企业官网建设流程全解析

GBrain 技能开发循环（Skill Development Cycle）：从临时任务到自动化的五步方法论

【免费下载链接】gbrainGarry's Opinionated OpenClaw/Hermes Agent Brain项目地址: https://gitcode.com/gh_mirrors/gb/gbrain

导读

本文以 GBrain（Garry's OpenClaw/Hermes Agent Brain）的 docs/guides/skill-development.md 为核心，系统讲解如何把任何重复性任务固化为"可运行、可测试、可调度"的持久化技能（Skill）。核心信条只有一句：同一件事如果你要请求 Agent 做两次，它就应该已经是一个跑在 cron 上的技能了——第一次是发现，第二次是系统故障。读完本文，你将掌握 GBrain 技能开发的完整五步循环、MECE 所有权纪律、质量门槛检查清单，以及gbrain skillify/gbrain skillopt/ cron 调度等配套工具链的实际用法。

为什么需要技能开发循环

没有这套循环：临时工的 Agent

在没有技能体系时，Agent 的每次执行都是临时发挥。你让它"enrich 一下这个人"，它每次都会发明一套新流程，输出质量随上下文波动——上次记得带引用，这次忘了；上次查了实体，这次直接建页面。能力没有沉淀，重复劳动无法累积。

有这套循环：可复用的能力资产

每个能力都被编码（codified）、测试（tested）、调度（scheduled）：

• enrichment 每次都以相同的方式运行；
• 新出现的模式一天之内就能被"技能化"（skill-ified）；
• 技能的产出有明确的质量条与回归防线。

这正是 GBrain 技能体系的定位：技能是 Agent 能力的最小持久化单元，见 skills/_AGENT_README.md 与仓库内置的 skills/RESOLVER.md 目录结构。

黄金法则

The Rule:If you have to ask your agent for something twice, it should already be a skill running on a cron. First time is discovery. Second time is system failure.

第二次请求同一个任务，就应当进入技能化流程，而不是再手工做一遍。

五步循环：从概念到自动化

Step 1：概念化流程（Concept the Process）

用自然语言描述这个流程需要做什么：

• 输入是什么？输出是什么？由什么触发？
• 会触碰哪些数据源？（邮件、会议转录、社交动态、日历……）
• 应该多久运行一次？（实时、每 30 分钟、每日、每周……）

这一步只做设计，不动手写代码。

Step 2：手工运行 3–10 个条目（Run Manually）

在小批量真实数据上手工执行。这是原型阶段，先不要写 SKILL.md。只做工作并观察：

• 输出实际长什么样？
• 出现了哪些边缘情况（edge cases）？
• 什么样的质量线（quality bar）是合适的？

源码侧的证据：gbrain skillify scaffold生成的脚本骨架会携带SKILLIFY_STUB: replace before running check-resolvable --strict哨兵标记（见 src/core/skillify/templates.ts），gbrain check-resolvable --strict会在哨兵未替换时直接失败——这正是"先别急着把半成品立为技能"的机械约束。

Step 3：评估输出（Evaluate Output）

把结果展示给用户，获得反馈：

• 输出看起来好吗？质量对吗？
• 有没有遗漏什么？是否过度设计？
• 根据学到的经验修正流程。

Step 4：编码为技能（Codify into a Skill）

写 SKILL.md。仓库提供了两条 CLI 支撑：

gbrain skillify scaffold <name> # 生成技能目录骨架 gbrain skillopt <name> # 基于 benchmark 优化已有技能

两条路二选一：

• 新技能（New skill）——真正的新能力；
• 并入已有技能（Add to existing skill）——已有能力的变体（用参数化处理，而不是开新技能）。

一个合格技能必须满足：

• Durable（持久）——明天、下周、下个月都能在没有人工干预的情况下正常工作；
• MECE——与其他技能不重叠（见下节）；
• Parameterized（参数化）——通过参数处理变化，而不是为每个变体单开一个技能。

Step 5：加入 Cron（Add to Cron，仅当周期性运行）

如果流程需要自动运行：

• 能自然嵌入已有 cron 任务就嵌入；
• 有独立调度诉求就新建 cron 任务；
• 监控前 2–3 次自动化运行的质量；
• 修复规模化后暴露的问题。

关于 cron 的完整调度模式（邮件 30 分钟轮询、会议同步 3 次/日、日历周同步、每日晨报、每周大脑维护、夜间 Dream Cycle），可参考 docs/guides/cron-schedule.md——其中特别强调gbrain dream、gbrain jobs/minions、gbrain autopilot、cron-scheduler技能这些 GBrain 原生调度面优先于裸系统 cron 使用。

MECE 纪律：互斥且穷尽的所有权

技能之间应当Mutually Exclusive, Collectively Exhaustive：

• 每种实体类型（entity type）恰好有一个"主人"技能；
• 每个信号源（signal source）恰好有一个"主人"技能；
• 两个技能创建同一个 brain 页面 = MECE 违规。

