一个痛点：Agent 总在同一个地方摔倒
用过 AI Agent 的人都有这种体验：
你纠正了 Agent 一次：”下次记得先验证图片是不是动图，别直接用。”
它在 Memory 里记了一笔。
但下次真遇到类似场景，它可能记住了”要验证”，却忘了具体该验证什么、怎么验证、验证后该做什么。
问题的本质：Memory 擅长存事实，但不擅长存流程。
“用户喜欢蓝色”是事实，存 Memory 没问题。但”拿到外部 GIF 后先验证是否真动图、再记录版权、再本地存副本、最后在产品 UI 确认渲染”——这是程序性知识，它需要的是一份 SOP，不是一条记忆。
Skill Workshop：程序性记忆系统
OpenClaw 最近推出的 Skill Workshop 插件，正是解决这个问题的答案。
一句话定义：
Skill Workshop 让 Agent 从工作经验中自动提炼可复用的 SKILL.md 文件。
| 概念 | 存什么 | 类比 |
|---|---|---|
| Memory | 事实、偏好、上下文 | 大脑海马体 |
| Skills | 可复用的操作规程 | SOP 手册 |
| Skill Workshop | 从经验中生成 SOP | 老员工带新人写操作手册 |
它的输出是标准的 SKILL.md 文件，存放在 <workspace>/skills/ 目录下，和手写的 Skill 享受完全相同的加载、优先级、门控机制。
工作原理：三条捕获路径
路径一：显式调用
Agent 识别到可复用流程时，直接调用 skill_workshop tool：
{
"action": "suggest",
"skillName": "animated-gif-workflow",
"title": "Animated GIF Workflow",
"description": "验证动图资产的完整流程",
"body": "## Workflow\n\n- 验证 URL 返回 image/gif\n- 确认包含多帧\n- 记录版权归属\n- 本地存储副本"
}
这是最可控的方式，即使关闭自动捕获也能使用。
路径二：启发式捕获
当用户说出”纠正性语句”时，自动触发：
| 触发短语 | 示例 |
|---|---|
next time |
“下次记得先跑测试” |
from now on |
“从现在开始用 PNG 格式” |
remember to |
“记得验证文件大小” |
make sure to |
“确保检查链接有效性” |
always ... verify |
“永远先验证权限” |
捕获后自动分类到对应 skill：
- GIF 相关 →
animated-gif-workflow - 截图相关 →
screenshot-asset-workflow - QA 相关 →
qa-scenario-workflow - GitHub PR →
github-pr-workflow - 其他 →
learned-workflows
路径三：LLM Reviewer
这是最智能的路径。达到阈值后（默认 15 次 agent turn 或 8 次 tool call），系统启动一个嵌入式 LLM 审查器：
输入：
- 最近 12,000 字符的对话 transcript
- 当前 workspace 最多 12 个已有 skill（每个最多 2,000 字符）
输出：
{ "action": "none" }— 没发现值得提炼的{ "action": "create", ... }— 创建新 skill{ "action": "append", ... }— 追加到已有 skill{ "action": "replace", ... }— 替换已有 skill 中的内容
关键约束：reviewer 没有任何工具权限（disableTools: true），只做纯文本分析，不会产生副作用。
安全设计：Proposal 审批制
Skill Workshop 不会直接改你的文件。每个捕获结果都经过一条安全管线：
捕获/提炼
↓
内容扫描器（检测危险模式）
↓
┌─────────────────────┐
│ 安全？ │
├─ ✅ safe ────→ pending（等待审批）或 auto-apply
└─ ❌ critical ─→ quarantine（隔离，无法 apply）
Proposal 状态机
pending ──→ applied（批准写入）
│
└──→ rejected（拒绝）
quarantined（永不自动写入，需人工干预）
写入限制
- 目录限制：只写入
<workspace>/skills/<skill-name>/ - 文件大小限制：默认 40KB
- 支持文件：只允许
references/、templates/、scripts/、assets/子目录 - 名称规范化：强制小写 +
[a-z0-9_-] - 去重：相同 skill name + 相同 change payload 自动去重
配置指南
最小安全配置（推荐起步）
{
plugins: {
entries: {
"skill-workshop": {
enabled: true,
config: {
autoCapture: true,
approvalPolicy: "pending", // 人工审批
reviewMode: "hybrid" // 启发式 + LLM
