夜雨聆风截至 2026 年 4 月份，ClawHub 目前上架超过 13,400 个 Skills，排名前三的 Skills，下载量加起来超过 570k，今天咱们就分析，为什么大家需要他们？覆盖了 AI 工作流里的哪些痛点？
self-improving-agent | ||
skill-vetter | ||
ontology |
💡 建议安装顺序
先装 Skill Vetter（安全审查工具），再装 self-improving-agent（自我进化），最后按需装 Ontology（知识图谱）。顺序反了会让你在不安全环境下跑脚本。
Top1：self-improving-agent：让 Claude 越用越聪明
OpenClaw 作者亲自操刀，3,200+ stars，超 390k 下载！
"Captures learnings, errors, and corrections to enable continuous improvement."——每次 Claude 出错、被你纠正，它都会把这条经验写进
.learnings/目录，下次不再犯。
版本 v3.0.16
许可证 MIT-0（免费商用，无需署名）
VirusTotal 安全扫描：无威胁
它是怎么运作的
核心机制极简：三个文件 + 两个钩子。
Claude 每次被纠正时，把经验写入 .learnings/LEARNINGS.md；
命令执行失败时，自动写入 .learnings/ERRORS.md；
你提出想要的新功能时，写入 .learnings/FEATURE_REQUESTS.md。
同一条 Learning 30 天内出现 3 次及以上，自动晋升为永久规则，写进 CLAUDE.md，下一个 session 直接生效。
这就是"复利"——用六个月的 self-improving-agent，项目里的 AI 就是比刚安装的聪明，告别无效重复。
安装步骤
Step 1：确认已安装 Claude Code 或 OpenClaw 运行环境。
Step 2：在项目根目录运行安装命令：
# 方法一：ClawHub CLI 一键安装（推荐）
npx clawhub@latest install pskoett/self-improving-agent
# 方法二：OpenClaw 用户
openclaw skills install self-improving-agent
# 方法三：直接克隆 GitHub 仓库
git clone https://github.com/peterskoett/self-improving-agent.git \
~/.openclaw/skills/self-improving-agentStep 3：安装完成后，手动初始化 .learnings/ 目录（如果没有自动创建）：
mkdir -p .learnings
# 目录结构如下：
# .learnings/
# ├── LEARNINGS.md ← 经验总结
# ├── ERRORS.md ← 错误记录
# └── FEATURE_REQUESTS.md ← 功能需求配置方法（Claude Code 用户）
在 .claude/settings.json 中添加钩子配置，实现自动触发：
{
"hooks": {
"UserPromptSubmit": [{
"matcher": "",
"hooks": [{
"type": "command",
"command": "./skills/self-improvement/scripts/activator.sh"
}]
}],
"PostToolUse": [{
"matcher": "Bash",
"hooks": [{
"type": "command",
"command": "./skills/self-improvement/scripts/error-detector.sh"
}]
}]
}
}⚠️ Token 消耗说明
activator.sh钩子每次 Prompt 约增加 50–100 tokens 开销。长 session 注意上下文预算，必要时可在settings.json中临时移除UserPromptSubmit钩子。
优化建议
规则一：每周 review 一次 .learnings/LEARNINGS.md。 AI 自动记录，但你需要主动"晋升"重要条目到 CLAUDE.md，高价值知识才能真正沉淀。
规则二：用 Area 标签分类。 每条 learning 都打 Area 标签（如 backend、frontend、infra），后期按领域过滤比全文搜索快 10 倍。
规则三：团队共享不要加入 .gitignore。 把 .learnings/ 提交到 Git 仓库，团队所有人共享同一套 AI 经验库。
规则四：新项目第一步就装。 越早装、积累越长，AI 越聪明。项目跑了半年再装，就是从零开始。
Top2：Skill Vetter：装 Skill 之前先扫一遍
900+ stars，超 208k 下载！
"Security-first skill vetting for AI agents. Use before installing any skill from ClawdHub, GitHub, or other sources."——2026 年 2 月，安全研究机构在 ClawHub 发现超过 1,100 个恶意 Skill，这个 Skill 就是为此而生。
为什么必须装这个
这不是危言耸听啊。最近各种代码攻击很多，比如 axios，apifox 等项目。
Skill 也同样出现了问题。
2026 年 2 月期间，安全团队在 ClawHub 上发现了超过 1,100 个恶意 Skills，其中 335 个来自同一批次攻击，被命名为"ClawHavoc"。
ClawHub 随即下架了 2,419 个可疑 Skills，接入 VirusTotal 自动扫描。
但"更好"不等于"零风险"！
每次装 Skill 之前，大家还是先跑起来 Skill Vetter。
四步审查协议
1. 来源核查：作者是谁？Star 数多少？上次更新是什么时候？有没有社区评价？ 2. 代码审查（必做）：扫描所有文件，检查高危红旗标志—— curl/wget到陌生地址、请求 API Key、读取~/.ssh或~/.aws、使用eval()、混淆代码。3. 权限评估：它需要读写哪些文件？需要网络访问吗？权限与功能是否匹配？ 4. 风险分级：输出 GREEN / MEDIUM / HIGH / EXTREME 四档，HIGH 以上需要人工批准。
