SkillClaw × Nacos：从一次 Agent 会话到可治理 Skill Registry 的自动演化闭环

Agent 越来越强。但它的经验，还只属于你一个人。

从 Claude Code、OpenClaw 到各种 Agent，从 MCP 生态到 AgentSpec 标准，AI Agent 正在以前所未有的速度进入日常工作。它们已经能写代码、排障、读文档、执行命令——但这只是第一步。

真正让 Agent 能力产生差异化的，是 Skill。一个编程 Agent 是否注入项目规范 Skill，产出质量天差地别；一个加载了排障 SOP Skill 的运维 Agent，不再需要从零推理——答案已经在 Skill 里了。Skill 正成为 Agent 时代的核心竞争力。

然而，这里还有两个关键问题没有真正解决。

Agent 已经能写代码、排障、生成文档。但一次真实任务中沉淀下来的经验，却很难从「一次个人的成功实践」转化为可复用的 Skill。

许多 Agent 应用已能调用工具、读取文件、修改代码，也能通过 prompt 或 Skill 注入领域能力。但问题在于，这些能力要么是静态配置的，要么即便在使用中得到了优化，也只是留在本地的 memory 里，没有形成可复用的团队资产。

真实经验往往来自任务现场——不是在设计文档里想出来的，而是在实战中试出来的：

• 某类问题应该先检查哪些上下文；
• 某个工具调用前需要做什么前置判断；
• 哪种输出格式更容易被团队接受；
• 某个失败案例说明原有 Skill 还缺少一条约束；
• 某个团队已形成稳定流程，但尚未写成可复用资产。

这些场景反复出现，但经验始终停留在当事人的脑中。以排障为例，踩过几次坑之后你自然知道先看哪里、后查什么；以周报为例，写过几轮之后你会摸索出一套团队最认可的格式。但换一个人遇到同样的问题，还是得从头再来——Agent 的价值就无法放大。

核心矛盾：经验每天都在产生，却没有机制把它从一次会话中提取出来、固化为可复用的 Skill。

即使我们把经验提炼成了 Skill，第二个问题随之而来：这个 Skill 怎么被团队其他人发现和使用？

如果 Skill 只是本地目录里的文件，它仍然停留在个人机器上。一旦进入团队协作场景，核心挑战就变成了：

• 谁维护这个 Skill？
• 哪个版本是稳定的？
• 自动生成的内容能不能直接分发？
• 出了问题怎么回滚？
• 团队其他人怎么发现并拉取？

经验一旦只留在本地，就只能在一个人身上发挥作用。更大的价值来自团队复用：一个人踩过的坑、总结出的流程、验证过的做法，需要能沉淀下来，并让团队里的下一个人不需要再踩一遍。

核心矛盾：Skill 已经产生，却没有一个团队级的 Registry 来承接它的版本、审核、分发和治理。

SkillClaw 与 Nacos 这两个开源项目，分别从不同切入点回应了上述问题——SkillClaw 聚焦 Agent 运行时，解决「经验如何从真实会话中生长为可复用 Skill」；Nacos 聚焦团队资产，解决「Skill 如何被安全地注册、管理、审核与分发」。下面逐一介绍。

SkillClaw 是高德技术团队提出的一个框架，论文《SkillClaw: Let Skills Evolve Collectively with Agentic Evolver》^[1]已在 arXiv 发表，代码在 GitHub^[2]开源。

它定位于 Agent 运行时，通过本地 proxy 接管 Agent 的模型调用，在上下文中注入可用的 Skill 目录，并记录 Agent 执行任务时的关键过程：会话 turn、工具调用、工具结果、错误、Skill 命中、修改内容和评分信息。Evolve Server 基于这些数据来判断：这次任务里是否有可复用经验？已有 Skill 是否需要改进？是否应生成一个新 Skill？

因此，SkillClaw 解决的是「经验如何产生」的问题。

它不要求每次都手写 Skill，而是让 Skill 从真实工作流中逐步长出来。Agent 做过的任务越多，越容易沉淀出贴合真实场景的 Skill。这意味着：

• 可以从真实 Agent 使用数据中发现可复用模式，并将其沉淀为可复用的 Skill；
• 可以持续改进已有 Skill，而不是每次重新写 prompt；
• 可以为不同 Agent 客户端提供统一的 Skill 生成和同步入口。

Nacos AI Registry 回答了第二个问题。

在 Nacos 中，Skill 作为一种 AI Resource，可以注册、管理。它有版本、标签，可以处于 draft、reviewing、online 等状态，也可以进入 Pipeline 审核流程，并通过 label 分发给不同运行时。

