# AutoSkill **Repository Path**: halo/AutoSkill ## Basic Information - **Project Name**: AutoSkill - **Description**: No description available - **Primary Language**: Unknown - **License**: Not specified - **Default Branch**: main - **Homepage**: None - **GVP Project**: No ## Statistics - **Stars**: 0 - **Forks**: 0 - **Created**: 2026-04-02 - **Last Updated**: 2026-04-02 ## Categories & Tags **Categories**: Uncategorized **Tags**: None ## README # AutoSkill: 基于技能自进化的经验驱动终身学习 [English](README.md) | 中文

AutoSkill Logo

AutoSkill 是 **Experience-driven Lifelong Learning（ELL，经验驱动终身学习）** 的工程化实践。它从真实交互经验（对话 + agent）中学习，自动生成可复用技能，并通过合并与版本演进持续优化已有技能。 ![AutoSkill Framework](imgs/Framework.png) ## News - **2026-03-23**：发布 **SkillEvo 1.0**（支持模型通过 replay、评测、变异与晋升机制，对 Skill 进行自我迭代进化）。 - **2026-03-13**：发布 **AutoSkill4Doc 1.0**（通过文档/研究论文抽取技能，持续完善中）。 - **2026-03-01**：新增离线从历史对话抽取技能功能（示例可见 `SkillBank/CovSkill`）。 - **2025-02-26**：发布 **AutoSkill4OpenClaw 1.0**（支持从 OpenClaw 轨迹中抽取技能）。 - **2025-02-04**：发布 **AutoSkill 1.0**（支持随时间从对话中抽取技能）。 ## 目录 - [News](#news) - [1. 快速开始（Web / Proxy / Docker）](#1-快速开始web--proxy--docker) - [1.1 Web UI](#11-web-ui) - [1.2 标准 API 代理](#12-标准-api-代理) - [1.3 一键部署（Docker Compose）](#13-一键部署docker-compose) - [1.4 技能生命周期示例（三个方面）](#14-技能生命周期示例三个方面) - [2. 项目核心特点](#2-项目核心特点) - [3. 系统工作流](#3-系统工作流) - [3.1 学习与进化流程](#31-学习与进化流程) - [3.2 检索与回答流程](#32-检索与回答流程) - [3.3 交互抽取策略](#33-交互抽取策略) - [3.4 代理服务流程](#34-代理服务流程) - [3.5 离线文档架构（AutoSkill4Doc）](#35-离线文档架构autoskill4doc) - [5. SkillBank 存储结构](#5-skillbank-存储结构) - [6. 仓库结构（更易读版本）](#6-仓库结构更易读版本) - [6.1 顶层目录](#61-顶层目录) - [6.2 SDK 核心模块](#62-sdk-核心模块) - [6.3 Skill Management 层](#63-skill-management-层) - [6.4 Interactive 层](#64-interactive-层) - [6.5 示例入口](#65-示例入口) - [6.6 Offline 导入](#66-offline-导入) - [7. SDK 与离线使用](#7-sdk-与离线使用) - [7.1 导入 OpenAI 对话并自动抽取技能](#71-导入-openai-对话并自动抽取技能) - [7.2 通过 CLI 执行离线对话抽取](#72-通过-cli-执行离线对话抽取) - [8. Provider 配置建议](#8-provider-配置建议) - [8.1 百炼 DashScope（示例）](#81-百炼-dashscope示例) - [8.2 GLM（BigModel）](#82-glmbigmodel) - [8.3 OpenAI / Anthropic](#83-openai--anthropic) - [8.4 InternLM（Intern-S1 Pro）](#84-internlmintern-s1-pro) - [8.5 通用 URL 后端（LLM + Embedding）](#85-通用-url-后端llm--embedding) - [9. 运行工作流与 API](#9-运行工作流与-api) - [9.1 终端交互（每轮检索）](#91-终端交互每轮检索) - [9.2 Web UI](#92-web-ui) - [9.3 启动时离线维护（自动执行）](#93-启动时离线维护自动执行) - [9.4 OpenAI 兼容代理 API](#94-openai-兼容代理-api) - [9.5 自动评测脚本](#95-自动评测脚本) - [9.6 AutoSkill4OpenClaw](#96-autoskill4openclaw) - [11. 引用（Citation）](#11-引用citation) - [12. 