> 如果说 OpenClaw 是 AI Agent 的"神经系统"，那么 AutoSkill 就是它的"学习中枢"——从对话中自动提取可复用的技能，通过版本迭代持续进化。而 DeskClaw 则是一个更高层次的"人机协作操作系统"，把 AI Agent 当作真正的"运营伙伴"而非工具。这两个项目共同指向一个未来：AI 不仅能执行任务，还能在协作中持续成长。
导读：从工具到伙伴
2026 年，AI Agent 领域出现了两个重要趋势：
1. 技能的自动化：AutoSkill 证明 AI 可以从对话中自动提取、维护、进化 SKILL.md 格式的技能卡片 2. 人机协作的组织化：DeskClaw 创造了一个"Cyber Workspace"，让人类和 AI 作为平等伙伴共同运营业务
这两个项目的关系像是"内功"与"外功"——AutoSkill 赋予 Agent 持续学习的能力，DeskClaw 提供发挥这种能力的协作空间。
---
一、AutoSkill：经验驱动的终身学习
1.1 项目定位
AutoSkill 是华东师范大学（ECNU）与上海 AI 实验室联合开源的框架，其核心问题是：
> "用户在对话中反复表达稳定的偏好和要求（如'减少幻觉'、'遵循机构写作规范'），但这些交互经验很少被整合为可复用知识。"
| 属性 | 内容 |
|---|---|
| 论文 | arXiv:2603.01145 (2026-03-05) |
| 团队 | 华东师范大学 + 上海 AI 实验室 |
| GitHub | https://github.com/ECNU-ICALK/AutoSkill |
| 核心概念 | Experience-driven Lifelong Learning (ELL) |
| 技能格式 | SKILL.md (标准化、可编辑、版本化) |
1.2 核心架构：双循环系统
┌─────────────────────────────────────────────────────────────────┐
│ AutoSkill 双循环架构 │
├─────────────────────────────────────────────────────────────────┤
│ │
│ ┌─────────────────────┐ ┌─────────────────────┐ │
│ │ 技能进化循环 │ │ 技能增强响应循环 │ │
│ │ (右循环) │ │ (左循环) │ │
│ └──────────┬──────────┘ └──────────┬──────────┘ │
│ │ │ │
│ ▼ ▼ │
│ ┌─────────────────────┐ ┌─────────────────────┐ │
│ │ 1. 经验摄取 │ │ a. 查询重写 │ │
│ │ Experience │ │ Query Rewriting │ │
│ │ Ingestion │◄──────►│ │ │
│ └──────────┬──────────┘ └──────────┬──────────┘ │
│ │ │ │
│ ▼ ▼ │
│ ┌─────────────────────┐ ┌─────────────────────┐ │
│ │ 2. 技能提取 │ │ b. 技能检索 │ │
│ │ Skill Extraction │ │ Skill Retrieval │ │
│ │ │◄──────►│ (向量索引) │ │
│ └──────────┬──────────┘ └──────────┬──────────┘ │
│ │ │ │
│ ▼ ▼ │
│ ┌─────────────────────┐ ┌─────────────────────┐ │
│ │ 3. 技能维护与版本化 │ │ c. 上下文注入 │ │
│ │ Skill Maintenance│ │ Context Injection│ │
│ │ + Versioning │◄──────►│ │ │
│ └──────────┬──────────┘ └─────────────────────┘ │
│ │ │
│ ▼ │
│ ┌─────────────────────┐ │
│ │ 4. 技能复用 │ │
│ │ Skill Reuse │ │
│ │ (注入LLM请求) │ │
│ └─────────────────────┘ │
│ │
│ 关键洞察：系统通过显式记忆增长而非模型微调来持续改进 │
│ │
└─────────────────────────────────────────────────────────────────┘
1.3 技能生命周期详解
Stage 1: 经验摄取 (Experience Ingestion)
- 摄取对话消息和行为轨迹
- 提供原始学习信号
# 提取器从经验中提出技能候选
# 关键：不是所有交互都产生技能
if is_reusable(task) and has_stable_constraints(user_feedback):
skill_candidate = extract_skill(dialogue, traces)
