（3384期）Meta-Skill – 轨迹编译器 · 技能自动生成

轨迹编译器 · 技能自动生成 将 OpenClaw 会话轨迹编译为可复用的参数化 Skill，实现从原始执行日志到标准化技能的四阶段自动化转换。 使用说明 核心用法 Meta-Skill 是一个轨迹编译器（Trajectory Compiler），专用于将具体的、填充了参数的执行轨迹转换为可复用、动态输入的 Skill。它实现了四阶段闭环流水线： 轨迹拦截（Trace Interception）：通过 scripts/trace-from-session.js 从 OpenClaw 会话 JSONL 生成真实轨迹，或使用 scripts/trace-interceptor.js 处理 JSONL 工具事件流。 DAG 构建与抽象（DAG Construction & Abstraction）：利用 scripts/trajectory-compiler.js 构建有向无环图，并将具体变量提升为动态输入。 代码与模式合成（Code & Schema Synthesis）：编译器输出四个关键文件——references/schema.json（输入模式）、references/plan.json（执行计划）、references/run-flow.md（运行流程文档）、scripts/run.js（可执行脚本）。 注册与热重载（Registration & Hot Reload）：自动写入 Skills 目录并触发刷新。 用户可参考 references/pipeline.md 和 references/compiler-spec.md 获取详细规范。 显著优点 自动化程度高：从原始日志到可部署 Skill 的全流程自动化，减少人工编写重复代码的工作量。 结构化抽象：通过 DAG 抽象将具体执行实例泛化为参数化模板，提升技能复用性。 标准化输出：统一的 schema、plan、run-flow 和 run.js 结构，便于版本管理和协作开发。 热重载支持：动态注册机制支持快速迭代和即时验证。 潜在缺点与局限性 依赖特定生态：深度绑定 OpenClaw 会话格式和 JSONL 事件流，迁移成本较高。 抽象损耗风险：自动变量提升可能无法完美捕捉业务语义，复杂场景仍需人工调优。 调试复杂度：四阶段流水线任何环节出错都可能级联影响最终输出，问题定位需要较高技术背景。 安全边界模糊：作为"编译器"本身不执行安全扫描，生成的 Skill 安全性取决于输入轨迹的纯净度。 适合人群 OpenClaw 生态开发者：需要将高频操作固化为可复用 Skill 的高级用户 平台/工具链工程师：负责构建内部技能市场或自动化工作流平台的团队 追求效率的自动化专家：希望将"一次性的成功操作"转化为"可配置的通用能力" 常规风险 | 风险类别 | 说明 ||---------|------|| 输入污染风险 | 若原始轨迹包含敏感数据或恶意调用链，编译后将以标准化形式扩散 || 抽象过度/不足 | 自动参数化可能破坏原有业务逻辑完整性，或未能充分泛化 || 版本漂移 | 输入格式或编译器行为变更可能导致历史 Skill 失效 || 权限继承模糊 | 编译过程未明确处理权限边界，生成 Skill 可能继承不当的操作范围 | 原始说明 Trajectory compiler that converts real OpenClaw session traces (or raw_trajectory_log) into a parameterized, reusable Skill via 4 stages: trace interception...