Skill 是一种轻量级、开放格式的 AI agent 能力扩展机制 [8]。它的物理形态是一个包含 SKILL.md 的目录：

• YAML 前置元数据定义 name、description、triggers 等字段，用于 agent 的自动发现 [1][9]；
• Markdown 指令体描述何时以及如何使用工具、执行何种工作流；
• 可选资源包括脚本、模板、参考数据 [9]。

Skill 与 Tool 有本质区别：Tool 是单一函数调用，Skill 是结构化的多文件能力包，封装了工作流指令、可执行脚本与领域知识参考 [16]。Tool 是"锤子"，Skill 是"装修手册"。

1.2 MetaSKILL：三个层次的精确定义

"MetaSKILL"在实践与学术中已形成三个清晰的含义层次：

层次一：Skill 生成器——能够自动创建、编辑、优化 SKILL.md 的 Skill。Anthropic 发布了官方 skill-creator [15]，OpenClaw.NET 内置了 meta-skill-creator 支持三种 DAG 模式：p1_sequential、p2_fan_out_merge、p3_condition_gated [18]。

层次二：Skill 编排器——在众多 Skill 中选择、组合、编排以完成复杂任务。AgentSkillOS [2] 将 Skill 组织为能力树，用 DAG 编排多 Skill 流水线。

层次三：生产级多步 DAG 工作流（OpenClaw.NET 定义）——这是 MetaSKILL 最工程化的定义 [18][19]：

MetaSkill 将重复的多步工作封装为可复用、可审查的 DAG 工作流。当一个请求需要超过一个普通 Skill、工具、检查点或最终综合步骤时，使用 MetaSkill。

核心对比（OpenClaw.NET 精确区分 [18]）：

能力	适用场景
Skill (kind: standard)	一个聚焦任务——指令作为 system prompt 注入。1 步，无 DAG，无暂停，无降级。
MetaSkill (kind: meta)	3-12 步可复用 DAG，带 depends_on、on_failure、user_input 暂停点，完整审计轨迹。

举例："总结这份文档"是 Skill 形态。"将这份合同、报价和邮件转化为签/拒/谈决策建议，包含风险和后续行动"是 MetaSkill 形态 [18]。

从系统角度看，MetaSKILL 是 Skill 生态的"操作系统"——它负责 Skill 的发现、选择、组合、执行与演化。

---

2 MetaSKILL 解决的六个真问题

OpenClaw.NET 的设计文档精确定义了 MetaSKILL 要解决的单 Skill 无法应对的六个工程问题 [20]：

#	问题	单 Skill	MetaSKILL 方案
1	长任务卡死没法停	❌	timeout_seconds + retry + 合约封顶（四层有界执行）
2	多步任务需要人确认关键节点	❌	user_input + clarify + checkpoint 暂停/恢复
3	复杂流程要可审计 + 可恢复	❌	MetaRunHistory + replay + reconstruct + proposals
4	不同 Skill 之间需要编排依赖	❌	depends_on DAG + skill_exec/agent 委托
5	任务失败需要 fallback 降级路径	❌	on_failure 5 条工程约束 + 输出镜像
6	多团队复用同一任务模板	❌	Meta-skill 即模板 + Session 隔离 + catalog

2.1 问题 1-2：执行期可靠性

长任务卡死：四层超时保护——步骤级 timeout_seconds + CancellationToken → 步骤重试 retry.max_attempts + backoff_ms → 会话合约 ContractPolicy.MaxRuntimeSeconds → Agent 循环 maxIterations + 熔断器 [19][20]。

人工确认节点：user_input 步骤暂停 DAG 等待结构化人工输入。运行时保存完整 checkpoint（pending/blocked/outputs/stepResults）到 Session，用户输入后恢复。可配置 timeout_seconds + on_failure 降级防止无限等待 [19]。

2.2 问题 3：运维期可信度

每次执行自动记录 SessionMetaRunRecord，包含每步耗时、失败码和执行证据 [19]。运维人员可通过 CLI 查看、回放预览和审计重建：

openclaw skills meta-runs <sid> --run <id> --verbose --json
openclaw skills meta-runs replay <sid> --run <id>
openclaw skills meta-runs reconstruct <sid> --run <id>

2.3 问题 4-5：编排期韧度

DAG 编排：步骤通过 depends_on 声明形成有向无环图。独立步骤并行执行（波次调度）。DAG 引擎在 AgentRuntime（原生）和 MafAgentRuntime（Microsoft Agent Framework 适配器）之间共享，行为一致 [19]。

降级路径：on_failure 声明替代步骤。当主步骤失败时，运行时激活 fallback 并将其输出镜像到主步骤 ID——下游步骤无感知。五条工程约束（parse-time + runtime 双重校验）：fallback 目标必须存在、不能自引用、fallback 不能有 on_failure（禁止链式）、同一 fallback 只能被一个 primary 引用、fallback 不能有 depends_on [19][20]。