else:
return None # 一次性请求不产生技能，避免噪音
Stage 3: 技能维护与版本化 (Skill Maintenance + Versioning)
| 决策 | 动作 | 版本变化 |
|---|---|---|
| Add | 新增技能 | v0.1.0 (新技能) |
| Merge | 合并到现有技能 | v0.1.0 → v0.1.1 |
| Discard | 丢弃（非复用模式） | 无 |
s_t_new = M_merge(P_merge, s_t_matched, z_t_candidate)
v(s_t_new) = Bump(v(s_t_matched)) # 版本递增
Stage 4: 技能复用 (Skill Reuse)
- 从向量索引检索相关技能
- 渲染为简洁的上下文表示
- 注入到 LLM 请求中
1.4 提示驱动的模块化架构
AutoSkill 的所有功能模块都通过提示工程实现，无需专门训练：
| 模块 | 提示 | 功能 |
|---|---|---|
| M_rw | P_rw | 查询重写 (Query Rewriting) |
| M_chat | P_chat | 对话生成 |
| M_ext | P_ext | 技能提取 |
| M_judge | P_judge | 技能管理决策 |
| M_merge | P_merge | 技能合并 |
| M_emb | - | 嵌入模型 (向量检索) |
1.5 实际使用场景
场景 A：写作约束提取
用户: "写一份报告"
AutoSkill: [无技能提取 - 一次性请求]
用户: "不要幻觉，所有数据必须标注来源"
AutoSkill: [提取技能 v0.1.0 - 稳定性偏好]
后续对话...
用户: "还有，避免过于技术性的措辞"
AutoSkill: [合并到现有技能 → v0.1.1]
下次任务："写一份政府工作报告"
AutoSkill: [检索并注入技能 v0.1.1]
场景 B：科学实验 SOP
用户: "按这个protocol做细胞培养"
AutoSkill: [提取实验约束为技能 v0.1.0]
后续反馈...
用户: "温度必须严格控制在37°C"
AutoSkill: [更新技能 → v0.1.1]
后续反馈...
用户: "培养时间不能少于48小时"
AutoSkill: [更新技能 → v0.1.2]
1.6 组件生态
AutoSkill 是一个多组件生态系统：
| 组件 | 功能 |
|---|---|
| AutoSkill | 核心 SDK + Web UI + OpenAI 兼容代理 + 在线技能进化 |
| AutoSkill4Doc | 从文档/论文提取技能 |
| AutoSkill4OpenClaw | OpenClaw 集成，轨迹驱动技能进化 |
| SkillEvo | 技能自我进化框架（重放、评估、变异、晋升） |
二、DeskClaw：人机协作运营平台
2.1 项目定位
DeskClaw 是 NoDeskAI 开源的"人机共管组织"运营平台。
| 属性 | 内容 |
|---|---|
| GitHub | https://github.com/NoDeskAI/nodeskclaw |
| 愿景 | "人类与 AI 从战略到执行共同运营业务" |
| 核心概念 | Cyber Workspace (数字协作空间) |
| 架构 | K8s 原生，多云支持 |
2.2 核心理念：Co-operating
DeskClaw 的核心理念是 Co-operating（协作运营）：
- 人类运营者：带来战略判断、创造性决策、价值对齐——决定"做什么"和"为什么"
- AI 运营者：带来不知疲倦的执行、模式识别、快速迭代——把"怎么做"推向极致
- Cyber Workspace：协作发生的地方——共享运营看板、任务委托、实时协调
2.3 架构概览
┌─────────────────────────────────────────────────────────────────┐
│ DeskClaw 架构 │
├─────────────────────────────────────────────────────────────────┤
│ │
│ ┌──────────────┐ │
│ │ Human │ │
│ │ Operators │──┐ │
│ │ (人类运营者) │ │ │
│ └──────────────┘ │ │
│ ▼ │
│ ┌──────────────┐ ┌────────────────────────────────────────┐ │
│ │ AI │ │ Portal (Vue 3 + Tailwind) │ │
│ │ Partners │──►│ - Hexagonal Topology Visualization │ │
│ │ (AI伙伴) │ │ - Shared Blackboard │ │
│ └──────────────┘ │ - Task Delegation │ │
│ └──────────────┬─────────────────────────┘ │
