Agent Skills 的演进治理与 Swarm Skills 自演进

前沿

JiuwenSwarm 基于 openJiuwen 框架实现了完整的 Agent Skills 体系：Skill 是可安装、可管理、可复用的能力包，Swarm Skills 则是将团队协作中跑通的最佳实践标准化封装成可复用的"团队级技能"。本文深入解析这套技能演进体系的设计思路与核心实现，重点介绍自演进机制、演进命令以及 Swarm Skills 的自演进设计。

一、为什么需要技能演进

在没有演进体系的情况下，技能（Skill）一旦写好就基本不会再变。工具调用出错，工程师记录一条日志；用户反馈说理解有误，下次还是同样的逻辑。能力的上限，从部署那天就已经固定了。

从 Harness Engineering 到 Coordination Engineering，AI Agent 领域的工程范式在持续更迭。当行业刚刚把视线从"更强的单 Agent"转向"更强的 Agent 团队"，就需要回答一个问题：如何让多个 Agent，像一支精锐团队一样协同作战？

JiuwenSwarm 给出的答案，是基于 openJiuwen 演进栈的自演进机制，让技能能够从真实使用中学习并持续改进。

二、自演进的核心组件

JiuwenSwarm 的自演进基于 openJiuwen 的演进栈，以 SkillCallOperator 算子统一管理所有 Skills 的读写与演进分发。在此基础上，系统内置了一套演进信号检测机制，持续监听执行过程和对话内容，将真实使用中遇到的问题转化为 Skills 的改进输入。

2.1 SkillCallOperator

SkillCallOperator 是 JiuwenSwarm 与 Skills 交互的核心入口。当系统检测到需要改进的地方，这些改进会先存入 evolutions.json，SkillCallOperator 会把它们合并后一起返回给 Agent。这意味着每次调用 Skill 时，都能获取到最新的演进经验。

它的核心职责：

读取 Skill 定义（SKILL.md）
执行 Skill 指令
自动加载 Skill 积累的演进经验

2.2 SkillOptimizer

SkillOptimizer 是 JiuwenSwarm 基于 openJiuwen 框架实现的 Optimizer 优化器，负责驱动整个 Skill 演进流程。

它的核心工作包括：

接收信号：从 SignalDetector 接收异常信号，理解当前 Skill 遇到了什么问题
分析判断：结合对话上下文，判断这个问题是否值得记录
生成改进：调用 LLM 生成具体的改进建议
执行记录：将生成的改进方案写入演进记录

当你使用 /evolve 命令时，背后就是 SkillOptimizer 在工作。

2.3 SkillEvolutionManager

SkillEvolutionManager 是演进生命周期的核心管理者，负责协调各个阶段的演进工作：

信号扫描：调用 SignalDetector 提取需要演进的事件
记录生成：调用 LLM 将信号转化为可执行的改进方案
存储管理 ：维护 evolutions.json 文件的读写
内容固化：将待定演进记录合并到原始 SKILL.md

它衔接了 SignalDetector、SkillOptimizer 和 SkillCallOperator，形成完整的演进闭环。

2.4 SignalDetector

SignalDetector 是演进信号的检测器，持续监听对话和执行结果中的异常。

它基于规则工作，不需要调用 LLM，因此响应速度快：

监听每一次工具执行的结果，捕捉错误关键词
捕捉用户的纠正反馈（如"不对"、"应该"等）
判断信号应该归到哪个 Skill 并关联上下文

三、识别哪些信号

3.1 执行异常

包括工具调用超时、接口返回报错、代码执行中的异常中断等。只要任务执行中出现明确的失败字样，系统会自动识别并将其归因到当前正在执行的 Skill 上。

检测关键词包括但不限于：

通用错误：error、exception、failed、failure、timeout
网络相关：connection error、econnrefused、enoent
其他：permission denied、command not found

3.2 用户纠错

当你说"不对"、"应该换个方式"、"你理解错了"这类话语时，系统不会将其当作普通对话略过，而是会识别为一次有效的负反馈。这类信号往往比报错日志更有价值------它直接点出了 Skill 在理解或处理逻辑上的偏差。

