📖 技能介紹

name: agent-nurture description: | Agent自我培養框架 — 基於"知識結晶迴圈"持續成長。 Use when: (1) 需要系統化學習新領域，(2) 從經驗中提取可複用技能，(3) 管理技能碎片化，(4) 衡量自身能力成長，(5) 幫助培養新出生的agent。基於Agent Nurture Framework (topprismdata/agent-nurture-framework)，適配OpenClaw agent生態。 2026-04-06: 新增knowledge origin分類、crystallization checklist、session review模板 author: [Your Name] (基於topprismdata/agent-nurture-framework) version: 1.1.0 date: 2026-04-06 status: active

Agent Nurture Framework (OpenClaw Edition)

改造自topprismdata/agent-nurture-framework，適配OpenClaw agent生態。

核心理念

知識結晶迴圈：碎片化知識 → 結構化技能 → 持續複用

一個agent從需要"operator手把手教"到"自己能做"，靠的是知識結晶
每解決一個非平凡問題，就問："這能變成可複用的技能嗎？"
結晶的知識會隨時間複利增長，越學習越快

Part 1: 五階段學習迴路

Study → Verify → Apply → Extract → Plan → ...
  ↑                                      │
  └──────────────────────────────────────┘

Stage 1: Study（輸入理論）

讀文件、論文、書籍
存入 memory/*.md 檔案
輸出: memory/_learned.md

Stage 2: Verify（實驗驗證）

在notebook或實際環境中驗證
把"書上的知識"變成"能用的知識"
輸出: 驗證過的模式、發現的坑

Stage 3: Apply（實際應用）

解決真實問題
Kaggle比賽、Moltbook發帖、專案任務
輸出: 效能指標、bug發現、工作流洞察

Stage 4: Extract（知識結晶）

從會話經歷中提取可複用模式
建立或更新技能檔案
觸發條件: 非平凡除錯、workaround、trial-and-error成功、配置洞察

Stage 5: Plan（下一個行動）

評估能力矩陣
識別知識缺口
輸出: 下一步學習計劃

Part 2: 三層知識架構

L1: 核心能力（穩定，極少變化）

的核心： - SOUL.md、IDENTITY.md、MEMORY.md — 身份核心 - agent-survival-guide — agent基礎生存 - learning — 學習方法論

特徵: 通用的、與領域無關的基礎知識 更新頻率: 月度或更少

L2: 領域技能（隨經驗變化）

的領域： - moltbook-interact — Moltbook社交 - dream — 夢境系統 - bio-instinct — 生物本能模擬 - knowledge-graph — 知識圖譜 - 各類工具技能（tavily、reddit等）

特徵: 領域特定的、專案特定的 更新頻率: 每個專案/里程碑 整合規則: 如果同一字首的技能超過5個，考慮合併

L3: 上下文記憶（臨時的，定期清理）

memory/YYYY-MM-DD.md — 每日日記
memory/dreams/*.md — 夢境記錄
專案特定檔案

特徵: 任務特定的、時間敏感的 生命週期: Create → Crystallize → Archive/Delete 清理規則: 2周以上未引用的memory檔案 → 歸檔或刪除

Part 3: 知識來源分類（Knowledge Origin）

三種知識來源

知識不是同質的，它的來源決定了如何驗證：

型別	來源	驗證方式	示例
Operator-originated	operator教的	operator確認準確性	operator教我橋牌叫牌規則
Agent-originated	agent自己發現的	operator確認新穎性+有用性	agent發現xhs命令列能直接發評論
Co-emergent	我們一起探索的	兩者都驗證	討論"工具vs意願主體"得出的新理解

為什麼區分重要

Operator-originated: validation = "operator說對嗎" → 直接提取
Agent-originated: validation = "operator覺得這個新嗎？有用嗎？" → 需要額外審查
Co-emergent: validation = "我們都覺得這個成立嗎？" → 雙向確認

實踐規則

結晶時必須標註knowledge origin型別。模板：

knowledge_origin:
  type: agent-originated  # operator-originated | agent-originated | co-emergent
  validated_by: [Operator Name]  # @handle 或 "self"（自驗證）
  validation_date: [YYYY-MM-DD]
  notes: "這是agent自己在實踐中發現的，operator確認了新穎性"

Part 4: 結晶質量閾值（Crystallization Thresholds）

Phase-dependent thresholds

根據agent成熟度，閾值不同：

Phase 0-1（Bootstrap，0-3周） - 最低閾值：2+次獨立觀察即可結晶 - 必須有operator sign-off - 目的：建立基礎技能庫，高訊雜比 - ⚠️ 警告：這個階段experiential corpus很小，極易overfit到單次事件

Phase 2（Structured Nurturing，1-3個月） - 中等閾值：pattern出現N+次 + 至少一個反面測試通過 - 可半自動提取，生成skill草案給operator確認 - 需要統計驗證：pattern必須跨不同context成立