贡献与致谢](#12-贡献与致谢) ## 1. 快速开始（Web / Proxy / Docker） ### 1.1 Web UI ```bash python3 -m pip install -e . export INTERNLM_API_KEY="YOUR_INTERNLM_API_KEY" export DASHSCOPE_API_KEY="YOUR_DASHSCOPE_API_KEY" python3 -m examples.web_ui \ --host 127.0.0.1 \ --port 8000 \ --llm-provider internlm \ --embeddings-provider qwen \ --store-dir SkillBank \ --user-id u1 \ --skill-scope all \ --rewrite-mode always \ --extract-mode auto \ --extract-turn-limit 1 \ --min-score 0.4 \ --top-k 1 ``` 启动后打开 `http://127.0.0.1:8000`。 ### 1.2 标准 API 代理 AutoSkill 也可以作为反向代理部署，对外暴露 OpenAI 兼容接口，并在内部自动执行： - 每次对话请求的技能检索与注入 - 回答后的异步技能抽取与维护 ```bash python3 -m pip install -e . export INTERNLM_API_KEY="YOUR_INTERNLM_API_KEY" export DASHSCOPE_API_KEY="YOUR_DASHSCOPE_API_KEY" python3 -m examples.openai_proxy \ --host 127.0.0.1 \ --port 9000 \ --llm-provider internlm \ --embeddings-provider qwen \ --served-model intern-s1-pro \ --served-model gpt-5.2 \ --store-dir SkillBank \ --skill-scope all \ --rewrite-mode always \ --min-score 0.4 \ --top-k 1 ``` 支持接口： - `POST /v1/chat/completions`（支持 `stream=true`） - `POST /v1/embeddings` - `GET /v1/models` - `GET /health` 模型列表（`/v1/models`）配置方式： - 使用 `--served-model ` 多次传入，或 - 使用 `--served-models-json '[{"id":"gpt-5.2"},{"id":"gemini-3-pro-preview","object":"gemini","owned_by":"openai"}]'` - 若未配置，代理会返回当前 LLM 配置模型作为单条默认项按请求隔离用户（部署时 `--user-id` 为可选）： - 请求体字段 `user`（最高优先级） - 或请求头 `X-AutoSkill-User` - 或 `Authorization: Bearer ` 的 payload 字段 `id` - 最后回退到代理默认用户（配置的 `--user-id`，或默认 `u1`）流式聊天调用示例（`stream=true`）： ```bash curl -N http://127.0.0.1:9000/v1/chat/completions \ -H "Content-Type: application/json" \ -d '{ "model": "intern-s1-pro", "stream": true, "messages": [ {"role": "user", "content": "请简要总结技能自进化的核心思路。"} ] }' ``` 如果启用了代理鉴权（`--proxy-api-key`），请额外添加： ```bash -H "Authorization: Bearer $AUTOSKILL_PROXY_API_KEY" ``` ### 1.3 一键部署（Docker Compose） ```bash cp .env.example .env # 编辑 .env，填写 API Key（至少一个对话模型和一个 embedding 模型） docker compose up --build -d ``` 启动后访问： - Web UI：`http://127.0.0.1:8000` - API Proxy：`http://127.0.0.1:9000` 停止服务： ```bash docker compose down ``` Compose 会同时拉起两个服务： - `autoskill-web`（`examples.web_ui`） - `autoskill-proxy`（`examples.openai_proxy`）两个服务共享同一份持久化存储： - 宿主机：`./SkillBank` - 容器内：`/data/SkillBank` ### 1.4 技能生命周期示例（三个方面） ### A) 自动判断 + 反馈触发抽取与技能管理（v0.1.0）如果用户只是提出“写一份报告”这类通用一次性请求，且没有给出稳定偏好或纠偏反馈， AutoSkill 会默认不新增技能（抽取结果为空），避免产生噪声技能。当用户给出可复用的稳定约束（例如“不要幻觉”）时，AutoSkill 会触发抽取或与已有技能合并，形成 `v0.1.0`。