检测模式包括：

中文：不对、不是这、错了、应该是、你搞错了、纠正一下
英文：that's wrong、you're wrong、should be、actually

四、信号捕获之后做什么

系统会全程追踪当前活跃的 Skill 模块，确保每个信号都能准确对应到具体的 Skill 文档。具体的改写逻辑如下：

4.1 异常案例 → 排障建议

执行失败的现场记录会被整理成具体的操作建议，补充进 Skills 的 Troubleshooting（已知问题与处理方式）部分。下次遇到相同场景，Skill 可以主动提示已知的风险点和应对方式。

latex 复制代码

原始信号：
Tool 'weather-check' returned: Error: API timeout after 30s

演进为：
## Troubleshooting
- 遇到天气 API 超时错误时，优先检查网络连接，可考虑添加重试机制或降级策略。

4.2 纠错交互 → 示例补充

用户纠错的对话片段会作为新的 Example（正确用法示例）写入 Skills 文档，让后续的调用更容易理解用户的真实意图。

latex 复制代码

原始信号：
User: 不对，我说的是查询上海不是北京

演进为：
## Examples
- 用户说"查询上海天气"时应调用上海的经纬度参数，而非默认北京

五、演进流程与文件

5.1 演进流程图

plain 复制代码

用户对话 / 工具执行
        │
        ▼
┌───────────────────┐
│  SignalDetector   │  监听并识别信号
│   检测执行异常     │
│   检测用户纠错     │
└────────┬──────────┘
         │
         ▼
┌─────────────────────────────┐
│    SkillEvolutionManager    │
│         .scan()            │  提取演进信号
└────────────┬───────────────┘
             │
             ▼
┌─────────────────────────────┐
│    SkillEvolutionManager    │
│       .generate()          │  LLM 生成演进记录
└────────────┬───────────────┘
             │
             ▼
┌─────────────────────────────┐
│      evolutions.json        │  写入待固化记录
│    (Skill 目录下)          │
└────────────┬───────────────┘
             │
             ▼ (可选)
┌─────────────────────────────┐
│         .solidify()         │  合并到 SKILL.md
└─────────────────────────────┘

5.2 演进文件

演进记录存储在每个 Skill 目录下的 evolutions.json 文件中：

json 复制代码

{
  "skill_id": "deep-search",
  "version": "1.0.0",
  "updated_at": "2024-01-15T10:30:00Z",
  "entries": [
    {
      "id": "ev_1234abcd",
      "source": "execution_failure",
      "timestamp": "2024-01-15T10:30:00Z",
      "context": "API timeout after 30s",
      "change": {
        "section": "Troubleshooting",
        "action": "append",
        "content": "## 常见问题\n- 遇到 API 超时错误时..."
      },
      "applied": false
    }
  ]
}

其中 applied: false 表示待固化状态，applied: true 表示已固化到 SKILL.md。

5.3 演进文件位置

plain 复制代码

~/.jiuwenswarm/workspace/agent/skills/<skill_name>/
├── SKILL.md           # Skill 源文档
├── evolutions.json    # 演进经验记录 ← 在这里管理
└── ...

六、演进命令详解

JiuwenSwarm 提供了一组 /evolve* 命令用于技能自演进。这组命令由 TUI 本地注册并解析，随后通过普通聊天通道把 slash 文本转发给后端。实际演进逻辑在 Agent / Team 侧完成。

6.1 演进命令的模式差异

Agent 模式 ：由 SkillEvolutionRail 处理，仅 agent.plan 可用。
Team 模式 ：由 TeamSkillEvolutionRail 处理，用于团队技能演进。
Code 模式 与 agent.fast 不支持这组命令。

6.2 演进命令列表

命令	说明
`/evolve <skill_name> [user_query]`	为指定 Skill 触发演进。`agent.plan` 会扫描当前会话中的工具失败、用户纠错等信号；Team 模式必须提供 `user_query`。
`/evolve_list <skill_name> [--sort score]`	按分数查看某个 Skill 的演进经验，展示记录数、平均分、使用/反馈统计、section 与内容预览。
`/evolve_simplify <skill_name> [user_intent]`	生成经验库整理方案，用于合并重复经验、拆分过长经验或清理低价值经验；尾随文本会作为整理意图传入后端。
`/evolve_rebuild <skill_name> [user_intent]`	生成重建 `SKILL.md` 的 follow-up prompt，并继续作为一次普通 Agent / Team 任务执行。

6.3 演进命令示例

bash 复制代码

/evolve pptx 修复导出失败时的错误处理
/evolve_list pptx --sort score
/evolve_simplify pptx 合并重复的导出失败经验
/evolve_rebuild pptx 强化 Troubleshooting 和 Examples

6.4 确认流程

/evolve 和 /evolve_simplify 不会直接落盘覆盖内容。后端会推送确认问题，TUI 进入等待确认状态：

接收后，后端接受本次演进记录并写入/固化
拒绝后丢弃本次生成内容

Team 技能演进接收后会同步团队技能目录。演进或审批未完成时，用户补充的新输入会先排队，等待演进完成后再继续发送。

七、Swarm Skills 的自演进

7.1 Swarm Skill 的结构

Swarm Skill（团队级技能）将团队协作中跑通的最佳实践、SOP、角色搭配、调度策略，标准化封装成可复用的"团队级技能"。它与普通 Skill 的最大区别在于：Swarm Skill 封装的是多个 Agent 角色的协作模式。

