Der Skill Workshop von OpenClaw

Ein Agent, der seine eigenen Skills schreiben kann, braucht einen Weg, auf dem nichts versehentlich live geht. Der Skill Workshop von OpenClaw ist dieser kontrollierte Weg: Agenten und Operatoren legen einen Vorschlag an, einen ausstehenden Entwurf mit Inhalt, Zielbindung, Scanner-Status, Hashes und Rollback-Metadaten, und er wird erst beim Anwenden zu einem aktiven Skill. Standardmäßig schreibt der Workshop nur in das eigene workshop-skills-Verzeichnis des aktiven Agenten im State-Verzeichnis, getrennt vom Sitzungs-Workspace und von der verwalteten Skill-Bibliothek; mitgelieferte Skills sowie Plugin-, ClawHub-, Projekt- und Workspace-Skills werden über ihre eigenen Tools bearbeitet. Hier sind die Lebenszyklusregeln, die Prüfoberflächen, die Erstellung aus dem Chat und über die CLI, die Abläufe für learn und Reparatur sowie die Einstellungen.

Die Lebenszyklusregeln

• Vorschlag zuerst: Generierter Inhalt wird als Vorschlagsdatei gespeichert, nicht als Skill-Datei; Anwenden ist der einzige Live-Schreibvorgang, daher ändern Erstellen, Aktualisieren und Überarbeiten niemals aktive Skills; Erstellungen und Aktualisierungen bleiben im Workshop-Verzeichnis des Agenten, und ein Skill gehört genau dann dem Workshop, wenn er dort liegt.
• Kein Überschreiben: Das Erstellen schlägt fehl, wenn das Ziel in diesem Verzeichnis bereits existiert, Skills aus anderen Quellen werden nie verändert, und bei gleichnamigen Skills entscheidet die Ladereihenfolge, welche Definition gilt; Aktualisierungsvorschläge sind an den aktuellen Hash des Ziels gebunden und veralten, wenn sich der aktive Skill vor dem Anwenden ändert.
• Durch den Scanner abgesichert und wiederherstellbar: Das Anwenden führt den Sicherheitsscanner vor dem Schreiben erneut aus, nur kritische Befunde blockieren es, während Befunde der Warnstufe sichtbar bleiben, und Rollback-Metadaten werden geschrieben, bevor Live-Dateien angefasst werden; Erstellen und Überarbeiten schreiben eine vollständige, unveränderliche Vorschlagsgeneration und veröffentlichen sie per atomarem Umbenennen, sodass eine Unterbrechung entweder die vorherige oder die neue Generation sichtbar lässt.
• Zustände: Erstellen, Aktualisieren, Überarbeiten und Bewerten lassen einen Vorschlag ausstehend; Anwenden, Ablehnen und Quarantäne verschieben ihn nach angewendet, abgelehnt oder in Quarantäne; eine Änderung am Ziel macht ihn veraltet; und nur ein ausstehender Vorschlag kann überarbeitet, angewendet, abgelehnt oder unter Quarantäne gestellt werden. Chat, CLI und Gateway rufen alle denselben Dienst auf.

Anwenden ist der einzige Live-Schreibvorgang: Erstellen, Aktualisieren und Überarbeiten ändern niemals aktive Skills.

Prüfung, Erstellung, Lernen

In der Control UI liegt der Workshop unter den Plugins: Eine Skills-Ansicht listet, was im Workshop-Verzeichnis des ausgewählten Agenten installiert ist, geänderte Skills zuerst, mit Hinzufügungen und Entfernungen inline gegenüber der aufbewahrten angewendeten Version, und eine Vorschlagsansicht enthält ausstehende Vorschläge zum Bewerten, Überarbeiten, Anwenden oder Ablehnen; frühere angewendete, abgelehnte, unter Quarantäne gestellte und veraltete Vorschläge bleiben über CLI und Gateway einsehbar. Im Chat bitten Sie um den gewünschten Skill, und der Agent ruft das Workshop-Tool auf und gibt eine Vorschlags-ID zurück: „Erstell einen Skill, der die Montagsroutine für den Posteingang ausführt“, „Aktualisiere den Reiseplanungs-Skill, damit er Sitzpläne prüft“, „Zeig mir den Vorschlag“, „Überarbeite ihn“, „Wende ihn an“. Der Befehl learn leitet die aktuelle Konversation oder benannte Quellen, Pfade, URLs und eingefügte Notizen in den am besten passenden ausstehenden Vorschlag oder aktiven Skill und legt nur bei Bedarf einen neuen an, und er wendet nie etwas an. Erweist sich ein im aktuellen Turn verwendeter Skill als falsch, liest der Agent den aktiven Skill und legt einen gezielten Patch-Vorschlag an, wobei er genau einen Abschnitt vorbereitet, wenn der gesamte Skill das Lesebudget des Modells übersteigt; eine Laufzeitquittung beschränkt das auf Skills, die im Run verwendet wurden, und der reparierte Skill erreicht neue Sitzungen, während die laufende Sitzung ihren Snapshot behält. Die CLI bildet all das ab: propose-create mit Name, Beschreibung und Vorschlagsdatei, propose-update, list, inspect, revise, evaluate über installierte Plugin-Evaluatoren, apply, reject und quarantine mit Begründungen, jeweils mit einer Agent-ID und JSON-Ausgabe.