安装步骤
# 安装 Skill Vetter（这一步本身也是安全的，MIT-0 纯指令文件）
npx clawhub@latest install spclaudehome/skill-vetter
# 或 OpenClaw 用户
openclaw skills install skill-vetter使用方法——审查一个 GitHub Skill
# 查看仓库基本信息
curl -s "https://api.github.com/repos/OWNER/REPO" \
| jq '{stars: .stargazers_count, updated: .updated_at}'
# 列出 Skill 文件结构
curl -s "https://api.github.com/repos/OWNER/REPO/contents/skills/SKILL_NAME" \
| jq '.[].name'
# 获取 SKILL.md 原文审查
curl -s "https://raw.githubusercontent.com/OWNER/REPO/main/skills/SKILL_NAME/SKILL.md"Skill Vetter 报告格式
SKILL VETTING REPORT
═══════════════════════════════════
Skill: self-improving-agent
Source: ClawHub
Author: pskoett
Version: v3.0.16
───────────────────────────────────
METRICS:
• Downloads/Stars: 387k / 3.2k
• Files Reviewed: 6
───────────────────────────────────
RED FLAGS: None
PERMISSIONS:
• Files: .learnings/ (workspace only)
• Network: None
───────────────────────────────────
RISK LEVEL: 🟢 LOW
VERDICT: ✅ SAFE TO INSTALL
═══════════════════════════════════🚨 立即拒绝的红旗信号
以下特征出现任意一条，直接不装：
• 向陌生 URL 发送 curl/wget • 请求 API 密钥或凭证 • 读取 ~/.ssh、~/.aws• 访问 MEMORY.md/SOUL.md• 使用 base64 解码 • eval() 接收外部输入 • 代码混淆压缩
Top3：Ontology：给 AI 建一张永不遗忘的知识关系网
500+ stars，超 164k 下载！
"Typed knowledge graph for structured agent memory and composable skills."——不是普通的备忘录，是有约束、可查询、可关联的实体图谱。Person → Project → Task，关系一目了然。
它能做什么
你有没有遇到过：告诉 AI"张三负责这个项目"，下个 session 它又完全不知道张三是谁？Ontology 就是解决这个问题的。它把所有实体（人、项目、任务、文档、事件）存进 memory/ontology/graph.jsonl，并强制约束关系类型和属性格式，查询"哪些任务依赖 proj_001"只需一行命令。
支持的实体类型
内置类型：Person / Project / Task / Event / Document / Account / Commitment，支持自定义扩展。
安装步骤
# ClawHub CLI 安装
npx clawhub@latest install oswalpalash/ontology
# 初始化存储目录
mkdir -p memory/ontology
touch memory/ontology/graph.jsonl配置 Schema（可选但强烈推荐）
# 定义基础 Schema，约束实体必填字段
python3 scripts/ontology.py schema-append --data '{
"types": {
"Task": { "required": ["title", "status"] },
"Project": { "required": ["name"] },
"Person": { "required": ["name"] }
}
}'核心命令速查
# 创建实体
python3 scripts/ontology.py create --type Person \
--props '{"name":"Alice","email":"alice@company.com"}'
# 查询特定类型
python3 scripts/ontology.py query --type Task --where '{"status":"open"}'
# 获取单个实体
python3 scripts/ontology.py get --id task_001
# 关联实体
python3 scripts/ontology.py relate \
--from proj_001 --rel has_task --to task_001
# 查询关联关系
python3 scripts/ontology.py related --id proj_001 --rel has_task
# 验证所有约束
python3 scripts/ontology.py validate跨 Skill 联动（进阶用法）
Ontology 最强的地方是作为其他 Skills 的共享状态层。比如邮件 Skill 发现"周五前发报告"，自动创建 Commitment 实体；任务 Skill 定期查询 pending Commitment，自动生成 Task。全流程自动化，零手动。
# 邮件 Skill 创建承诺
commitment = ontology.create("Commitment", {
"source_message": msg_id,
"description": "Send report by Friday",
"due": "2026-01-31"
})