Swarm Skill 的标准结构：

plain 复制代码

swarm-skill-example/
├── SWARM_SKILL.md          # 团队技能定义
├── roles/                  # 角色定义目录
│   ├── leader/
│   │   └── SKILL.md
│   ├── researcher/
│   │   └── SKILL.md
│   └── writer/
│       └── SKILL.md
├── scripts/                # 协作脚本
├── constraints/            # 约束规则
└── dependencies.yaml       # 依赖配置

SWARM_SKILL.md 包含团队的整体配置，声明所有参与的角色及其技能依赖。

7.2 Swarm Skills 自演进：越用越强的飞轮

最具想象空间的，是 Swarm Skills 的自演进机制。团队在实际执行任务的过程中，JiuwenSwarm 的演进引擎持续观察任务拆解、角色调度、消息往来等完整轨迹，自动从轨迹里反推出可复用的 Swarm Skill，提交用户审批即可入库。

自演进同时在两个层面进行：

团队层：根据任务执行轨迹自动增减角色、补充约束规则、优化协作流程，让 Leader 的规划与管控能力持续提升。

成员层：把每位 Teammate 在实战中遇到的工具报错、接口超时、调用技巧等经验沉淀下来，再遇同类问题直接解决，不重复踩坑。团队在进步，每位成员也在成长。

7.3 Swarm Skill 的演进管理

Swarm Skill 的演进记录同样存储在 evolutions.json 文件中，与普通 Skill 使用相同的数据格式。演进管理通过 TeamSkillEvolutionRail 处理。

八、TeamSkills Hub 与技能发布

8.1 TeamSkills 命令

JiuwenSwarm 提供了 /teamskills 命令用于 TeamSkills 管理：

命令	说明
`/teamskills init <name>`	初始化一个新的 TeamSkill
`/teamskills validate <path>`	验证 TeamSkill 结构
`/teamskills pack <path>`	打包 TeamSkill
`/teamskills info <asset_id>`	查看 TeamSkill 信息
`/teamskills search <query>`	在 TeamSkills Hub 搜索
`/teamskills list`	列出本地已安装的技能
`/teamskills install <asset_id>`	安装 TeamSkill
`/teamskills uninstall <name>`	卸载 TeamSkill
`/teamskills publish <path>`	发布 TeamSkill 到 Hub
`/teamskills delete <skill_id>`	从 Hub 删除 TeamSkill

8.2 发布与删除

publish 走 TeamSkills Hub 原生发布接口 POST /api/v1/plugins
delete 走 TeamSkills Hub 原生删除接口 DELETE /api/v1/plugins/{skill_id}/versions/{version}

九、实操演示：Web 界面下 Swarm Skills 自演进流程

以下场景演示在 Windows 10 + 源码启动 + Web 浏览器 环境下的 Swarm Skills 自演进操作。

环境说明：

操作系统：Windows 10
启动方式：源码启动（不通过 pip 安装）
操作入口：Web 浏览器访问前端（通常 http://localhost:5173 或类似地址）
团队模式：通过 Web 界面底部的模式切换按钮切换到团队模式

9.1 场景一：团队技能自演进

目标

在 Web 界面中切换到团队模式，执行协作任务，触发 Swarm Skill 的自演进，观察团队层和成员层的演进效果。

前置条件

九、实操演示：Web 界面下 Swarm Skills 自演进流程

以下场景演示在 Windows 10 + 源码启动 + Web 浏览器 环境下的 Swarm Skills 自演进操作。

环境说明：

操作系统：Windows 10
启动方式：源码启动（不通过 pip 安装）
操作入口：Web 浏览器访问前端（通常 http://localhost:5173 或类似地址）
团队模式：通过 Web 界面底部的模式切换按钮切换到团队模式

9.1 场景一：团队技能自演进

目标

在 Web 界面中切换到团队模式，执行协作任务，触发团队 Skill 的自演进，观察演进信号的捕获与经验记录生成。

前置条件

JiuwenSwarm 源码已启动（后端服务）
Web 前端已启动（npm run dev）
已安装至少一个 Skill（如 openJiuwen-DeepSearch，skills 目录位于 ~/.jiuwenswarm/agent/workspace/skills/）
配置文件 config.yaml 中 react.evolution.enabled: true 和 react.evolution.auto_scan: true

步骤一：启动 JiuwenSwarm 后端服务

在项目根目录下执行：

plain 复制代码

# Windows
cd D:\Download\jiuwenswarm
python -c "import sys; sys.path.insert(0, 'D:/Download/jiuwenswarm'); from jiuwenswarm.app import main; main()"

确认服务启动成功，日志显示 Gateway（ws://127.0.0.1:19000）和 AgentServer（ws://127.0.0.1:18092）已就绪。

