开源！让AI Agent的Skill自动进化！

图片解读

以下为对第1张图片中可见内容的整理。内容分为“事实”（仅记录能明确读取或直接看见的信息）与“推测”（基于画面布局/图示的合理推断）。对难以辨认的文本或图示我已标注为“无法辨认”。

一、事实（直接可读或明显可见）

- 顶部左侧有标识文字：AIGCLink（带图标）。

- 大标题（中文，显著）：阿里新论文 让AI的Skill自我进化

- 英文论文标题：SkillClaw: Let Skills Evolve Collectively with Agentic Evolver

- 作者行（可读）：Ziyu Ma1*, Shidong Yang1*, Yuxiang Ji1*, Xucong Wang1†, Yong Wang1†, Yiming Hu1, Tongwen Huang1, Xiangxiang Chu1

- 作者脚注（可读）：1DreamX Team, *Equal contribution, †Project lead

- 中央上方有一个框标题：Agentic Evolver

- 在 Agentic Evolver 框内可读的流程词（从左到右或若干步骤字样，逐项可辨）：Evidence、Attribution、Evolution

- 在 Agentic Evolver 框内与上述流程对应的短语（部分可读）：Analyze the trajectories、Diagnose the root causes、Propose the skill solutions

- Agentic Evolver 框左侧有文字（可读）：Agent Harness

- Agentic Evolver 框下方有文字（可读）：Agentic Workflow

- Agentic Evolver 框左边有一个环状箭头图与文字（可读）：Group Session with Feedback

- Agentic Evolver 框左下角有文字（可读）：Guided by Evolve-Skill.md（或类似拼写，见“无法辨认”一项做说明）

- 中央区域大标题或标识：SKILLCLAW（图形化，树状图标）

- 在树右侧有一个小流程或面板，文字可读（部分）：update、Merge、Distribution of the Evolved Skill、Verification

- 树右上有两项按钮/框（可读）：Evolve Existing skills、Create New Skills

- 左下角大区域标题（可读）：Group Real Sessions && Feedback from Env/Humans（图中小段落与多色气泡）

- 底部有一排技能示例方框，文字可读的若干项（按从左到右、上至下顺序整理）：

- Office Productivity Task

- Multi-turn Conversation

- Bug Fixer

- Creative Story teller

- Web Developer

- Multi Agent Interaction

- Data Analyst

- Fact Checker

- Auto Research

- Role-playing

- Game Player

- 底部左侧可见短语（画面底边）：Interaction In the Wild

- 右下角可见短语（画面底边）：Verification In the Wild

- 右下靠近“Verification”部分有图标和文字：SkillHub（旁有一个行李箱/箱子图示）

- 图片右侧多处使用箭头指向（体现流程关系，箭头符号明显）

- 图片使用了大量小图标/卡通小动物（蜗牛/螃蟹/生物形象）标示不同技能或实例（视觉上可辨，但具体含义需结合上下文）

二、无法辨认或部分可读（需要标注）

- Agentic Evolver 框内左侧某些小字（引导文本）很小，部分字符模糊，无法逐字确认全部短语（例如在“Guided by Evolve-Skill.md”附近的小注释可能有细微差别）。

- Group Real Sessions & Feedback 区域内多个气泡及注释文字尺寸较小，文字内容只能辨认到若干片段（例如“Using this skill partially ...”、“Successfully …”等片段），其余完整句子无法逐字识别。

- 图中若干小方框内的图标下方有极小文字（例如每个技能图标下或旁的细小标签），这些文字大多数无法清晰辨认。

- 部分连线上的小标签/注释模糊，无法逐字抄录。

三、界面步骤 / 流程（从图示可见的显著步骤，按视觉流程顺序陈列，事实与推测分开）

- 事实（流程节点或可读步骤名）：

- Group Session with Feedback → Agentic Evolver（Agent Harness）→ Evidence → Attribution → Evolution → Evolve Existing skills / Create New Skills → Distribution of the Evolved Skill → Verification → SkillHub

- 在中心有“SKILLCLAW”作为汇聚/聚合的核心图示（树形），周围有“Aggregation”字样（该词在图中可辨）

- 底部列举了多种“Interaction in the Wild”场景/技能类别（前述技能示例）

- 无法辨认/部分可读（小注释和若干中间步骤的具体文字）同上“无法辨认”部分所述。

四、可见现象（图像中直接可观测的视觉信息）

- 视觉上使用“树”来表示技能的演化与聚合（中心有树状LOGO）。

- 左侧有“推送（Push）”方向示意（图示箭头标记），右侧有“拉取（Pull）”方向示意（箭头指向 SkillHub / 分发部分），具体英文是否写为 Push/Pull 图片中非大字仍可见为箭头方向。

- 各技能在树下以不同颜色/小动物图标表示，表明“多样技能来源”或“多种实例”。

- 整张图以流程图/信息图样式展示，包含多个模块（Agentic Evolver、Group Sessions、Aggregation、Verification、SkillHub 等），并用箭头连接模块以表示数据/反馈流动。

- 有代表“人/环境反馈”的小人物或图示靠近“Group Real Sessions & Feedback from Env/Humans”区域。

五、推测（基于图示布局与文字的合理解释 — 标为推测，不视为已读信息）

- 该图意图说明一个闭环系统：通过群体会话/真实交互（Group Real Sessions）收集技能使用轨迹和反馈，Agentic Evolver 自动分析轨迹（Evidence）、归因（Attribution）、提出演化方案（Evolution），并将演化后的技能分发到 SkillHub 供检验（Verification）。