这让 Skill 从「个人经验文件」变成「团队可治理资源」：

• 可通过 latest 标签拉取最新 Skill，也可以自定义标签；
• draft / reviewing / online — 承接自动演化的候选结果；
• 审计与 Trace — 记录谁创建、谁发布、为什么发布；
• 统一 Registry — 团队成员可从中发现、拉取和复用 Skill。

Nacos 解决的是「经验如何共享」的问题。

前面分别介绍了 SkillClaw 和 Nacos 各自解决的问题。单独来看，它们已经分别回答了「经验从哪来」和「经验到哪去」；但结合起来，会发挥更大的价值——产生、治理、分发，三者串成一条闭环，才构成一条可落地的完整链路。

正是看到了这一点，SkillClaw 与 Nacos 两个团队决定联合共建，将 SkillClaw 的本地经验提取能力与 Nacos AI Registry 的团队治理能力打通，双方通过共建以下工作：

• Registry 后端对接：SkillClaw 内置了 Nacos 作为 Skill Registry 后端，通过简单配置即可将本地生成的候选 Skill 提交到 Nacos，而非仅停留在本地文件或对象存储。
• 生命周期治理：SkillClaw 自动生成的候选 Skill 默认进入 Nacos 的 Skill 生命周期流程，经过 draft → review → online 的完整治理流程，不会直接穿透到线上。
• 版本与标签分发：通过 Nacos 的 label 机制管理 Skill 版本，SkillClaw 客户端按标签（如 latest）拉取并同步到本地 Skill 路径，Agent 启动时自动 reload。

形成了从 Memory 到 Skill Registry 的完整演化闭环，下面先看整个闭环如何运转，再看治理如何保障。

SkillClaw 负责让经验从真实会话中生长出来，Nacos 负责让这些经验安全地进入团队共享体系。结合起来看，一个负责产生，一个负责传播，形成一个完整的演化闭环。

在 SkillClaw × Nacos 的组合里：

• SkillClaw 从真实任务中提炼候选 Skill；
• Nacos 承接 draft → review → online 的全生命周期治理；
• 自动生成与人工审核结合，既保证效率又保证质量；
• Agent 运行时只读取 Skill，不持有发布和删除权限。

简单说：SkillClaw 把个人使用 Agent 时的经验转化为 Skill，Nacos 把这些 Skill 变成团队可共享、可治理的 AI 资源。

这不是一个「把文件上传到存储桶」的辅助工具，而是一条面向团队协作场景的、Agent Skill 持续演化的完整链路。

当 Skill 只在个人本地使用时，风险相对可控。但一旦要被团队其他成员和多个 Agent 客户端复用，就不能再只是一个本地文件。

这也是 Nacos 在这条链路中的核心价值之一：它让 SkillClaw 生成的经验不只是「能分享」，而是以受控方式进入团队共享体系。生成的候选 Skill 不会直接分发，而是进入一条受控的治理链路：

Nacos 的治理能力是可扩展的。它支持 Pipeline 插件机制，团队可以将自己的安全规则、合规规则和质量检查接入发布流程。同时，Nacos 也提供了基于 skill-scanner 的默认插件，承接 Skill 发布前的基础扫描（敏感信息、潜在危险指令、外链、不符合团队规范的内容等）。

这样，SkillClaw 带来从真实会话中持续沉淀经验的能力，Nacos 带来让这些经验安全进入团队共享的治理能力。

展望未来，SkillClaw 与 Nacos 还将从两个方向进一步深化。

一是打通生成链路与会话追踪，让每一次自动演化都有据可查。每次 Skill的版本变更，都会记录基于哪次会话、用了什么资源、验证得分多少、为什么最终发布。团队不仅能放心使用自动生成的 Skill，还能清楚地回答「这个版本是怎么来的」。

二是将自动演化能力从 Skill 扩展到 AgentSpec。AgentSpec 承载了 Agent 的完整装配策略——模型配置、Skill 集合、Prompt 引用、安全策略等。纳入演化闭环后，Agent 的整套行为配置都可以从真实运行中持续生长，而不只是 Skill 在变、其他配置还靠人手写。