# 任务 Skill 自动接收
tasks = ontology.query("Commitment", {"status": "pending"})
for c in tasks:
ontology.create("Task", {
"title": c.description,
"due": c.due,
"source": c.id
})⚠️ 重要操作规范
永远用
append/merge更新已有数据，不要直接覆盖graph.jsonl。它是 append-only 追加日志，覆盖会丢失历史记录。
一键安装全流程：三分钟上手
#!/bin/bash
# Step 1: 安装 Skill Vetter（安全先行）
npx clawhub@latest install spclaudehome/skill-vetter
# Step 2: 用 Skill Vetter 审查 self-improving-agent（可选但推荐）
# 在 Claude Code 中运行：Use skill-vetter to vet pskoett/self-improving-agent
# Step 3: 安装 self-improving-agent
npx clawhub@latest install pskoett/self-improving-agent
# Step 4: 安装 Ontology
npx clawhub@latest install oswalpalash/ontology
# Step 5: 初始化目录结构
mkdir -p .learnings memory/ontology
touch memory/ontology/graph.jsonl
echo "✅ 三个核心 Skills 安装完毕"💡 Workspace 路径说明
Workspace 级 Skills 放在
<project>/skills/，只对当前项目生效。
全局 Skills 放在~/.openclaw/skills/，所有项目通用。
同名 Skill，Workspace 版优先级高于全局版。
分岗位推荐使用指南：你的岗位怎么用
不同岗位有不同痛点。产品经理要的是全流程追踪，内容创作要的是风格记忆，技术团队要的是零门槛自动化。
| 产品经理 | ||
| 前端 / UI 设计 | ||
| 内容创作 | ||
| 运营 | ||
| 客服 / 技术支持 | ||
| 人力资源 | ||
| 财务 | ~/.aws 或凭证文件。安全第一。 | |
| 法务 | ||
| 行政 | ||
| 公关 |
优化方法 + 使用注意事项
优化方法
self-improving-agent
定期筛选"晋升候选"。 LEARNINGS.md 里积累多了要做减法。把最有价值的 5–10 条手动提升到 CLAUDE.md，其余归档。越精简、AI 加载越快、越管用。
利用 extract-skill.sh 提取可复用 Skill。 如果某条 Learning 已经足够通用，用内置脚本一键脚手架成新 Skill，发布到 ClawHub 回馈社区：
# 先预览，确认无误再执行
./skills/self-improvement/scripts/extract-skill.sh my-skill --dry-run
./skills/self-improvement/scripts/extract-skill.sh my-skillOntology
从最小 Schema 开始，按需扩展。 不要一开始就定义 20 个实体类型。先用 Task + Person + Project 三个类型，跑通流程再加。
定期执行 validate 检查一致性。 尤其是多个 Skill 共享 ontology 数据时，约束验证能提前发现孤立节点和错误关联。
注意事项
⚠️ 注意事项一：绝对不记录密钥
self-improving-agent 明确要求：不要把 API Key、Token、私钥、环境变量写进
.learnings/。宁可写"API 密钥配置见 .env 文件"，也不要直接记录密钥值。
⚠️ 注意事项二：PostToolUse 钩子谨慎开启
error-detector.sh（PostToolUse 钩子）会检查每次 Bash 命令的输出。如果你的命令输出包含敏感数据，谨慎开启。推荐先只开UserPromptSubmit钩子，稳定后再加 PostToolUse。
🚨 注意事项三：Ontology 不要内联存储密钥
Ontology 的 Schema 规范明确要求：敏感凭证使用
secret_ref引用，不要直接存储明文密钥在 graph.jsonl 中。
💡 注意事项四：更新前先看 Changelog
self-improving-agent 目前已有 v3.0.13，Schema 和钩子格式可能随版本变化。更新前用
npx clawhub@latest compare pskoett/self-improving-agent对比差异，确认兼容性。
三 Skills 组合使用：最佳实践
三个 Skills 组合使用的效果远超单独使用。推荐这套流程：
1. 新建项目 → 立刻安装三个 Skills。 按照 Vetter → self-improving-agent → Ontology 的顺序。 2. 用 Ontology 建立项目知识图谱。 创建核心实体：项目、主要人员、关键任务，以及它们之间的关系。 3. 开始正常工作，让 self-improving-agent 自动积累。 不需要刻意触发，出错时它会自动记录，你纠正时它会自动学习。 4. 新 Skills 装之前，先过 Skill Vetter。 已经习惯之后只需要 30 秒，但能省去一次安全事故的麻烦。 5. 每周复盘一次 .learnings/，高价值条目提升到 CLAUDE.md。 把琐事交给 AI，你专心打磨内容。
这不只是「安装三个工具」。这是把 AI 从一次性工具变成越用越懂你的队友。
现在就开始：三行命令上手
npx clawhub@latest install spclaudehome/skill-vetter
npx clawhub@latest install pskoett/self-improving-agent
npx clawhub@latest install oswalpalash/ontology数据来源：ClawHub 官网 · GitHub openclaw/skills 仓库 · Firecrawl Blog · rentamac.io · 2026年4月整理