所有权示例表

下表是文档中的示例（说明性，你的技能名册会不同）：

仓库中这些技能真实存在，例如 skills/enrich/、skills/meeting-ingestion/、skills/media-ingest/、skills/briefing/、skills/maintain/，每个技能目录由SKILL.md+routing-eval.jsonl组成（部分技能还有脚本与测试）。

从源码看 MECE 如何被机械校验

MECE 不是只靠自觉。仓库提供了一整套 resolver 审计工具（详见 docs/guides/scaling-skills.md）：

gbrain check-resolvable --json # DRY + MECE 审计，无孤立技能 gbrain check-resolvable --strict # 警告也视为失败（CI 用） gbrain doctor # 检查每个技能是否可达（原生扫描或 resolver）

parseResolverEntries解析器位于 src/core/check-resolvable.ts，同时读取 Markdown 表格与紧凑列表两种方言，并支持多 resolver 合并（skillpack 的skills/RESOLVER.md+ workspace 的../AGENTS.md）。内置的参考 resolver 见 skills/RESOLVER.md。

质量条检查清单（Quality Bar Checklist）

一个技能准备好发布的标志（逐项勾选）：

• 在 3–10 个真实条目上成功运行且输出良好
• 用户已审阅输出并批准
• SKILL.md 少于 500 行（超出的内容用引用/references 承载）
• 创建 brain 页面之前先做 notability 检查（不为无关紧要的人建页面）
• 有引用强制（citation enforcement，每个事实都有来源）
• 与现有技能不重叠（MECE）
• 若周期运行：挂在 cron 上且调度合理
• 若创建 brain 页面：先检查 notability

仓库中的 15 项完整检查清单（skillify check）

gbrain skillify check是质量条的机械审计端，其完整清单定义在元技能 skills/skillify/SKILL.md 中，共 15 项（编号稳定，只增不改）：

□ 0. Eval contract — 技能声明 goal + 技能专属维度 + hard-fails □ 1. SKILL.md — 带 frontmatter + contract + phases 的技能文件 □ 2. Code — 适用的确定性脚本 □ 3. Cross-modal eval — 3 家不同供应商的前沿模型对照 contract 评审输出 □ 3b. No-regression gate — 新 eval ≥ 上一迭代（只前进，不后退） □ 4. Unit tests — 覆盖确定性逻辑的每个分支 □ 5. Integration tests — 演练真实端点 □ 6. LLM evals — LLM 环节的质量/正确性用例 □ 7. Resolver trigger — skills/RESOLVER.md 中的真实触发短语条目 □ 8. Resolver eval — 测试触发词能路由到本技能 □ 9. Check-resolvable — DRY + MECE 审计，无孤立 □ 10. E2E test — 冒烟测试：触发 → 副作用 □ 11. Brain filing — 若写页面，在 brain/RESOLVER.md 中有条目 □ 12. Scheduled-run observability — 若支撑 cron，运行经由 minions 可观测 □ 13. Scheduled-task re-run — 若支撑 cron，编辑后重跑代表性任务并 eval □ 14. Plugin membership — 记录在 openclaw.plugin.json 或 skills/plugin-exclusions.json

gbrain skillify check审计机械项（1–11）；0、3b、12、13、14 由 Agent 直接验证的程序性门槛。审计输出三类判定：properly skilled/close — create: <缺失项>/needs skillify — run /skillify on <target>，并给出<通过数>/<总数>评分。--json输出结构化信封便于 Agent 路由。

实操落地：用gbrain skillify脚手架与审计

scaffold 子命令

gbrain skillify scaffold <name>（实现见 src/commands/skillify.ts）机械地创建 5 个文件，不调用任何 LLM：

skills/<name>/SKILL.md # frontmatter + body 模板 skills/<name>/scripts/<name>.mjs # 确定性代码桩 skills/<name>/routing-eval.jsonl # 路由 fixture 种子 test/<name>.test.ts # vitest 骨架 (追加) RESOLVER.md 或 AGENTS.md # "## Uncategorized" 下的触发行

常用选项：

关键机制：

• 所有生成文件携带SKILLIFY_STUB哨兵，直到被真实实现替换；gbrain check-resolvable --strict对仍含哨兵的提交脚本直接失败（见 src/core/skillify/templates.ts）。
• 幂等性：无--force时重跑遇已有文件即报错；--force重新生成脚手架但 resolver 行不重复。
• 名称模式：技能 slug 必须是 kebab-lowercase（SKILL_NAME_PATTERN校验）。
• 找不到skills/RESOLVER.md或其父级 resolver 时拒绝执行（提示Create one before scaffolding skills）。

scaffold 之后的标准动作：

bun test test/<name>.test.ts # 2. 跑测试骨架 gbrain skillify check skills/<name>/scripts/<name>.mjs # 3. 11 项审计 gbrain check-resolvable # 4. 路由校验

check 子命令

gbrain skillify check [path]运行 11 项审计（第 11 项 cross-modal eval 为参考性信息，不阻塞判定）。该子命令由 scripts/skillify-check.ts 演进而来（D-CX-2），当前实现内联在 src/commands/skillify-check.ts。