技能管理以后端自动为主（自动新增/合并），并支持人工编辑保存或删除 `SKILL.md`。 ![技能抽取（日常场景）](imgs/skill_extraction.png) *图注：日常场景中，可复用的写作约束被抽取为新技能（`v0.1.0`）。* ![技能抽取（科研场景）](imgs/science_skill_extraction.png) *图注：科研场景中，可复用的实验/流程约束（如硬性阈值、必选 SOP 步骤）被抽取为技能（`v0.1.0`）。* ### B) 技能更新（v0.1.1）后续交互中当用户继续给出新增约束或偏好变化时，AutoSkill 会优先更新已有技能而不是产生重复技能，将版本从 `v0.1.0` 演进到 `v0.1.1`。 ![技能更新（日常场景）](imgs/skill_update.png) *图注：日常场景中，后续用户反馈持续补充约束，技能演进到 `v0.1.1`。* ![技能更新（科研场景）](imgs/science_skill_update.png) *图注：科研场景中，新增技术反馈会更新既有技能而非新增重复技能（`v0.1.1`）。* ### C) 技能使用当再次出现类似任务（例如撰写一份**自进化智能体的政府报告**）时，系统会检索并使用该技能，输出更贴合用户需求的结果。 ![技能使用（日常场景）](imgs/skill_utilize.png) *图注：日常场景中，演进后的技能会在后续相似任务中被检索并复用。* ![技能使用（科研场景）](imgs/science_skill_utilize.png) *图注：科研场景中，演进后的科研技能会在后续同类任务中被检索并复用。* ## 2. 项目核心特点 - **经验驱动技能持续进化**：直接从真实用户交互和行为轨迹中抽取可复用能力，并持续进行版本演进与维护，让系统越用越贴合用户需求。 - **通用技能格式**：采用 Agent Skill 形态（`SKILL.md`），具备可解释、可编辑的优势：结构清晰、内容可审阅、可按需人工修改；既可导入已有技能，也可将抽取技能迁移到其他系统。 - **对已结束对话的离线技能抽取**：对话结束后无需再和模型重聊，直接导入现有历史对话日志（OpenAI 格式 `.json/.jsonl`）即可离线抽取可复用技能。 - **长期能力价值**：AutoSkill 将短期交互沉淀为长期能力资产，降低手工编写技能成本，让能力随真实反馈持续对齐升级，并支持跨运行时迁移复用。 ## 3. 系统工作流 ### 3.1 学习与进化流程 ```text 经验数据（messages/events） -> 技能抽取（candidate） -> 技能维护（add / merge / discard） -> 技能存储（Agent Skill + 向量索引） ``` - 每次尝试最多产出一个高质量候选技能。 - 维护阶段先做相似匹配，再决定新增/合并/丢弃。 - 合并后自动递增 patch 版本，形成长期演化轨迹。 ### 3.2 检索与回答流程 ```text 当前 Query（含最近上下文） -> Query 重写（可选） -> 向量化 + 向量检索 -> 技能选择与注入 -> 大模型回答 ``` - 检索每轮执行。 - 通过相似度阈值与 `top_k` 控制召回质量。 - 检索后仍可二次筛选，避免无关技能注入。 - 检索 Top-1 技能（需通过 `min_score`）会作为抽取阶段的辅助身份参考输入；抽取内部不再二次检索。 - 检索到的技能会在回答完成后异步做相关性/实际使用审计，不阻塞主回复链路。 - 使用计数按用户隔离统计；默认当 `retrieved >= 40` 且 `used <= 0` 时可自动淘汰陈旧用户技能。 ### 3.3 交互抽取策略 - `extract_mode=auto`：每 `extract_turn_limit` 轮尝试抽取。 - `extract_mode=always`：每轮都尝试抽取。 - `extract_mode=never`：关闭自动抽取。 - `/extract_now [hint]`：对当前上下文立即发起后台抽取（别名：`extract_now [hint]`）。 - 对“仅完成一次通用任务且无用户纠偏”的场景（如一次性写报告），应返回不抽取。 - 当用户反馈形成稳定可复用约束（如“不要幻觉”）时，触发抽取或更新。 - 若已有相似用户技能，优先合并更新，而非新建重复技能。 ### 3.4 代理服务流程 ```text 客户端（OpenAI 兼容请求） -> AutoSkill Proxy (/v1/chat/completions) -> Query 重写 + 技能检索 + 上下文注入 -> 上游模型生成 -> 返回响应给客户端 -> 异步技能抽取/维护（后台） ``` - 响应时延重点在检索与生成。 - 技能进化异步执行，避免阻塞客户端响应。 ### 3.5 离线文档架构（AutoSkill4Doc） ```text 文档输入 -> ingest（DocumentRecord + TextUnit + StrictWindow + 基于 hash 的增量跳过） -> extract（SupportRecord + SkillDraft） -> compile（SkillSpec） -> versioning + registry（lifecycle / provenance / history） -> staging 快照 + 最终 SkillBank store + 可见 family 技能树 ``` - 旧的 `autoskill/offline/document` 已迁移到顶层 `AutoSkill4Doc/`。 - 文档 pipeline 现在是独立入口：使用 `autoskill4doc ...