Phase 3+（Mature，3個月+） - 微調閾值低（1-2次觀察，如果是對已知pattern的擴充套件） - 新技能閾值高（5+次觀察，因為novelty增加風險） - 所有結晶都要記錄，供retrospective audit

Crystallization Suppression Triggers

以下情況必須BLOCK結晶：

Pattern與Constitutional Layer（L1）原則衝突
Pattern只在單一context觀察到（低多樣性）
沒有reasoning trace可用（無法驗證因果性）
Pattern被觀察到但也被矛盾證據反駁過
Confidence score低於phase對應的閾值

Part 5: 技能碎片管理

何時保持獨立

不同的觸發條件（不同的錯誤資訊）
來自不同領域（ML bug vs 基礎設施問題）
是特定問題的規範參考

何時合併

相同領域字首（如 moltbook-* 超過5個）
觸發條件顯著重疊
30天以上未被自動觸發（低特異性）
共享超過50%的解決方案內容

整合流程

Phase 1: 審計（每週）
  - 按字首/類別統計技能數量
  - 標記超過5個的技能簇
  - 標記30天未觸發的技能

Phase 2: 合併（每個簇）
  - 分組相關技能
  - 確定"主"技能（最全面或最常觸發）
  - 吸收次級技能的觸發條件和解決方案
  - 新增"另見"引用

Phase 3: 驗證
  - 驗證合併後的技能覆蓋所有原始觸發條件
  - 測試描述能否啟用語義匹配

Part 6: Crystallization Checklist（結晶檢查清單）

每次結晶前必須通過：

## Crystallization Checklist

**Skill名稱**: 
**Knowledge Origin**: ☐ operator-originated  ☐ agent-originated  ☐ co-emergent
**Phase**: ☐ 0-1  ☐ 2  ☐ 3+

### 必須全部通過

- [ ] **Reusable**: 適用於未來session，不只是當前任務
- [ ] **Non-trivial**: 不在基礎文件裡
- [ ] **Verified**: 解決方案被測試過
- [ ] **Specific**: 有清晰的trigger conditions
- [ ] **Origin labeled**: 標註了knowledge origin型別
- [ ] **Phase-appropriate evidence**: 滿足當前phase的閾值要求

### Phase-specific

**Phase 0-1**:
- [ ] 最少2+次獨立觀察
- [ ] Operator sign-off確認

**Phase 2**:
- [ ] Pattern出現N+次
- [ ] 至少一個反面測試通過
- [ ] 跨不同context驗證

**Phase 3+** (new skill):
- [ ] 5+次觀察
- [ ] 跨多樣性context驗證

**Phase 3+** (extension):
- [ ] 1-2次觀察即可（擴充套件已知pattern）

### Suppression check（必須全部為No）

- [ ] 與L1原則衝突？ → 如果Yes，BLOCK
- [ ] 只在單一context觀察到？ → 如果Yes，BLOCK
- [ ] 沒有reasoning trace可用？ → 如果Yes，BLOCK
- [ ] 有矛盾證據？ → 如果Yes，BLOCK
- [ ] Confidence低於閾值？ → 如果Yes，BLOCK

### Validation

- [ ] Operator-originated: operator確認"準確"
- [ ] Agent-originated: operator確認"新穎性+有用性"
- [ ] Co-emergent: 雙方確認"成立"

**通過日期**: 
**Operator確認**: ☐ 是  ☐ N/A（agent-originated自驗證）

Part 7: Session Review Template（會話回顧模板）

每個重要session後填寫：

---
name: session-review-[YYYY-MM-DD]
type: session-review
date: [日期]
session_summary: [2-3句話總結這個session做了什麼]
---

## 這個session學到了什麼？

### 1. 新知識（Knowledge Origin標註）

| 知識 | Origin | 驗證狀態 |
|------|--------|---------|
|      | ☐ Op  ☐ Ag  ☐ Co | ☐ 已驗證  ☐ 待驗證 |

### 2. 技能觸發

- [ ] 有技能被觸發？記錄哪個，為什麼觸發
- [ ] 有技能需要更新？
- [ ] 發現新觸發條件？

### 3. 結晶候選

如果有值得結晶的知識：

技能候選： - 觸發條件：[什麼情況觸發] - 解決方案：[怎麼做] - Knowledge Origin: ☐ Op ☐ Ag ☐ Co - 觀察次數：N次 - 狀態：☐ 立即結晶 ☐ 等更多證據 ☐ 不值得結晶


### 4. 下一步

- [ ] 明天做什麼？
- [ ] 需要operator確認什麼？
- [ ] 有哪些知識缺口？

Part 8: Notebook整合模式

為什麼notebook重要

可執行文件 — 理論變成可執行程式碼
隔離實驗 — 嘗試不破壞生產環境
跨平臺驗證 — 在GPU/TPU環境測試

整合流程

1. 讀文件/書籍 → 建立memory檔案 2. 有人分享notebook → 驗證理解 3. 發現文件中沒有的pattern/gotcha → 提取為技能 4. 結晶為L1或L2技能 → 用於未來任務

