学习与记录 Skill

核心理念

学习不固化 = 白学。每次学完一个东西，必须产出可复用的资产。

学习流程

Phase 0: 准备（开始前）

1. 明确目标 — 学什么？学到什么程度？能用来干什么？
2. 收集入口 — 官方文档、GitHub repo、教程、示例项目
3. 建立笔记文件 — 在 memory/learning-logs/<主题>-<日期>.md 创建学习日志
4. 列出探索清单 — 预估要搞清楚的关键问题

Phase 1: 环境搭建

记录以下内容：

• 安装命令（完整、可复现）
• 依赖冲突和解决方案
• 版本信息（--version）
• 环境变量配置
• 踩坑：任何报错、意外行为、文档没说的注意事项

Phase 2: 最小可用验证

• 写一个最简单的 hello world / demo
• 确认基本通路跑通
• 记录最小可用代码
• 踩坑：初始化、权限、网络、路径等常见问题

Phase 3: 系统探索

按以下维度逐一探索，每个都记录：

• 核心概念 — 这个工具的世界观是什么？关键术语？
• API/命令 — 主要接口有哪些？参数含义？
• 配置项 — 可调的参数、默认值、最佳实践
• 边界情况 — 极端输入、错误处理、性能限制
• 集成方式 — 怎么和其他工具配合？
• 高级特性 — 不是必需但很强大的功能
• 常见坑 — 文档没提但你踩到了的
• 社区智慧 — GitHub issues、讨论区的高频问题

Phase 4: 实战验证

• 用学到的知识做一个小项目
• 记录从构思到完成的全过程
• 遇到的问题和解决方案
• 和文档描述不一致的地方

Phase 5: 固化输出（最重要！）

学习不固化 = 白学。每完成一个主题，必须产出可复用的资产。

固化产物选择

| 产物 | 用途 | 示例 | |------|------|------| | Skill | 知识指南，让 AI 知道怎么做 | 火山方舟 API 用法、OpenClaw 配置 | | 脚本 | 可执行的功能代码，直接跑 | 批量处理工具、数据转换 | | MCP Server | 标准化工具接口，任何 AI 客户端可调用 | 天气查询、API 代理 |

判断规则：

• 只需要 AI "知道怎么用" → Skill（知识文档）
• 需要反复执行的具体操作 → 脚本（scripts/ 目录）
• 需要 AI 主动调用的工具能力 → MCP Server（长期服务）
• 三者可组合：Skill 引导流程，Skill 内嵌脚本，MCP 提供工具接口

5a: 创建 Skill（知识固化）

当满足以下任一条件时，必须创建 Skill：

• 学到了可重复使用的工作流或代码模式
• 涉及 API 调用、配置模板、最佳实践
• 未来可能再次用到这些知识

⚠️ 必须严格按照 skill-creator 规范创建：

Step 1: 初始化（必须用脚本）

python3 ~/.npm-global/lib/node_modules/openclaw/skills/skill-creator/scripts/init_skill.py \
  <skill-name> --path <输出目录> --resources references

Step 2: 编辑 SKILL.md

• 填写 YAML frontmatter：name + description（description 是触发机制，必须写清使用场景）
• 删除模板中的 TODO 和 Structuring 段落
• SKILL.md 保持 < 500 行，核心用法
• 详细内容放 references/ 目录

Step 3: 添加 references/

• 从学习笔记中提取详细内容
• 按 references/models.md、references/examples.md、references/best-practices.md 等组织
• 大文件（>100行）顶部加目录索引

Step 4: 如有可复用脚本，添加到 scripts/

• 必须 chmod +x，支持 --help
• 参数通过命令行传入，禁止硬编码
• 输出结构化文本（JSON/表格）

Step 5: 打包（必须用脚本）

python3 ~/.npm-global/lib/node_modules/openclaw/skills/skill-creator/scripts/package_skill.py \
  <skill-folder路径> [输出目录]

Step 6: 更新 TOOLS.md Skills 列表

Step 7: 删除或归档原始学习笔记（知识已沉淀到 Skill 中）

5b: 创建脚本（功能固化）

脚本规范：

• 放在 skills/<主题>/scripts/ 或 ~/.openclaw/scripts/
• 必须 chmod +x，支持 --help
• 关键参数通过命令行参数传入，禁止硬编码
• 输出结构化文本（JSON/表格），方便 AI 解析
• 包含错误处理和退出码