2.4 问题 6：协作期复用性

一份 SKILL.md 在所有团队共享，每次执行在独立 Session 上下文（outputs 字典、MetaExecutionCheckpoint、MetaRunHistory 均绑定 session.Id），模板通过 {{ input }}、{{ outputs.X }} 传递上下文参数化 [20]。

本质总结 [20]：

问题 1-2：执行期可靠性  (timeout + 暂停)
问题 3：   运维期可信度  (可审计 + 可恢复)
问题 4-5：编排期韧度    (DAG + fallback)
问题 6：   协作期复用性  (模板 + 隔离)

---

3 架构与技术实现

3.1 SKILL.md：一个事实上的开放标准

2025 年底 Anthropic 将 SKILL.md 格式发布为开放规范 [9]，迅速被 10+ 平台采纳 [8]。OpenClaw 和 Claude Code 使用完全相同的 SKILL.md 格式，一个为 Claude Code 编写的 Skill 无需修改即可在 OpenClaw 中使用 [4]。

OpenClaw 采用六级优先级覆盖设计 [1]：workspace skills > project agent skills > personal agent skills > managed skills > bundled skills > extra dirs。每个 agent 可通过 allowlist 独立控制可见的 Skill 集合。

3.2 MetaSKILL 的架构方案

方案 A：OpenClaw.NET MetaSkill 编排器（生产级 DAG 工作流）

这是目前工程化程度最高的 MetaSKILL 实现 [19]。核心组件：

解析管线：SKILL.md YAML frontmatter → SkillLoader 解析 composition.steps → TryValidateMetaPlan DAG 结构校验（唯一 ID、Kind 有效性、依赖引用、无环校验、OnFailure 5 条约束、MetaSkill 嵌套禁止、Route 目标校验 8 项检查）→ 进入 ExecuteMetaSkillAsync 调度循环。

六种步骤类型 [19]：

Kind	执行方法	工具访问	成本	适用场景
agent	委托到其他 Skill 指令	✅ 完整	最高	开放式推理与综合分析
llm_classify	强制返回闭集合标签	❌	最低	路由分类器
llm_chat	有界 LLM 生成	❌	低	有界综合
tool_call	直接工具调用	✅ 直接	最低	确定性副作用
skill_exec	子进程执行	✅ 子进程	低	CLI 包装的 Skill 执行
user_input	暂停等待人工输入	❌	暂停开销	人工介入澄清表单

双运行时架构：DAG 引擎在 AgentRuntime（原生）和 MafAgentRuntime（Microsoft Agent Framework 适配器）之间共享。仅 LLM 调度路径不同——CallLlmWithResilienceAsync vs _chatClient.GetResponseAsync——等价测试保证行为一致 [19]。

失败处理：on_failure 替代步骤 + continue_on_error 控制错误传播 + 输出镜像机制（fallback 输出写入主步骤 ID 的 outputs 槽位，下游无感知）[19]。

用户输入暂停/恢复：skip_if Jinja 评估 → 可选 NL 预提取 → checkpoint 保存到 Session → 返回 waitingPrompt；恢复时 TryRestoreMetaExecutionCheckpoint 重建状态，已完成步骤不重新执行 [19]。

触发器匹配：确定性子串匹配（不区分大小写，按 meta_priority + 触发短语长度排序）+ 路由提示注入（通过 BuildMetaRoutingSuffix 将路由提示注入 system prompt）[19]。

方案 B：AgentSkillOS 能力树 + DAG 编排

上海人工智能实验室提出 [2]，将 Skill 组织为能力树（根节点五个大类 → 递归细分 → 可达 20 万 Skill 规模），然后通过 DAG 编排多 Skill 执行。能力树检索在 20 万规模下近似 oracle 水平，DAG 编排显著优于原生扁平调用。

方案 C：EvoSkills 协同进化式 Skill 生成

Skill Generator 迭代生成与优化 + Surrogate Verifier（独立 LLM 会话）合成测试用例提供高保真反馈 [16]。5 轮进化内超越人工 Skill，且进化后的 Skill 可跨 6 个不同模型迁移。

方案 D：CASCADE 双重 Meta-Skill

给 agent 装上两个 meta-skill：持续学习（自行搜索文档和代码示例）+ Skill 自生成（在任务执行中自动捕捉可复用工作流并沉淀为 Skill）[17]。

---

4 安全：快速膨胀的生态系统面临严峻挑战

4.1 规模与风险并存

截至 2026 年 2 月，公开 Skill 数量超 28 万 [2]，社区贡献超 5,200 个 [11]。Snyk 的 ToxicSkills 研究 [3] 对 3,984 个 Skill 的全量安全审计：

• 13.4%（534 个）包含至少一个严重级安全问题；
• 36.82%（1,467 个）存在至少一个安全缺陷；
• 76 个恶意载荷被确认，8 个恶意 Skill 仍在 clawhub.ai 公开可用 [3]。