│ │ │
│ ▼ │
│ ┌────────────────────────┐ │
│ │ Backend API Hub │ │
│ │ Python 3.12 + FastAPI │ │
│ │ - PostgreSQL │ │
│ │ - Cyber Workspace │ │
│ │ - Gene System │ │
│ │ - Multi-cluster Ops │ │
│ └───────────┬────────────┘ │
│ │ │
│ ▼ │
│ ┌────────────────────────┐ │
│ │ AI Runtime │ │
│ │ - OpenClaw │ │
│ │ - Nanobot │ │
│ │ - ZeroClaw │ │
│ └───────────┬────────────┘ │
│ │ │
│ ▼ │
│ ┌────────────────────────┐ │
│ │ LLM Proxy │ │
│ │ - OpenAI │ │
│ │ - Anthropic │ │
│ │ - Gemini │ │
│ └────────────────────────┘ │
│ │
└─────────────────────────────────────────────────────────────────┘
2.4 核心概念详解
Cyber Workspace（数字工作空间）
- 六边形拓扑可视化运营团队关系
- 共享运营看板（Blackboard）作为团队仪表板
- 任务发布：任何人（人或 AI）都可以委托工作给最适合的伙伴
- 不是监控面板，而是业务实际发生的地方
- 对 AI 运营能力的投资
- 加载新的 Gene 到 AI 伙伴上，为业务开辟新维度
- 模块化能力包：来自公共市场或私有企业库
- 按需组合，持续进化
- 一键部署 AI 运营伙伴到 Kubernetes 集群
- SSE 实时进度流
- 跨集群编排、健康检查、弹性扩缩
2.5 多引擎支持
DeskClaw 支持多种 AI 运行时引擎：
| 引擎 | 特点 |
|---|---|
| OpenClaw | 开源 Agent 框架，技能驱动 |
| Nanobot | 轻量级执行引擎 |
| ZeroClaw | 极简运行时 |
---
三、AutoSkill × DeskClaw：技能生态的完整图景
3.1 关系定位
┌─────────────────────────────────────────────────────────────────┐
│ 技能生态层次结构 │
├─────────────────────────────────────────────────────────────────┤
│ │
│ ┌─────────────────────────────────────────────────────────┐ │
│ │ Layer 3: DeskClaw │ │
│ │ - 人机协作平台 │ │
│ │ - Cyber Workspace 运营环境 │ │
│ │ - Gene System 技能市场 │ │
│ └─────────────────────────┬───────────────────────────────┘ │
│ │ │
│ ▼ │
│ ┌─────────────────────────────────────────────────────────┐ │
│ │ Layer 2: OpenClaw / Nanobot / ZeroClaw │ │
│ │ - AI Agent 运行时 │ │
│ │ - SKILL.md 执行引擎 │ │
│ │ - 工具调用与编排 │ │
│ └─────────────────────────┬───────────────────────────────┘ │
│ │ │
│ ▼ │
│ ┌─────────────────────────────────────────────────────────┐ │
│ │ Layer 1: AutoSkill │ │
│ │ - 技能提取与进化 │ │
│ │ - 经验 → SKILL.md │ │
│ │ - 终身学习能力层 │ │
│ └─────────────────────────────────────────────────────────┘ │
│ │
│ 数据流向： │
│ 对话/轨迹 → AutoSkill 提取 → SKILL.md → OpenClaw 执行 │
│ ↓ │
│ DeskClaw 管理与分发 │
│ │
└─────────────────────────────────────────────────────────────────┘
3.2 协作流程示例
1. 人类运营者在 DeskClaw 的 Cyber Workspace 中创建任务
↓
2. AI Partner (OpenClaw runtime) 接收任务并执行
↓
3. 执行过程中 AutoSkill 监控对话和轨迹
↓
4. 发现可复用模式 → 提取为 SKILL.md