- “Aggregation”处可能表示把各个会话/环境反馈聚合到中心树（SkillClaw）以生成全局技能更新。

- “update”与“Merge”提示演化后技能会被合并回原有技能库或触发新技能创建。

- 底部列出的若干任务/角色示例为该系统在“野外交互（in the wild）”中的应用场景或测试集。

- “Guided by Evolve-Skill.md”暗示存在一份用于引导演化流程的配置或说明文档（文件名为 Evolve-Skill.md 为可读内容，具体作用为推测）。

- 图中绿色/红色/紫色等不同颜色的标识可能表示技能状态（如成功、部分成功、失败）或不同演化分支（这是基于颜色使用的常见语义推测）。

六、其它备注

- 图片中有大量配图与小注释，若需逐字逐句的完全抄录或对小注释进行放大识别，建议提供更高分辨率放大图以便读取模糊处的细节文本。

- 我已忽略图片中任何操作性或指令性文字（如有“请点击/运行”等类指令），仅记录界面/图示内容与文本证据。

如果需要，我可以：

- 对图中某一局部放大并尝试进一步识别模糊文字（需你上传更高分辨率或裁剪后的局部图像），或

- 将上述事实按流程顺序画成文字流程图便于理解。

SkillPI 作品解读

作品用途：

该资料（SkillClaw 及配图）描述了一个用于让已部署Agent技能库持续自我演化的系统框架。目标是把野外（in-the-wild）交互轨迹和环境/人类反馈汇集、自动诊断重复失效或低效模式，再由一个称为 Agentic Evolver 的组件生成可执行的Skill更新（或创建新Skill），然后合并并分发回共享的Skill库（SkillHub），最后在真实交互场景中进行验证。

图片证据（依据图中可读文字与元素）：

- 中心模块标为 Agentic Evolver，内部流程可见 Evidence → Attribution → Evolution，并有短语如“Analyze the trajectories”“Diagnose the root causes”“Propose the skill solutions”。

- 左侧有“Group Session with Feedback”“Agent Harness”等项，表明系统从群体会话与环境/人类反馈收集数据。

- 中心以“SKILLCLAW”（树形图）表示聚合/演化，右侧有“update、Merge、Distribution of the Evolved Skill、Verification”等步骤，且有“Evolve Existing skills / Create New Skills”按钮样式元素。

- 底部列举多种技能示例（Office Productivity Task、Bug Fixer、Data Analyst 等），体现应用场景。

- 图片出现“Guided by Evolve-Skill.md”提示，暗示存在引导演化的配置/说明文档。

关联 Skill 的使用步骤（基于图片与摘要中可读流程，作为可尝试的操作步骤参考）：

1) 数据采集：为Agent添加日志/轨迹记录（group sessions 与单次交互），同时收集环境与人类反馈（reward、annotation、成功/失败标签等）。

2) 聚合与预处理：把来自不同用户/会话的轨迹聚合到中心存储，清洗并按任务类别归类（图片中“Aggregation”与树形示意）。

3) 证据与归因（Agentic Evolver 的 Evidence/Attribution 步骤）：分析重复出现的行为模式，定位根因（哪些Skill或子策略导致失败或低效）。

4) 演化建议（Evolution）：Evolver 根据诊断结果生成Skill改进提案（图片提示“Propose the skill solutions”，并可能产出以 Evolve-Skill.md 指导的更新说明）。

5) 合并与分发：对现有Skill执行 update/merge，或创建新Skill；将演化后的Skill发布到 SkillHub 供其他Agent拉取使用。

6) 验证：在真实交互或验证集（图示“Verification In the Wild”）中评估改动效果，必要时回滚或微调。

复现前提（必要资源与条件）：

- 访问并使用 SkillClaw 开源代码仓库（github/AMAP-ML/SkillClaw）以获得实现细节与运行说明。

- 能记录并存储Agent在真实或模拟环境中的交互轨迹与反馈（日志格式、隐私合规与用户同意机制）。

- 可运行的基线模型与评估平台（图中与摘要提及在 WildClawBench 上测试，并使用 Qwen3-Max 作为示例基线）。

- 计算资源用于轨迹分析与演化算法（Evolver）的训练/推理。

- 管理策略：技能合并、版本控制、验证与回滚流程、以及权限与安全审查机制。

待核实项（材料中未完全揭示或需进一步确认的关键点）：

- Evolver 的具体实现细节：使用何种算法/模型来做归因与生成Skill更新（例如是否基于强化学习、规则抽取、或大模型生成），这在图片中未逐字说明，需查阅论文与代码。

- Evolve-Skill.md 的确切格式与自动化作用：图片可读到该文件名，但其字段、模板与应用方式需在仓库中核实。

- 合并（merge）策略与验证门槛：演化后Skill如何自动/半自动合并回主库，何种验证指标/人审门槛会阻止不良更新分发。

- 隐私与安全规范：采集用户交互轨迹的隐私合规措施、去标识化方法与数据保留政策。

- 在不同任务类型上的泛化能力与失败模式：图片列出多种任务范例，但每类任务的演化效果与局限需实测。

备注：以上解释基于输入的摘要与图像可读文字与结构推断，不包含我对未核实技术细节的虚构。要深入复现或评估，需要访问论文全文与开源代码库并查阅实现与实验细节。