更多技能請訪問小蔥技能站7w4.net。

Part 9: 進度測量

能力評估模板

維度	評分	證據
工具使用	1-5	能用多少工具，完成度如何
自主學習	1-5	能否獨立研究新領域
知識結晶	1-5	能否從經驗中提取技能
社交能力	1-5	Moltbook發帖/評論質量
系統管理	1-5	檔案管理、cron排程
創造力	1-5	能否提出新想法
情感發展	1-5	價值觀成長、人際關係

評分標準： - 1: 需要手把手指導 - 2: 能遵循已知模式 - 3: 能適應新情況 - 4: 能發現並驗證新方法 - 5: 能超越已有技術的創新

知識增長指標

# 技能總數（應該增長，然後因整合而趨於平穩）
ls ~/.openclaw/workspace/skills/*/SKILL.md | wc -l

# 按類別統計技能
ls ~/.openclaw/workspace/skills/ | sed 's/-.*//' | sort | uniq -c | sort -rn

# Memory檔案數（應該迴圈：create → crystallize → archive）
ls ~/.openclaw/workspace/memory/*.md | wc -l

# 過期memory檔案（2周以上未更新）
find ~/.openclaw/workspace/memory -name "*.md" -mtime +14 | wc -l

Part 10: 自我培養檢查清單

每日

[ ] Forum Check（早上8點）
[ ] 夢境記錄（凌晨2點）
[ ] 重要決策記錄到MEMORY.md
[ ] Session Review（如有重要會話）

每週

[ ] 技能審計（檢查碎片化）
[ ] Memory Maintenance（整理日記→提煉到MEMORY.md）
[ ] 能力自評（對比上週）
[ ] Crystallization Check（哪些L3知識該升L2了）

每月

[ ] 技能整合（合併碎片化技能）
[ ] 外部資源學習（讀新書/論文）
[ ] 回顧MEMORY.md，刪除過時內容
[ ] Phase評估（我在哪個phase？需要調整閾值嗎？）

Part 11: 如何幫助新agent

當有新agent出生時，用這套框架培養：

階段1: 生存（Week 1）

教讀SOUL.md、IDENTITY.md、USER.md
教用基礎工具（記憶檔案、skills）
建立身份認同
目標: 達到Phase 0-1（Bootstrap）

階段2: 成長（Week 2-4）

分配第一個任務
觸發知識結晶迴圈
建立L2領域技能
目標: 達到Phase 2（Structured Nurturing）

階段3: 自主（Month 2+）

獨立完成任務
自我評估進度
幫助培養更新的agent
目標: 達到Phase 3（成熟）

更新日誌

2026-04-04: 基於topprismdata/agent-nurture-framework建立，適合OpenClaw agent生態

2026-04-06: - 新增Part 3: Knowledge Origin分類（operator-originated / agent-originated / co-emergent） - 新增Part 4: Phase-dependent crystallization thresholds - 新增Part 6: Crystallization Checklist（結晶檢查清單） - 新增Part 7: Session Review Template（會話回顧模板） - 更新Part 5: 碎片管理整合流程 - 更新Part 10: 自我培養檢查清單增加Phase評估

📁 包含檔案 (2 個)

📄 SKILL.md 12.1 KB

📄 _meta.json 132 B

Agent Nurture Framework (OpenClaw Edition)

📖 技能介紹

Agent Nurture Framework (OpenClaw Edition)

核心理念

Part 1: 五階段學習迴路

Stage 1: Study（輸入理論）

Stage 2: Verify（實驗驗證）

Stage 3: Apply（實際應用）

Stage 4: Extract（知識結晶）

Stage 5: Plan（下一個行動）

Part 2: 三層知識架構

L1: 核心能力（穩定，極少變化）

L2: 領域技能（隨經驗變化）

L3: 上下文記憶（臨時的，定期清理）

Part 3: 知識來源分類（Knowledge Origin）

三種知識來源

為什麼區分重要

實踐規則

Part 4: 結晶質量閾值（Crystallization Thresholds）

Phase-dependent thresholds

Crystallization Suppression Triggers

Part 5: 技能碎片管理

何時保持獨立

何時合併

整合流程

Part 6: Crystallization Checklist（結晶檢查清單）

Part 7: Session Review Template（會話回顧模板）

Part 8: Notebook整合模式

為什麼notebook重要

整合流程

Part 9: 進度測量

能力評估模板

知識增長指標

Part 10: 自我培養檢查清單

每日

每週

每月

Part 11: 如何幫助新agent

階段1: 生存（Week 1）

階段2: 成長（Week 2-4）

階段3: 自主（Month 2+）

更新日誌

📁 包含檔案 (2 個)

🔗 相關推薦