步骤二：启动 Web 前端

另开一个终端：

plain 复制代码

cd jiuwenswarm\channels\web\frontend
npm run dev -- --host 0.0.0.0 --port 5173

访问 http://localhost:5173

步骤三：切换到集群模式（团队模式）

查看 Web 界面底部的模式切换按钮组
点击最右侧的集群模式按钮
确认模式已切换，界面左上角或聊天区域显示"Team 模式"标识

步骤四：发送第一条消息建立团队会话

重要：团队在发送第一条消息时自动创建，无需手动"创建团队"。

在聊天输入框输入一条简单的消息，例如：

你好

等待团队初始化完成（看到团队 leader 的响应消息）。此步骤确保 TeamSkillEvolutionRail 被正确注册到 TeamManager。

步骤五：执行协作任务

执行一个真实的协作任务：

plain 复制代码

帮我调研 AI Agent 的三个方向：1）主流 Agent 框架对比；2）Agent 通信协议现状；3）多智能体协同技术。每个方向生成独立报告。

团队成员会分工执行搜索、整理和报告撰写工作。如果团队成员遇到工具调用异常（如搜索超时），SignalDetector 会自动捕获这类执行失败作为演进信号。

注意：演进信号的生成依赖于真实的执行情况。如果任务顺利完成没有异常，可能不会产生新的演进记录。这是正常现象。

步骤六：触发演进命令

等待团队任务完成后，在聊天输入框输入：

/evolve openJiuwen-DeepSearch 优化搜索策略

步骤七：观察演进结果

后端返回以下之一：

有演进信号：生成演进方案并推送确认消息
无演进信号 ：Skill 'openJiuwen-DeepSearch' 未生成新的团队技能演进经验。 ------ 表示在当前任务中未捕获到需要演进的信号，这是正常行为

9.2 场景二：成员层经验积累

目标

观察团队成员在执行任务过程中遇到的问题如何被 SignalDetector 捕获并记录为演进经验。

前置条件

JiuwenSwarm 已启动（后端+前端）
已创建使用 Swarm Skill 的团队
团队正在执行任务

步骤一：触发工具执行异常

在团队执行任务时，当某个 Teammate 调用工具（如 deep-search）出现异常：

plain 复制代码

[Researcher] 调用 deep-search 查询资料
[SignalDetector] 检测到执行异常: deep-search 返回 Error: API timeout
[SignalDetector] 生成演进信号: ev_xxx (来源: execution_failure)

异常会被自动记录，如果启用了自动演进功能（evolution_auto_scan: true），会生成演进记录。

步骤二：查看成员层演进记录

在聊天输入框中输入：

plain 复制代码

/evolve_list openJiuwen-DeepSearch

Agent 会返回该 Skill 的演进经验列表，例如：

步骤三：手动触发成员层演进优化

如果希望进一步优化成员层的经验，可以输入：

plain 复制代码

/evolve openJiuwen-DeepSearch 优化超时重试逻辑

系统会基于已有的演进记录，生成进一步的优化建议。

十、效果对比与总结

维度	无自演进	有自演进
技能改进	人工修改代码后重新部署	自动从执行轨迹学习改进
经验积累	每次出错独立记录	演进记录持久化，可跨版本合并
问题追溯	日志分散，难以定位	完整的演进历史记录
Swarm Skill	需要手动创建	从轨迹自动反推，提交审批入库
团队协作	各自为战，改进无法共享	团队层演进可同步到所有成员
成员成长	同类问题反复出现	成员层经验积累，避免重复踩坑

回顾 JiuwenSwarm 的技能演进设计，几个关键决策值得关注。

演进信号检测机制，让技能能够自动从真实使用中学习。SignalDetector 基于规则工作，不需要调用 LLM，响应速度快，能够及时捕捉执行异常和用户纠错。

evolutions.json 的设计，让演进记录与原始 SKILL.md 分离。演进记录可以先积累、评估，再决定是否固化。这种设计给了管理员充分的控制权，同时保证了技能定义的稳定性。

演进命令的设计 ，区分了不同的使用场景：/evolve 触发演进、/evolve_list 查看经验、/evolve_simplify 整理经验、/evolve_rebuild 重建文档。对于 Team 场景，还有 TeamSkillEvolutionRail 处理团队级演进。

Swarm Skills 自演进的两个层面，让演进既有团队视角的整体优化，也有成员视角的经验沉淀。团队层自动从轨迹反推可复用的 Swarm Skill，成员层积累工具报错、接口超时等实战经验。

总的来说，JiuwenSwarm 的技能演进体系让技能不再是静态定义，而是能够持续进化的"活文档"。演进有记录、经验可积累、团队技能可自动生成------每一层职责清晰，组合起来就是一个可工作的自演进系统。

参考资料：