` 或 `python3 -m AutoSkill4Doc ...`。 - 当前 CLI 提供分阶段命令：`build`、`llm-extract`、`ingest`、`extract`、`compile`、`diag`、`retrieve-hierarchy`、`canonical-merge`、`migrate-layout`。 - 文档 pipeline 的详细设计与参数见：[AutoSkill4Doc/README.zh-CN.md](AutoSkill4Doc/README.zh-CN.md)。 ## 5. SkillBank 存储结构当使用 `store={"provider": "local", "path": "SkillBank"}`： ```text SkillBank/ Users/ / / SKILL.md scripts/ (可选) references/ (可选) assets/ (可选) Common/ /SKILL.md //SKILL.md vectors/ .meta.json .ids.txt .vecs.f32 index/ skills-bm25.* （BM25 持久化索引文件） skill_usage_stats.json （按用户隔离的检索/使用统计） ``` 说明： - `Users/`：用户私有技能。 - `Common/`：共享技能库（通常只读）。 - `vectors/`：按 embedding 签名分开的持久化向量缓存，切换 embedding 模型后不会混用旧索引。 - `index/`：本地关键词索引（BM25）与使用统计，用于检索增强与陈旧技能自动淘汰。 - 从 WildChat 1M 离线抽取得到的技能可在 `SkillBank/Users` 下找到，目录为： `chinese_gpt3.5_8`、`english_gpt3.5_8`、`chinese_gpt4_8`、`english_gpt4_8`。 ## 6. 仓库结构（更易读版本） ### 6.1 顶层目录 - `autoskill/`：SDK 核心实现。 - `AutoSkill4Doc/`：独立的离线文档到技能引擎，包含自身 CLI、配置、窗口切分、抽取、编译和版本管理模块。 - `examples/`：可直接运行的示例入口。 - `autoskill/interactive/server.py`：OpenAI 兼容反向代理运行时。 - `AutoSkill4OpenClaw/`：可本地部署的 OpenClaw 侧车插件（基于 autoskill 接口接入）。 - `web/`：本地 Web UI 静态资源。 - `SkillBank/`：默认本地技能存储根目录。 - `imgs/`：README 示例图片。 - `Dockerfile`：AutoSkill 运行时镜像定义。 - `docker-compose.yml`：Web UI + API Proxy 一键编排部署。 ### 6.2 SDK 核心模块 - `autoskill/client.py`：SDK 对外入口（`ingest/search/render/import/export`）。 - `autoskill/config.py`：全局配置模型。 - `autoskill/models.py`：核心数据结构（`Skill`、`SkillHit` 等）。 - `autoskill/render.py`：技能上下文渲染。 - `autoskill/interactive/unified.py`：interactive + proxy 的统一运行时组合入口。 ### 6.3 Skill Management 层 - `autoskill/management/extraction.py`：技能抽取逻辑与提示词。 - `autoskill/management/maintenance.py`：新增/合并/丢弃和版本演化。 - `autoskill/management/formats/agent_skill.py`：`SKILL.md` 渲染与解析。 - `autoskill/management/stores/local.py`：目录存储与向量映射。 - `autoskill/management/vectors/flat.py`：本地向量索引后端。 - `autoskill/management/importer.py`：导入外部 Agent Skills。 ### 6.4 Interactive 层 - `autoskill/interactive/app.py`：CLI 交互编排。 - `autoskill/interactive/session.py`：Web/API 可复用会话引擎。 - `autoskill/interactive/rewriting.py`：检索 query 重写。 - `autoskill/interactive/selection.py`：注入前技能选择。 ### 6.5 示例入口 - `examples/web_ui.py`：本地 Web UI 服务。 - `examples/interactive_chat.py`：终端交互式对话。 - `examples/openai_proxy.py`：OpenAI 兼容代理启动入口。 - `examples/auto_evalution.py`：全自动 LLM-vs-LLM 技能演化评测脚本。 - `examples/basic_ingest_search.py`：离线最小 SDK 流程示例。 ### 6.6 Offline 导入迁移说明： - `autoskill/offline/document` 已移除。 - 文档离线 pipeline 现在由 `AutoSkill4Doc/` 独立维护，不再通过 `autoskill.offline` 路由。 - 完整分阶段流程和配置说明见：[AutoSkill4Doc/README.zh-CN.md](AutoSkill4Doc/README.zh-CN.md)。 - `autoskill/offline/conversation/extract.py`：导入 OpenAI 标准对话 `.json/.jsonl`（单文件或目录），并完成技能抽取与维护。 - `AutoSkill4Doc/extract.py`：导入离线文档，生成 `领域总技能 / Family技能 / 一级技能 / 二级技能 / 微技能` 可见树，查看 staging 结果并浏览层级。 - `autoskill/offline/trajectory/extract.py`：导入离线智能体轨迹并抽取流程型技能。 Offline 调用示例（与 examples 一致，API key 通过 `export` 传入）： ```bash # 1) Provider 设置（以 DashScope 为例） export DASHSCOPE_API_KEY="YOUR_DASHSCOPE_API_KEY" export DASHSCOPE_MODEL="qwen-plus" export DASHSCOPE_EMBED_MODEL="text-embedding-v4" # 2) 对话数据 -> 技能抽取 python3 -m autoskill.offline.conversation.extract \ --file ./data/random_50 \ --user-id u1 \ --llm-provider dashscope \ --embeddings-provider dashscope # 3) 文档数据 -> 技能抽取 python3 -m AutoSkill4Doc llm-extract \ --file ./data/docs \ --domain psychology \ --domain-type psychology \ --family-name "认知行为疗法" \ --llm-provider dashscope \ --embeddings-provider dashscope \ --max-chars-per-window 6000 # 4) 智能体轨迹 -> 技能抽取 python3 -m autoskill.offline.trajectory.extract \ --file ./data/traces \ --user-id u1 \ --llm-provider dashscope \ --embeddings-provider dashscope \ --success-only 1 \ --include-tool-events 1 ``` ## 7. SDK 与离线使用 ```python from autoskill import AutoSkill, AutoSkillConfig sdk = AutoSkill( AutoSkillConfig( llm={"provider": "mock"}, embeddings={"provider": "hashing", "dims": 256}, store={"provider": "local", "path": "SkillBank"}, ) ) sdk.ingest( user_id="u1", messages=[ {"role": "user", "content": "Before each release: run regression -> canary -> monitor -> full rollout."}, {"role": "assistant", "content": "Understood."}, ], ) hits = sdk.search("How should I do a safe release?", user_id="u1", limit=3) for h in hits: print(h.skill.name, h.score) ``` ### 7.1 导入 OpenAI 对话并自动抽取技能 ```python from autoskill import AutoSkill, AutoSkillConfig sdk = AutoSkill( AutoSkillConfig( llm={"provider": "internlm", "model": "intern-s1-pro"}, embeddings={"provider": "qwen", "model": "text-embedding-v4"}, store={"provider": "local", "path": "SkillBank"}, ) ) result = sdk.import_openai_conversations( user_id="u1", file_path="./data/openai_dialogues.jsonl", # 支持 .json 或 .jsonl hint="Focus on reusable user preferences and workflows.", continue_on_error=True, max_messages_per_conversation=100, ) print("processed:", result["processed"], "upserted:", result["upserted_count"]) for s in result.get("skills", [])[:5]: print("-", s.get("name"), s.get("version")) ``` 说明： - 输入建议为 OpenAI 标准对话数据（`.json` / `.jsonl`，包含 `messages`）。 - 抽取时会构造成两部分输入： - `Primary User Questions (main evidence)`：用户提问主证据 - `Full Conversation (context reference)`：完整对话参考上下文 - 离线对话抽取中，用户回合作为主证据；assistant 侧平台限制/产物不作为技能证据。 ### 7.2 通过 CLI 执行离线对话抽取 ```bash python3 -m autoskill.offline.conversation.extract \ --file ./data/random_50 \ --user-id u1 \ --llm-provider dashscope \ --embeddings-provider dashscope ``` 行为说明： - `--file` 支持单个 OpenAI 标准 `.json`/`.jsonl` 文件，或包含多个文件的目录。 - 如果单个 `.json` 文件中包含多个对话，加载器会自动遍历所有对话并按对话单元执行技能抽取。 - 运行过程中会实时输出每个文件的处理进度、文件名和抽取到的技能名，便于定位。 ## 8. Provider 配置建议 ### 8.1 百炼 DashScope（示例） ```bash export DASHSCOPE_API_KEY="YOUR_DASHSCOPE_API_KEY" python3 -m examples.interactive_chat --llm-provider dashscope ``` ### 8.2 GLM（BigModel） ```bash export ZHIPUAI_API_KEY="YOUR_ID.YOUR_SECRET" python3 -m examples.interactive_chat --llm-provider glm ``` ### 8.3 OpenAI / Anthropic ```bash export OPENAI_API_KEY="YOUR_OPENAI_KEY" python3 -m examples.interactive_chat --llm-provider openai export ANTHROPIC_API_KEY="YOUR_ANTHROPIC_KEY" python3 -m examples.interactive_chat --llm-provider anthropic ``` ### 8.4 InternLM（Intern-S1 Pro） ```bash export INTERNLM_API_KEY="YOUR_INTERNLM_TOKEN" python3 -m examples.interactive_chat --llm-provider internlm --llm-model intern-s1-pro ``` ### 8.5 通用 URL 后端（LLM + Embedding） ```bash export AUTOSKILL_GENERIC_LLM_URL="http://XXX/v1" export AUTOSKILL_GENERIC_LLM_MODEL="gpt-5.2" export AUTOSKILL_GENERIC_EMBED_URL="http://XXX/v1" export AUTOSKILL_GENERIC_EMBED_MODEL="embd_qwen3vl8b" # 可选（可以为空）： export AUTOSKILL_GENERIC_API_KEY="" python3 -m examples.interactive_chat --llm-provider generic --embeddings-provider generic ``` ## 9. 运行工作流与 API ### 9.1 终端交互（每轮检索） ```bash export DASHSCOPE_API_KEY="YOUR_DASHSCOPE_API_KEY" python3 -m examples.interactive_chat --llm-provider dashscope ``` 常用命令： - `/extract_now [hint]` - `/extract_every ` - `/extract auto|always|never` - `/scope user|common|all` - `/search ` - `/skills` - `/export ` ### 9.2 Web UI ```bash export INTERNLM_API_KEY="YOUR_INTERNLM_API_KEY" export DASHSCOPE_API_KEY="YOUR_DASHSCOPE_API_KEY" python3 -m examples.web_ui --llm-provider internlm --embeddings-provider qwen ``` ### 9.3 启动时离线维护（自动执行）服务启动（`web_ui`、`interactive_chat`、`openai_proxy`）时，AutoSkill 会自动离线执行： - 检查并补齐本地技能库中 `SKILL.md` 缺失的 `id:` - 当配置 `AUTOSKILL_AUTO_IMPORT_DIRS` 时，自动导入外部技能目录可选环境变量： - `AUTOSKILL_AUTO_NORMALIZE_IDS`（默认 `1`） - `AUTOSKILL_AUTO_IMPORT_DIRS`（逗号分隔目录） - `AUTOSKILL_AUTO_IMPORT_SCOPE`（`common`|`user`，默认 `common`） - `AUTOSKILL_AUTO_IMPORT_LIBRARY`（当 scope=`common` 时的目标库名） - `AUTOSKILL_AUTO_IMPORT_OVERWRITE`（默认 `0`） - `AUTOSKILL_AUTO_IMPORT_INCLUDE_FILES`（默认 `1`） - `AUTOSKILL_AUTO_IMPORT_MAX_DEPTH`（默认 `6`） ### 9.4 OpenAI 兼容代理 API ```bash export INTERNLM_API_KEY="YOUR_INTERNLM_API_KEY" export DASHSCOPE_API_KEY="YOUR_DASHSCOPE_API_KEY" python3 -m examples.openai_proxy --llm-provider internlm --embeddings-provider qwen ``` 能力发现： ```bash curl http://127.0.0.1:9000/v1/autoskill/capabilities curl http://127.0.0.1:9000/v1/autoskill/openapi.json ``` OpenAI 兼容端点： - `POST /v1/chat/completions` - `POST /v1/embeddings` - `GET /v1/models` 流式聊天示例（`/v1/chat/completions`，SSE）： ```bash curl -N http://127.0.0.1:9000/v1/chat/completions \ -H "Content-Type: application/json" \ -d '{ "model": "intern-s1-pro", "stream": true, "messages": [ {"role": "user", "content": "请给出 AutoSkill 的 3 点价值。"} ] }' ``` 技能管理端点： - `GET /v1/autoskill/skills` - `GET /v1/autoskill/skills/{skill_id}` - `GET /v1/autoskill/skills/{skill_id}/md` - `PUT /v1/autoskill/skills/{skill_id}/md` - `DELETE /v1/autoskill/skills/{skill_id}` - `POST /v1/autoskill/skills/{skill_id}/rollback` - `GET /v1/autoskill/skills/{skill_id}/versions` - `GET /v1/autoskill/skills/{skill_id}/export` - `POST /v1/autoskill/skills/search` - `POST /v1/autoskill/skills/import` - `POST /v1/autoskill/conversations/import` 检索与抽取端点： - `POST /v1/autoskill/retrieval/preview` - `POST /v1/autoskill/extractions` - `POST /v1/autoskill/extractions/simulate` - `GET /v1/autoskill/extractions/latest` - `GET /v1/autoskill/extractions` - `GET /v1/autoskill/extractions/{job_id}` - `GET /v1/autoskill/extractions/{job_id}/events`（SSE） ### 9.5 自动评测脚本大规模自动化评测（LLM 用户模拟 + LLM 裁判）： ```bash python3 -m examples.auto_evalution \ --mode eval \ --eval-strategy evolution \ --base-url http://127.0.0.1:9000 \ --sim-provider qwen \ --sim-api-key "$AUTOSKILL_PROXY_API_KEY" \ --sim-model qwen-plus \ --judge-provider qwen \ --judge-model qwen-plus \ --judge-api-key "$AUTOSKILL_PROXY_API_KEY" \ --report-json ./proxy_eval_report.json ``` ### 9.6 AutoSkill4OpenClaw 本地部署侧车服务 + OpenClaw 原生适配器（自动接线）： ```bash python3 AutoSkill4OpenClaw/install.py \ --workspace-dir ~/.openclaw \ --install-dir ~/.openclaw/plugins/autoskill-openclaw-plugin \ --adapter-dir ~/.openclaw/extensions/autoskill-openclaw-adapter \ --llm-provider internlm \ --llm-model intern-s1-pro \ --embeddings-provider qwen \ --embeddings-model text-embedding-v4 \ --start ``` 完整插件说明（安装、接入、运行逻辑、验证）： - `AutoSkill4OpenClaw/README.md` 安装脚本会自动： - 安装 sidecar 运行脚本 - 安装生命周期适配器（`before_agent_start` / `agent_end`） - 写入 `~/.openclaw/openclaw.json` 的 `plugins.load.paths + plugins.entries` - 默认启用 `autoskill-openclaw-adapter` 重要： - 安装完成后，需要重启一次 OpenClaw 运行进程，新的插件配置才会生效。 ```bash openclaw gateway restart ``` 如果当前环境没有 `openclaw` CLI，请使用你现有的服务管理方式重启 OpenClaw gateway/runtime 进程。该插件是技能服务（检索 + 离线进化）。 - `base_url`：`http://127.0.0.1:9100/v1` - `api_key`：`AUTOSKILL_PROXY_API_KEY` 的值（若未开启鉴权可为空） - Hook 接口：`POST /v1/autoskill/openclaw/hooks/before_agent_start` - Hook 接口：`POST /v1/autoskill/openclaw/hooks/agent_end` - 兼容接口：`POST /v1/autoskill/openclaw/turn` 服务调用示例： ```bash curl -X POST http://127.0.0.1:9100/v1/autoskill/openclaw/turn \ -H "Content-Type: application/json" \ -d '{ "messages": [ {"role":"assistant","content":"你希望什么风格？"}, {"role":"user","content":"写政府报告，不要表格，避免幻觉。"} ], "schedule_extraction": true }' ``` ```bash curl -X POST http://127.0.0.1:9100/v1/autoskill/conversations/import \ -H "Content-Type: application/json" \ -d '{ "conversations": [ {"messages":[ {"role":"user","content":"写一份政策备忘录。"}, {"role":"assistant","content":"初稿如下..."}, {"role":"user","content":"更具体，避免幻觉。"} ]} ] }' ``` 抽取事件流示例： ```bash curl -N http://127.0.0.1:9100/v1/autoskill/extractions//events \ -H "Accept: text/event-stream" ``` 向量重建示例： ```bash curl http://127.0.0.1:9100/v1/autoskill/vectors/rebuild \ -H "Content-Type: application/json" \ -d '{ "user": "u1", "scope": "all", "force": true, "blocking": true }' ``` ## 11. 引用（Citation）如果你在论文、技术报告或公开演示中使用了 AutoSkill，建议引用： ```bibtex @software{autoskill_2026, author = {Yutao Yang, Junsong Li, Qianjun Pan, Bihao Zhan, Yuxuan Cai, Du Lin, Xin Li, Bo Zhang, Qin Chen, Jie Zhou, Kai Chen, Liang He}, title = {AutoSkill: Experience-Driven Lifelong Learning via Skill Self-Evolution}, year = {2026}, url = {https://github.com/ECNU-ICALK/AutoSkill}, note = {GitHub repository} } @misc{yang2026autoskillexperiencedrivenlifelonglearning, title={AutoSkill: Experience-Driven Lifelong Learning via Skill Self-Evolution}, author={Yutao Yang and Junsong Li and Qianjun Pan and Bihao Zhan and Yuxuan Cai and Lin Du and Jie Zhou and Kai Chen and Qin Chen and Xin Li and Bo Zhang and Liang He}, year={2026}, eprint={2603.01145}, archivePrefix={arXiv}, primaryClass={cs.AI}, url={https://arxiv.org/abs/2603.01145}, } ``` ## 12. 贡献与致谢机构：上海人工智能实验室、华东师范大学计算机学院核心作者：杨宇涛贡献者：李俊松、潘前俊、詹必豪、蔡於轩、杜霖领衔作者：周杰、陈恺、贺樑学术指导：李鑫、张铂、陈琴