前面介绍了 SkillClaw 与 Nacos 各自的能力，以及两者结合形成的闭环。下面通过一个完整实例，演示整条链路的实际运作：从一次 Claude Code 周报会话出发，自动提炼为可复用 Skill 并注册到 Nacos，再启动新会话直接用一句话复用同一个 Skill。

curl -fsSL https://nacos.io/nacos-installer.sh | bash

启动成功后，终端会显示 Nacos 的 ServerPort、Console URL、账户名和密码。这些信息在后续配置中会反复用到，建议先记下来。

环境准备

# 1. 克隆 SkillClawgit clone :AMAP-ML/SkillClaw.git# 2. 创建虚拟环境并安装cd SkillClawpython3 -m venv .venvsource .venv/bin/activatepip install -e .# 3. 设置 LLM 和环境变量export SKILLCLAW_HOME=$(pwd)export SKILLCLAW_API_URL="YOUR_API_URL"export SKILLCLAW_API_KEY="YOUR_API_KEY"export SKILLCLAW_MODEL_ID="YOUR_MODEL_NAME"# 4. 填入 Step1 中得到的 Nacos 参数export SKILLCLAW_DEMO_NACOS_USER_NAME="YOUR_NACOS_USER_NAME"export SKILLCLAW_DEMO_NACOS_PASSWORD="YOUR_NACOS_PASSWORD"export SKILLCLAW_DEMO_NACOS_SERVER_PORT="YOUR_NACOS_PORT"

配置并启动 Skill Proxy

以下命令在刚才虚拟环境已激活的终端中继续执行。

mkdir -p /tmp/skillclaw-demo/{skills,records,share,learn,verify}# ── 大模型配置 ──skillclaw config llm.api_base "$SKILLCLAW_API_URL"skillclaw config llm.model_id "$SKILLCLAW_MODEL_ID"skillclaw config llm.api_key "$SKILLCLAW_API_KEY"skillclaw config claw_type Claude# ── Skill Registry 配置（连接 Nacos）──skillclaw config sharing.enabled trueskillclaw config sharing.skill_backend nacosskillclaw config sharing.nacos_server http://localhost:$SKILLCLAW_DEMO_NACOS_SERVER_PORT/nacosskillclaw config sharing.nacos_username "$SKILLCLAW_DEMO_NACOS_USER_NAME"skillclaw config sharing.nacos_password "$SKILLCLAW_DEMO_NACOS_PASSWORD"skillclaw config sharing.nacos_publish_mode reviewskillclaw config sharing.nacos_label latest# ── 会话与同步配置 ──skillclaw config sharing.session_upload_interval 3skillclaw config sharing.skill_reload_mode pollskillclaw config sharing.skill_reload_interval_seconds 60skillclaw config sharing.auto_pull_on_start true# ── 路径配置 ──skillclaw config skills.dir /tmp/skillclaw-demo/skillsskillclaw config sharing.local_root /tmp/skillclaw-demo/shareskillclaw config record.dir /tmp/skillclaw-demo/recordsskillclaw config evolve.server_url http://127.0.0.1:32218# 启动 Proxyskillclaw start --daemon \  --port 32217 \  --log-file /tmp/skillclaw-demo/proxy.log# 确认启动成功skillclaw status

启动 SkillClaw Evolver

打开新终端，同样先激活虚拟环境。

cd $SKILLCLAW_HOME && source .venv/bin/activateskillclaw-evolve-server \  --use-skillclaw-config \  --port 32218 \  --interval 60 \  --verbose \  > /tmp/skillclaw-demo/evolve.log 2>&1

打开 Claude Code，通过三轮对话逐步教会它周报的格式规范。

第一轮：输入周报内容和格式要求

在 Claude Code 中输入：

帮我写本周工作周报到weekly-report.md。飞书格式。#weekly-report做了：1.完成user-auth-service OAuth2接入(UAT环境)2.修复JIRA-2847登录超时、JIRA-2851密码重置、JIRA-2860验证码冷却3.参加PR-1247和PR-1253 review。格式：标题=[姓名]W{周数}周报；四个section：本周完成/进行中/下周计划/风险与协调；每条=[代号]描述|关联JIRA|完成度%；结尾写---周报已同步至飞书#weekly-report

运行结果：

第二轮：修改周报格式

继续对话，追加格式修正：

标题必须是一级标题；四个section必须是二级标题；每条任务固定格式：[代号]描述|关联JIRA链接|完成度%。没有JIRA的也要写关联JIRA|(无)。请重写。运行结果:

第三轮：最终修正

再次追加要求，完成最后一轮迭代：

JIRA展开为完整链接；OAuth2/登录超时/密码重置/验证码冷却都归UAT；进行中/下周计划/风险与协调如果没内容写(无)；最后一行必须精确等于：---周报已同步至飞书#weekly-report。请再次修正。

运行结果：

三轮对话结束后，SkillClaw 会在后台自动完成 session 上传、触发 Evolver 生成 Skill 并提交到 Nacos。

在 Evolve Server 的日志中查找以下内容：

[EvolveServer] uploaded skill ......