}
}
}
}
}
四种预设 Profile
| Profile | autoCapture | approvalPolicy | reviewMode | 适用场景 |
|---|---|---|---|---|
| 保守型 | false |
pending |
off |
只响应显式调用 |
| 审批型 | true |
pending |
hybrid |
推荐起步配置 |
| 自动型 | true |
auto |
hybrid |
可信个人 workspace |
| 低成本 | true |
pending |
heuristic |
不想花 LLM 调用费 |
关键参数
| 参数 | 默认值 | 说明 |
|---|---|---|
reviewInterval |
15 | 每 N 次 turn 触发 reviewer |
reviewMinToolCalls |
8 | 累计 N 次 tool call 后触发 |
reviewTimeoutMs |
45000 | reviewer 超时时间 |
maxPending |
50 | 最大待审/隔离 proposal 数 |
maxSkillBytes |
40000 | 单文件最大字节数 |
实战场景
场景一：博客发布流程沉淀
用户多次纠正 Agent 的博客发布流程后，Skill Workshop 自动提炼：
---
name: blog-publish-workflow
description: 博客文章发布的标准操作流程
---
## Workflow
1. 查看最近 3 张配图，确保风格不重复
2. 生成配图（禁止深蓝紫霓虹风格）
3. 文章不带内部链接
4. Front matter 必须包含 overlay_image
5. git commit & push
6. 第一时间告知用户结果
场景二：代码审查规程
---
name: code-review-workflow
description: PR 代码审查标准流程
---
## Before Review
- Check unresolved threads
- Verify CI status
- Read linked issues
## During Review
- Focus on logic errors over style
- Check error handling paths
- Verify test coverage for changed code
场景三：调研报告规范
---
name: research-report-workflow
description: 技术调研报告的质量标准
---
## 数据源要求
- 每个产品至少 3 种搜索策略交叉验证
- GitHub Stars/Forks/Release 频率必查
- 数据标注来源和日期
- 搜不到如实标注"未公开"
## 输出要求
- 覆盖完整赛道，主动发现未知玩家
- 有判断力，不只搬运信息
- 矛盾数据标注争议
与现有方案的对比
| 方案 | 优点 | 缺点 |
|---|---|---|
| MEMORY.md 手写规则 | 简单直接 | 手动维护、容易臃肿 |
| self-improving-agent skill | 记录错误和学习 | 被动记录，不生成可执行规程 |
| Skill Workshop | 自动提炼 + 审批 + 安全扫描 | 实验性、reviewer 有额外 LLM 成本 |
Skill Workshop 的独特价值在于：它产出的是结构化的、可直接加载的 SKILL.md，而不是散落在 memory 文件里的经验碎片。
设计哲学
Skill Workshop 的设计体现了几个值得玩味的理念：
1. 程序性记忆 ≠ 陈述性记忆
认知科学早就区分了”知道是什么”和”知道怎么做”。Skill Workshop 是 AI Agent 领域第一个认真对待这个区分的实现。
2. 安全优先于便利
默认关闭、默认审批、内容扫描、隔离机制——宁可漏掉一条有用 skill，也不写入一条有害内容。
3. 渐进式信任
从 pending（人工审批）起步，观察质量稳定后才切 auto。不是”要么全自动要么没用”的二选一。
4. 与 Skill 生态无缝衔接
产出的文件和手写 Skill 完全等价，享受同样的优先级、门控、agent allowlist、ClawHub 分发。
风险提示
⚠️ 实验性特性：capture 启发式和 reviewer prompt 可能随版本变化
⚠️ LLM 成本：hybrid 模式下每 15 turns 触发一次 reviewer 调用
⚠️ 不适合多人/不可信环境：恶意输入可能触发误导性 proposal
⚠️ 不替代 Memory：事实类信息（”用户名是 xxx”）不该走 Skill Workshop
总结
Skill Workshop 解决了一个长期痛点：Agent 的流程性知识如何持久化和复用？
它的答案是：
- 从对话中自动捕获可复用流程
- 通过安全审查过滤危险内容
- 经人工审批后写入标准 Skill 文件
- 下次遇到类似任务，直接按 SOP 执行
这让 Agent 从”每次都像新人”进化为”有经验的老员工”——而且这份经验是可审计、可编辑、可分享的。
基于 OpenClaw 官方文档 Skill Workshop Plugin 整理分析。当前为实验性特性，API 可能变化。