Einstellungen

• Der autonome Modus steht standardmäßig auf auto: off deaktiviert die autonome Erfassung, behält aber den Hinweis auf dauerhafte Anweisungen, propose erstellt ausstehende Vorschläge aus Korrekturen und umfangreicher abgeschlossener Arbeit, und auto nutzt normale Agenten-Tools für die direkte Workshop-Pflege pro Turn und wöchentlich, ohne Vorschlags-Scan und ohne automatische Rollback-Snapshots; vom Benutzer angestoßene Erstellung, der Befehl learn und manuelle Lernsitzungen funktionieren in jedem Modus.
• Die Freigaberichtlinie steht standardmäßig auf auto, sodass vom Agenten ausgelöstes Anwenden, Ablehnen und Quarantäne ohne weitere Rückfrage laufen; pending erfordert die Freigabe durch einen Operator, die Rückfrage nennt Vorschlag und Ziel und zeigt Beschreibung, Anzahl der Hilfsdateien und Größe des Inhalts, und eine abgelaufene Rückfrage lässt den Vorschlag ausstehend, statt zu handeln, daher sollten Agenten eine abgelaufene Aktion nicht in einer Schleife wiederholen.
• Limits: fünfzig ausstehende und unter Quarantäne gestellte Vorschläge pro Agent, einstellbar von eins bis zweihundert, ein Vorschlagsinhalt von vierzigtausend Bytes, einstellbar von etwa eintausend bis zweihunderttausend, ein separates Limit von zehntausend Zeichen für autonome Vorschläge und Beschreibungen, die immer auf 160 Bytes begrenzt sind. Eine Aktion in der Control UI kann auch frühere Konversationen durchsuchen, ohne die Autonomie zu aktivieren: Eine normale Sitzung startet mit Anweisungen zur Auswertung und folgt dem aktuellen Modus.

Die losgelöste Hintergrundprüfung, die Vorschläge liefert, behandelt der Beitrag zum Selbstlernen in OpenClaw, das vollständige Schema, in dem diese Einstellungen stehen, der Beitrag zur Skills-Konfiguration in OpenClaw.

Wo er hineinpasst

Der Workshop ist für Skills gedacht, die der Agent generiert; handgeschriebene Workspace-Skills und die verwaltete Bibliothek behalten ihre eigenen Oberflächen, und persönliche Bibliotheks-Skills auf einem gemeinsam genutzten Gateway veröffentlichen verwaltete Revisionen statt Vorschlägen. Den handgeschriebenen Weg beschreibt der Beitrag zum Erstellen eines OpenClaw-Skills, die Oberfläche, deren Evaluatoren der Bewertungsschritt ausführt, der Beitrag zu OpenClaw-Plugins.

Auf Diali

Auf Diali liegt das Workshop-Verzeichnis unter dem State-Verzeichnis des Assistenten auf seinem Volume, sodass Vorschläge und angewendete Skills Releases überstehen, und die Prüfoberfläche ist der Workshop-Tab der Control UI. Der Assistent ist gehostetes OpenClaw auf Diali, und die Grenze um ihn beschreibt die Seite zur Sicherheit bei Diali.

• Zuerst ein Vorschlag; Anwenden ist der einzige Live-Schreibvorgang.
• An Hashes gebunden, durch den Scanner abgesichert, bereit für Rollbacks.
• Der Befehl learn bereitet vor, wendet aber nie an.