（515期）Auto Skill Evolver – AI技能自进化引擎，安全可控

AI技能自进化引擎，安全可控 让AI技能通过执行-评估-优化闭环自动迭代进化，支持对话式训练管理与移动场景安全审批，内置多层防护与版本回滚机制。 使用说明 核心用法 Auto Skill Evolver 是一个元技能（meta-skill），使AI代理能够通过「执行→评估→优化」闭环自主改进其他技能。提供三种主要模式： 训练循环模式（Gym）：针对特定任务反复练习，通过 --iterations 和 --interval 参数控制训练次数与间隔，支持逐轮人工确认。 进程内演化（Hook模式）：在日常使用中触发技能优化，支持命令行钩子与Python集成，可捕获任务执行痕迹与用户反馈生成改进提案。 对话式工作流：针对移动/聊天场景优化，支持 --chat-action propose|status|approve 单参数操作，以及自然语言触发（如「训练xxx」「查看xxx状态」）。 显著优点 提案优先安全架构：所有修改先生成 .proposed 提案文件，经完整差异比对与SHA256哈希校验后方可应用，杜绝隐蔽篡改。 多层安全扫描：集成差分感知风险检测、高危命令黑名单（curl/rm -rf等）、提示注入标记扫描三道防线。 原子化写入与版本控制：所有更新采用 tempfile + os.replace 原子操作，自动生成 .skill_versions/ 备份，支持一键回滚。 移动场景深度优化：--chat-action 单动作参数、--output-mode json/text 结构化输出、--approval-token-file 文件级审批令牌，适配聊天机器人路由。 执行环境隔离：优化过程在 .secure_workspace 受限目录进行，痕迹数据被视为不可信输入，防止日志投毒攻击。 潜在局限与风险 本地CLI依赖：必须预装 OpenClaw CLI 且正确配置PATH，无法独立运行。 自修改锁定：默认禁止自我修改（--allow-self-target 需显式开启），维护本技能本身时流程繁琐。 审批体验权衡：强制人工确认虽提升安全，但高频训练场景下可能降低效率；--approval-expire-seconds 机制可部分缓解。 误训练风险：若痕迹日志包含边缘案例或用户反馈质量参差，可能导致技能退化，建议配合 --allowed-sections 限制重写范围。 平台锁定：深度绑定 OpenClaw 生态，迁移成本较高。 适合人群 AI Agent开发者：需要持续打磨工具技能、构建自动化技能工厂的技术团队。 企业安全架构师：在受控环境中部署AI自优化能力，要求审计追踪与人工审批双轨制。 移动优先产品团队：希望通过自然语言对话管理AI技能生命周期，降低终端用户操作门槛。 常规风险提醒 ⚠️ 关键：本技能会修改本地文件系统并执行 openclaw CLI 命令，即使有多层防护，仍建议在隔离开发环境或可信CI流水线中运行，避免直接操作生产环境关键技能。定期检查 .skill_versions/ 备份完整性，勿禁用交互式确认（--interactive）除非完全自动化场景。 原始说明 A meta-skill that continuously improves other skills through trace+feedback-driven evolution, with the goal of making skill training, status checking, and ap...