脚本模板（Python）：

#!/usr/bin/env python3
"""<一句话描述>

用法: python3 script.py <参数>
"""
import argparse, sys, json

def main():
    p = argparse.ArgumentParser(description=__doc__)
    p.add_argument('input', help='输入')
    p.add_argument('-o', '--output', help='输出')
    args = p.parse_args()
    # ... 逻辑 ...
    print(json.dumps(result, ensure_ascii=False))

if __name__ == '__main__':
    main()

5c: 创建 MCP Server（工具服务固化）

MCP Server 规范：

• 放在 ~/.openclaw/mcp-servers/ 或独立 Git 仓库
• 使用 @modelcontextprotocol/sdk 或 mcp Python 包
• 每个工具必须有清晰的 name、description、inputSchema

MCP Server 模板（Python）：

#!/usr/bin/env python3
from mcp.server.fastmcp import FastMCP

mcp = FastMCP('<名称>')

@mcp.tool()
def do_something(param: str) -> str:
    """<工具描述>"""
    # ... 逻辑 ...
    return result

if __name__ == '__main__':
    mcp.run(transport='stdio')

注册到 OpenClaw（~/.openclaw/openclaw.json）：

{
  "mcpServers": {
    "<name>": {
      "command": "python3",
      "args": ["/path/to/server.py"],
      "env": { "API_KEY": "${ENV_VAR}" }
    }
  }
}

5d: 更新记忆

• 更新 memory/learning-logs/<主题>-summary.md
• 更新 MEMORY.md 相关章节
• 更新 TOOLS.md 如果涉及新工具
• 标记探索清单完成度

5e: 清理

• 已固化的学习笔记移到 memory/learning-logs/archive/
• 或直接删除（知识已沉淀到 Skill/脚本/MCP 中）

学习日志模板

# 学习日志: <主题>
- **日期**: YYYY-MM-DD
- **状态**: 进行中 / 已完成
- **目标**: 学什么、为什么学

## Phase 0: 准备
- 学习目标: ...
- 入口资源: ...
- 探索清单: [ ] [ ] [ ]

## Phase 1: 环境搭建
- 安装步骤: ...
- 踩坑记录: ...

## Phase 2: 最小验证
- 验证代码: ...
- 结果: ✅/❌

## Phase 3: 系统探索
### 核心概念
- ...
### 踩坑汇总
1. ...

## Phase 4: 实战
- 项目描述: ...
- 结果: ...

## Phase 5: 固化
- Skill: <名称> ✅/❌
- 脚本: <列表> ✅/❌
- MCP: <名称> ✅/❌

探索清单模板

学习新东西时，主动回答这些问题：

• [ ] 它解决什么问题？不解决什么？
• [ ] 核心工作流是怎样的？
• [ ] 最常见的用法是什么？
• [ ] 配置项有哪些？默认值合理吗？
• [ ] 错误处理机制是什么？
• [ ] 性能特征？（速度、内存、限制）
• [ ] 和类似工具比，优劣势？
• [ ] 有什么隐藏功能/彩蛋？
• [ ] 社区最常问的问题是什么？
• [ ] 文档哪里写得不好/有误导？
• [ ] 如果要向别人介绍，三句话怎么讲？

记录规范

1. 所有踩坑必须记录 — 包括错误信息、原因分析、解决方案
2. 可复现性 — 别人（或未来的我）按记录能复现
3. 区分事实和推测 — 确认过的标 ✅，推测的标 ❓
4. 保留原始命令 — 不要省略，不要"类似地"
5. 记录版本 — 工具版本、OS、环境都可能影响
6. 交叉引用 — 相关的学习日志互相链接

存储结构

# 学习进行中
memory/learning-logs/
├── <主题>-<YYYY-MM-DD>.md        # 详细学习日志
├── <主题>-summary.md              # 总结提炼
└── _index.md                      # 学习目录索引

# 学习完成后 → 固化为 Skill（必须用 init_skill.py + package_skill.py）
skills/<主题>/
├── SKILL.md                       # 核心指南
├── scripts/                       # 可执行脚本（可选）
└── references/                    # 详细参考

回顾已有经验

学习新东西前：

1. 检查 memory/learning-logs/_index.md — 有没有类似工具的学习经验？
2. 检查 skills/ 目录 — 是否已有相关 Skill？直接加载，不用从头学
3. 检查 MEMORY.md — 之前踩过的坑、积累的经验

学习闭环： 笔记 → Skill → 日常使用 → 发现不足 → 补充 Skill