AutoClaw 是一键部署 OpenClaw 的本地应用工具。对于想要体验 OpenClaw 但觉得配置环境太复杂的新手来说，AutoClaw 提供了开箱即用的解决方案。
本周 AutoClaw 更新了两个核心功能：Hermes 自进化机制和 Skills 商店。这两个功能让 AI Agent 从"一次性工具"变成了"越用越顺手的助手"。
自进化机制：可控可视的 AI 记忆
大多数 AI 记忆系统有个共同问题：你不知道它记住了什么，也不知道它什么时候会调用。更麻烦的是，所有记忆混在一起，"用户喜欢简洁回答"和"变量用 snake_case 命名"这两种完全不同层级的信息被同等对待，时间一长记忆库信噪比极低。
AutoClaw 的做法是强制分类存储，把记忆拆成四个维度：
- Memory：事实性记忆，如"用户的主力开发语言是 Go"
- Behavior：行为规范，如"输出代码时加注释"
- Skill：技能偏好，如常用工具和解决方案路径
- Tool：工具调用规范，如 API 调用顺序
这四类信息的重要程度和使用频率完全不同，分开管理后，在进化看板里可以按维度筛选、查看完整历史、追踪哪些被拒绝。这是对 AI 学习内容最透明的设计之一。
触发机制：从玄学到确定性
AutoClaw的触发逻辑分三类信号：
强信号：类似"以后都这样"、"记住"、"永远"、"不要再"等明确表达持久性偏好的词汇，直接触发进化流程。
弱信号：像"我一般"、"我习惯"、"我喜欢"这类词，不立即触发，而是作为信号累积，结合上下文判断。
行为信号：同一类操作连续出错被纠正，系统判断这是值得固化的经验，触发进化。
进化速率支持三档调节：100% 全速、50% 保守模式、完全关闭。初期建议 100% 快速学习习惯，稳定后降到 50% 减少打扰。
对比 Hermes Agent，后者在 Agent 执行中调用 5 次以上工具、出错自救或用户纠正输出时，会自动打包工作流为本地 Skill 文件，但全程静默无感知。
AutoClaw 在此基础上增加了人工审批层，每次进化需要用户确认，避免系统擅自修改用户手动调优的配置。
实际使用案例
以技术文档整理场景为例。第一次让 Agent 整理文档时，输出可能不符合习惯——格式太重、标题层级过多、表达方式不匹配。
纠正它："这种文档以后不要用多级标题，全部平铺，代码块加语言标注。"
系统弹出进化卡片，分类为 Behavior，内容是提炼的规范条目。确认后，再让它整理第二篇、第三篇文档，格式都会保持一致。
这种进化不是临时上下文记忆，而是真正写入系统，下次开新对话也生效。无论是 7 天后还是 1 年后，它都知道你的文档格式偏好、代码风格、输出长度习惯，而这些是你一条条审批过的。
Skills 商店：专业场景零配置
自进化解决"Agent 适配个人习惯"的问题，Skills 商店解决"专业场景从零配置太麻烦"的问题。
AutoClaw 内置了 Skills 商店，无需再去各个网站搜索下载，直接在本地客户端搜索安装即可。
目前金融类技能最完整：A 股实时行情分析、股票分析、回测专家、每日复盘，覆盖从看盘到分析到回测到复盘的全链路。绑定微信后，每天收盘后自动推送复盘总结，无需手动触发。
开发类技能包括 Debug Pro、Code 助手、前端设计、架构设计、安全审计等。其中 Debug Pro 不仅给出报错原因，还提供具体改动行数和改法，节省排查时间。
学术类技能对研究生群体实用：AMiner 学术搜索可查学者画像、论文列表、引用量排序；arXiv 论文日报每天自动生成本领域最新论文摘要。
核心价值
自进化机制的核心价值不是"AI 更聪明了"，而是学习成本内嵌在使用成本里。正常使用过程中，AI 自动学习用户习惯，无需专门花时间配置和教学。
Skills 商店的价值是省掉从零探索专业场景的时间，别人踩过的坑打包给你用。
这两个功能组合后，AutoClaw 的使用体验相比初次安装时有了显著提升。
苏米注：AutoClaw 的自进化设计解决了一个关键问题——用户对 AI 学习过程的失控感。通过四维分类和人工审批，用户既能享受 AI 自我优化的便利，又不会担心系统"乱学"。这种平衡在现有 AI Agent 产品中比较少见。