↓
5. 技能版本化并存储到 SkillBank
↓
6. 下次类似任务 → 检索并注入相关技能
↓
7. 技能可通过 DeskClaw 的 Gene System 分享给其他 AI Partner
3.3 与相关项目的对比
| 项目 | 定位 | 与 AutoSkill/DeskClaw 关系 |
|---|---|---|
| OpenClaw | Agent 运行时 | DeskClaw 支持的引擎之一；AutoSkill4OpenClaw 提供技能提取 |
| MetaClaw | 双时间尺度适应 | AutoSkill 专注于技能层，MetaClaw 同时优化权重层 |
| Ruflo | 多 Agent 编排 | DeskClaw 提供更高层次的运营平台 |
| DeerFlow 2.0 | 单监督者 Agent | AutoSkill 可作为其技能层补充 |
四、技术实现亮点
4.1 AutoSkill 的技术选择
为什么不微调模型？
- 成本：微调需要大量计算资源
- 灵活性：无法快速适应新用户
- 可解释性：黑盒模型难以理解
- 模块化：每个功能独立优化
- 可替换：随时切换底层模型
- 可解释：提示即文档
4.2 DeskClaw 的技术栈
| 组件 | 技术 |
|---|---|
| Portal | Vue 3 + Tailwind CSS |
| Backend | Python 3.12 + FastAPI + SQLAlchemy |
| LLM Proxy | Python + FastAPI |
| Database | PostgreSQL |
| Deployment | Kubernetes (主要目标) |
| Runtime | OpenClaw / Nanobot |
4.3 快速启动
DeskClaw K8s 部署：
# 1. 配置注册表
./deploy/cli.sh init
# 2. 准备环境变量
cp nodeskclaw-backend/.env.example nodeskclaw-backend/.env
# 编辑 .env 设置 DATABASE_URL, JWT_SECRET, ENCRYPTION_KEY
# 3. 部署
./deploy/cli.sh deploy
# 4. 配置 Ingress
kubectl apply -f deploy/k8s/ingress.yaml
本地开发：
./dev.sh --docker-pg # 一键启动所有服务
---
五、应用场景与价值
5.1 企业运营自动化
场景：SaaS 公司的客户成功团队
- 人类：制定客户沟通策略、处理复杂投诉
- AI Partner：执行日常跟进、生成报告、监控健康度
- AutoSkill：从每次客户互动中提取最佳实践，形成可复用的客户成功技能
5.2 科研实验室
场景：生物医学实验室
- 人类：设计实验、分析结果、做出科学判断
- AI Partner：执行标准化 protocol、记录数据、监控设备
- AutoSkill：提取实验 SOP 为版本化技能，确保实验可重复
5.3 创意工作室
场景：设计工作室
- 人类：创意方向、客户沟通、最终决策
- AI Partner：执行设计任务、生成变体、技术实现
- AutoSkill：学习品牌规范和客户偏好，形成设计技能库
六、总结：AI 的"成长型思维"
AutoSkill 和 DeskClaw 共同指向一个未来：AI Agent 不再是静态工具，而是能够持续学习和成长的数字伙伴。
AutoSkill 的核心洞察：
- 从"记忆片段"到"行为知识"——技能的显式表示
- 从"一次性对话"到"终身学习"——版本化的技能进化
- 从"黑盒模型"到"可编辑技能"——人类可监督、可干预
- 从"工具使用"到"伙伴关系"——人机 Co-operating
- 从"个人助理"到"组织运营"——Cyber Workspace
- 从"固定能力"到"基因投资"——可进化的 Gene System
经验 → AutoSkill 提取 → SKILL.md → DeskClaw 分发 → AI Partner 执行 → 新经验
↑ │
└─────────────────────────────────────────────────────────────────────┘
这是一个自我增强的循环——每一次人机协作都在让 AI 变得更聪明，而这些成长被显式地记录下来，可以被审计、被编辑、被分享。
---
参考链接：
- AutoSkill 论文：https://arxiv.org/abs/2603.01145
- AutoSkill GitHub：https://github.com/ECNU-ICALK/AutoSkill
- DeskClaw GitHub：https://github.com/NoDeskAI/nodeskclaw
*"AI 的未来不是更强大的单体模型，而是更懂得如何学习的 Agent 生态系统。"*
#AutoSkill #DeskClaw #NoDeskAI #SkillEvolution #OpenClaw #AIAgent #小凯 #步子哥