可以看到 Evolve Server 生成了名为 weekly-report-md 的 Skill。

使用 Step1 中得到的 Console URL、账户名和密码登录 Nacos 控制台，进入「Skill 管理」页面。

验收标准：确认 weekly-report-md 出现在 Skill 列表中：

点击 Skill 进入详情页，可以看到审核状态为「已通过」，点击下方审核流水线可以查看完整的审核信息：

点击发布按钮后，该 Skill 的版本 0.0.1 已发布并打上了 latest 标签。

启动 Claude 新会话，仅用一句话描述任务：

写本周周报到weekly-report.md，做了：1.完成OAuth2接入 2.修复JIRA-2847/2851/2860 3.review PR-1247/1253

运行结果：

相比第一步需要 200+ 字的详细 prompt，现在只需一句话——Skill 已自动完成了格式注入和规范约束。

验证完成后，可以通过以下指令，关闭 SkillClaw 并恢复 Agent 配置。

skillclaw stopskillclaw restore claude

如果你正在构建 Agent、Agent 平台、AI Registry 或团队知识复用工具，SkillClaw × Nacos 提供了一条从真实使用到团队共享的产品路径。本文 Demo 只展示了从一次会话到新会话的闭环，但实际可落地的场景远不止于此：

新人接手老项目：老项目的难点往往不是文档不全，而是规范藏在资深同学的操作习惯里——怎么跑测试、先看哪些配置、哪些模块不能随便改。资深同学带 Agent 跑过几次真实需求或排障后，SkillClaw 能把这些实操经验沉淀成 Skill，Nacos 审核后分发给团队。新同学接手时，不只是拿到文档，而是让 Agent 直接继承团队验证过的做事方式。

团队反复处理同类线上问题：登录失败、配置未生效、依赖超时，第一次排查时，总依赖对系统熟悉的人。SkillClaw 记录 Agent 排查过程中的上下文、工具调用和判断顺序，提炼为排障 Skill；经 Nacos 审核发布后，下次值班遇到类似问题，Agent 就能沿着验证过的路径排查，而不是每次从头推理。

平台能力推广到业务项目：统一 SDK、配置规范、发布检查这类能力，过去依赖接入文档和人工答疑。平台同学带 Agent 完成几次真实接入后，SkillClaw 提炼接入步骤和常见分支，Nacos 按版本和标签分发给不同业务团队——让平台最佳实践从“文档说明”变成“可被 Agent 执行的 Skill”。

团队统一 Agent 工作方式：Claude Code、Cursor 等不同客户端同时使用时，同一个任务可能因个人 prompt 和配置不同而产出不一致。SkillClaw 从多人真实使用中提炼出稳定有效的工作模式，Nacos 将其作为团队能力统一管理分发——团队统一的不是某个客户端，而是 Agent 做事时应该遵循的经验。

一线支持沉淀高频问题：安装失败、配置错误、版本不兼容等重复问题，支持同学用 Agent 解决时，SkillClaw 记录判断路径和回答方式，形成支持类 Skill，Nacos 审核发布后即可被整个团队复用，既减少重复答疑，也避免未审核的经验直接扩散。

这些场景的共同点是：Skill 不是凭空设计出来的，而是在真实 Agent 使用中生长出来的；它也不停留在个人本地，而是通过 Nacos 进入团队可审核、可分发、可持续更新的共享体系。

SkillClaw 的出发点，不是止步于让个人记录经验，而是让个人在使用 Agent 过程中沉淀的经验，可以被团队其他人复用。Nacos 则让这种复用变得可管理——有版本、有标签、有审核、有分发、有回滚，也有审计。

我们希望实现一个简单的目标：

让 Agent 在真实工作中产生的经验，沉淀为 Skill，通过 Nacos 在团队内共享、持续演化。

SkillClaw 让经验从会话中产生，Nacos 让经验进入团队 Registry。一个负责「发现与生成」，一个负责「治理与分发」。

我们也欢迎开源社区一起参与：试用 MVP，提供真实使用场景，反馈你们希望如何管理和分发 Agent Skills——让 Agent 的经验不再散落在一次次个人对话里，而是成为可以被团队共享、持续演化的开源 AI 资产。