为 Openclaw Skills 实现自我改进循环，遵循评估-修改-再评估的周期。它专注于技能定义的结构完整性和质量，确保每个 SKILL.md 文件都达到高标准的准确性和效率。通过使用 Pareto front 方法，该工具保证在优化过程中技能的任何维度都不会倒退。
该工具对于希望维护专业级 Openclaw Skills 的开发人员至关重要。它超越了简单的文本编辑，利用三层记忆系统（HOT、WARM 和 COLD）来存储和检索优化模式，确保 AI agent 从之前的迭代中学习，从而随着时间的推移产生更好的结果。
Improvement Learner 应用场景
- 在六个不同的质量维度上评估技能，以发现结构性弱点。
- 运行自动化自我改进循环，以优化 Openclaw Skills 文档和触发器。
- 监控技能的历史分数变化，以确保长期的质量维护。
- 检测技能定义中的安全风险，例如硬编码的 API keys 或不安全的功能调用。
Improvement Learner 工作原理
- 该工具针对 15 个具体的准确性项目和触发器质量指标对 SKILL.md 文件进行初步评估。
- 通过检查支持核心技能的脚本、测试和 README 文件的存在来计算覆盖率。
- 通过 pytest 执行测试可靠性，并基于最佳代码行数阈值衡量效率。
- 进行安全扫描以识别敏感凭据或危险的代码执行模式。
- 该工具进入修改循环，提出改进分数的变更建议。
- 只有满足 Pareto front 标准的改进才会被提交，确保不会为了一个维度而牺牲另一个维度。
Improvement Learner 配置指南
要将 Improvement Learner 集成到您的 Openclaw Skills 工作流中，请使用随附的 Python 脚本。确保配置了必要的环境变量和路径。
# 评估特定技能以查看其当前质量分数
python3 scripts/self_improve.py --skill-path /path/to/skill --max-iterations 1
# 运行带有记忆追踪的完整自我改进循环
python3 scripts/self_improve.py \
--skill-path /path/to/skill \
--max-iterations 5 \
--memory-dir /path/to/memory \
--state-root /path/to/state
# 将历史进度数据导出为 JSON 文件
python3 scripts/track_progress.py --skill-path /path/to/skill --output progress.json
Improvement Learner 数据架构与分类体系
Improvement Learner 生成结构化的 JSON 工件来记录 Openclaw Skills 质量的演变。数据组织如下：
| 工件 | 内容 |
|---|---|
| Evaluation JSON | 每个类别的 6 维分数，范围从 0.0 到 1.0。 |
| Improvement Log | 关于迭代、保留或还原的具体更改以及记忆统计信息的详细信息。 |
| Progress Report | 显示分数如何在多个版本中变化的历史趋势数据。 |
| Memory State | 存储在 HOT（频繁）、WARM（按需）或 COLD（归档）层中的模式数据。 |
Improvement Learner 高级特性
- Pareto Front 保护：确保对 Openclaw Skills 的自动更新永远不会降低现有的质量分数。
- 三层记忆架构：通过根据访问频率对学习模式进行分类来优化性能。
- 结构准确性检查：验证 15 个具体点，包括 frontmatter、代码示例和原子性。
- 趋势分析：通过自动化的历史追踪为技能的生命周期提供深刻见解。
SKILL.md
加载中
Openclaw 相关技能
精选*