完整技能化循环（skillify 元技能）

仓库内置的skillify技能（skills/skillify/SKILL.md）把上述 CLI 原语编排成端到端循环：scaffold → 填充正文 → 声明 eval contract → 跨模态 eval → 跑 check → 跑 check-resolvable → 写测试 → 提交。CLI 原语负责机械步骤，技能负责判断步骤。

其中几个值得注意的设计：

• 先 eval 后测试：跨模态 eval 先证明质量线，再写测试把已验证的好行为固化——"测试锁死平庸"是反模式。
• 跨模态 eval 门槛：3 家不同供应商的前沿模型（如 OpenAI / Anthropic / DeepSeek 各一）并行打分，通过条件为"每个维度均值 ≥ 7 且无任何单模型单维度 < 5"。必须跨供应商，避免盲点相关。
• 无回归法则（No-Regression Law）：任何技能编辑的 eval 得分必须 ≥ 上一迭代，且任一维度回落不得超过 0.5；调度支撑型技能编辑后必须重跑代表性任务并 eval 真实输出。

发布后：用gbrain skillopt持续优化

技能上线不等于终点。gbrain skillopt（参考文档 docs/guides/skillopt.md）把 SKILL.md 当作 Agent 的"可训练参数"：写一个现实任务 benchmark，SkillOpt 观察 Agent 运行、提出具体编辑、重新测试，只保留可衡量提升的改动。

30 秒工作流：

# 1. 从技能自身生成 starter benchmark gbrain skillopt my-skill --bootstrap-from-skill # 2. 审阅 benchmark——强化生成的 judge（初稿较弱），删除尾部 # BOOTSTRAP_PENDING_REVIEW 行 # 3. 运行优化器（~15 任务 starter 必须 --split 1:1:1） gbrain skillopt my-skill --bootstrap-reviewed --split 1:1:1

关键安全护栏：验证门槛强制（median-of-3 + epsilon=0.05）、frontmatter 变异禁止（防路由面漂移）、持出集门槛（防对 benchmark 过拟合）、只读工具沙箱（防优化运行向 brain 写垃圾页面）、脏工作树拒绝、成本预检。

实践中的含义（What This Means in Practice）

• 不要临时做 brain enrichment，用enrich技能；
• 不要手工刷社交媒体，用自动化 cron；
• 不要手工录入会议纪要，用meeting-sync配方（见 recipes/meeting-sync.md）；
• 不要手工创建实体页面，用实体检测器；
• 新模式出现：原型化（prototype it）→ 技能化（skill-ify it）→ cron 化（cron-ify it）。

易错点（Tricky Spots）

1. MECE 违规会无声累积。两个都写brain/people/页面的技能会制造重复与冲突数据。新建技能前查所有权表；已有技能已拥有该实体类型，就用参数扩展它，而不是开新技能。

2. 质量条是真实的。未经 3–10 个真实条目测试与用户批准，不要发布技能。产出糟糕的技能比没有技能更糟——它会在 cron 上以规模制造坏页面。

3. 不要创建桩（stubs）。写着 "TODO: implement" 的 SKILL.md 不是技能。每个技能必须完整到能在真实数据上端到端运行。做不完就不要创建文件，保持手工执行直到能把它做对。机械侧对应物即SKILLIFY_STUB哨兵检查。

如何验证（How to Verify）

1. 在 3 个真实条目上运行技能。用真实数据（非测试数据）执行，检查输出达到质量条：引用齐全、notability 已检查、无桩文件。

2. 对照现有技能检查 MECE。审阅所有权表：新技能是否在别的技能已拥有的目录里建页面？是，则为 MECE 违规——合并或参数化。

3. 逐项走查质量条检查清单。上面任一复选框未勾选，该技能就不能上 cron。

另外，仓库为技能提交提供了每提交门禁：

bun run gate:skills # scripts/skills-commit-gate.sh：conformance + resolver + plugin-manifest 测试

在提交任何skills/变更前运行，让成员/闭包与plugin.version断言在本地失败而非 CI（见 docs/guides/scaling-skills.md）。

与技能体系其他文档的关系

• docs/guides/scaling-skills.md——技能超过 300 个时如何用三层分级（Tier A 常驻 / Tier B resolver 路由 / Tier C 休眠）+ 单一 resolver 突破上下文窗口瓶颈；
• docs/guides/skillopt.md——gbrain skillopt的完整参考：flags、退出码、成本模型、安全护栏；
• docs/guides/skillpacks-as-scaffolding.md——如何跨机器、跨 Agent 分发成套技能；
• docs/guides/cron-schedule.md——生产大脑的 20+ 周期任务调度参考；
• docs/GBRAIN_SKILLPACK.md——本文所属的 GBrain Skillpack 总纲。

本文基于 docs/guides/skill-development.md（GBrain Skillpack 的一部分），并辅以仓库源码（src/commands/skillify.ts、src/core/skillify/templates.ts、src/core/check-resolvable.ts）与元技能 skills/skillify/SKILL.md 深化。

【免费下载链接】gbrainGarry's Opinionated OpenClaw/Hermes Agent Brain项目地址: https://gitcode.com/gh_mirrors/gb/gbrain