xskill 0.6.1a2

Distill reusable Skills from AI Agent execution trajectories

让你的 coding agent 的技能,从每一次真实会话里自我进化——你只管写代码。

跨会话、跨 agent、跨设备、跨同事。经验持续累积,技能不断生长。

English · 简体中文

_{📄 论文:xskill: Team-Level Skill Distillation, Sharing, and Evolution for Coding Agents · PDF(19 页)}

---

✨ 为什么需要 xskill

你的 coding agent 每次碰到熟悉的问题,都从头再推一遍。你要么重新讲一遍,要么手动维护一个提示词库——而这个库没人盯着就会慢慢烂掉。xskill 让这些活儿消失:

• 🚀 装起来快——pip install xskill,一个配置文件,搞定。
• 💬 你只管写代码——它在后台观察你的真实会话,把"管用的做法"自动蒸馏成 SKILL.md,你的 agent 自动加载。零额外操作。
• 🧬 自我进化,不是自卖自夸——新版技能只有在真实流量上确实让用户体验更好,才会取代旧版。由用户体验驱动,而不是让大模型给自己打分。
• 👥 团队放大器——一个人解决,全队复用。团队越大,进化越快、越准。

---

🔁 一人解决,全队复用

只要团队里有一个人在自己的会话里搞定了某个问题,这个解法就会变成一条技能——其他人的 agent 自动拿到。没人需要专门写文档。

🧩 跨越每一个 agent 与设备——同一个技能库

笔记本上用 Claude Code、服务器上用 Codex、IDE 里用 Cursor。xskill 从它们全部收集脱敏后的轨迹,进化出同一个共享技能库,再把结果同步回你用的每一个 agent。

🌱 孤岛 → 集体进化

没有一个共享、自我改进的技能库,每个开发者都在孤岛里重复解决同样的问题。xskill 把这些被浪费的、隔离的努力,变成可以复利累积的共享经验。

---

🏗 架构

几个职责很窄的 LLM agent 在干活:一个把轨迹拆成单一意图的原子(Atom);一个把每个原子路由到某条技能;一个在技能攒够素材后重写 SKILL.md;还有一个在真实流量上对新版本做 A/B 测试、留下胜出者。每条技能都是它自己的 git 仓库,所以每一次改动都有版本、可回滚。细节见 docs/agent.md。

---

🚀 快速开始

路径 A —— 单人、本地

pip install xskill          # Python 3.9+
xskill serve                # 写出 ~/.xskill/config.yaml,然后退出

打开 ~/.xskill/config.yaml,填两个模型端点(一个 LLM,一个 embedding 向量模型):

skill_dir: ~/.xskill/skill

llm:
  base_url: https://api.deepseek.com
  model:    deepseek-v4-flash
  api_key:  YOUR_KEY

embedding:
  # DeepSeek 没有 embedding,用 DashScope / OpenAI / Ollama,例如:
  base_url: https://dashscope.aliyuncs.com/compatible-mode/v1
  model:    text-embedding-v4
  api_key:  YOUR_KEY
  dim:      0

再跑一次 xskill serve——它会自动识别你机器上每一个受支持的 agent 并开始监听。要把旧轨迹归档回填进来:

xskill registry add /path/to/trajectories

路径 B —— 团队模式(最有杀伤力的用法)

一台机器当 server,其他人作为轻量 client 加入,大家对着同一个进化中的技能库工作。

xskill serve --server                          # 打印一个加入 token
xskill connect <host:port> --token <token>     # 在每个同事的机器上运行

• 悄悄蒸馏你的高手——一个人的解法自动到达全队。
• 任何工作流都能接——Codex、Claude Code、Cursor IDE 随便选,大家加入同一个库,跨工具同步。
• 轨迹保持私有——会话在上传前已脱敏。
• A/B 驱动的进化——一处改动先在每个人身上度量,再决定要不要扩散。人越多,进化越快越准。
• 专家可以手动教——本地改一条技能,会作为 user-staging/<client_id> 拉进 server,喂给下一轮进化。

🪄 懒人安装 —— 把下面这段贴给你的 AI 助手

已经在用 Claude Code / Codex / Cursor 之类的编码 agent?把下面整段(填好服务器地址和 token)直接发给它,它会帮你装好并配置成开机常驻,不用手动敲命令。

请帮我安装并常驻运行 xskill —— 一个把编码 agent 操作轨迹蒸馏成可复用 skill、并在团队内共享的工具。

环境要求 Python 3.9+,先执行 `python --version` 确认;低于 3.9 或没装,就停下让我先装 Python。

1) 安装(版本优先 a5,没有则自动退 a4;先用默认/内部源,失败再走官方 PyPI):
   pip install "xskill>=0.6.0a4,<0.6.0a6"
   若上一条报错(源里找不到包/版本),改用官方源重试同一条:
   pip install --index-url https://pypi.org/simple/ "xskill>=0.6.0a4,<0.6.0a6"
   (pip 命令不存在就换成 py -m pip 或 python3 -m pip;装完执行 `pip show xskill` 把版本贴给我)

2) 首次连接团队服务器(只需带一次 token,会把连接信息写进 ~/.xskill/team_client.json):
   xskill connect <服务器地址:端口> --token <TOKEN>
   看到一行 `connected: client_id=...` 即成功;随后停掉它(Ctrl+C),后续交给常驻任务。

3) 配置成「开机自动启动 + 崩溃自动重启 + 不限运行时长」。常驻跑的是不带 token 的
   `xskill connect`(复用已存连接)。按我的操作系统选一种:
   - Windows:用「计划任务」AtLogOn 触发、ExecutionTimeLimit 0、失败每分钟重启,执行 xskill。
   - macOS:用 launchd 的 LaunchAgent(KeepAlive=true,RunAtLoad=true)。
   - Linux:用 systemd --user 服务(Restart=always,WantedBy=default.target)。

4) 验证:常驻任务/服务处于 Running;再等约 10 分钟,确认 ~/.xskill/clients/ 下出现以
   服务器地址命名的目录、且 cursor.json 在更新(轨迹有约 10 分钟去抖窗口,刚连上不会立刻上传)。

说明:xskill connect 是常驻轮询进程,服务器若重启它会自动重连,无需我干预;只有换服务器地址
或换了 token 时,才需要重跑一次第 2 步带 token 的命令。全部完成后,把已安装版本号、client_id、
常驻任务状态告诉我。

把 <服务器地址:端口> 和 <TOKEN> 换成团队管理员给你的值(server 端 xskill serve --server 启动时会打印 token)。切勿把真实 token 写进任何公开仓库或聊天记录。

---

🔌 与你的 agent 协同

Agent	状态	轨迹采集	技能安装
Claude Code	✅ 已验证	~/.claude/projects/	软链 → ~/.claude/skills/<name>/
Codex CLI	✅ 已验证	~/.codex/sessions/	软链 → ~/.agents/skills/<name>/
OpenCode	✅ 已验证	SQLite ~/.local/share/opencode/opencode.db	软链 → ~/.agents/skills/<name>/
OpenClaw	🟡 已实现	~/.openclaw/agents/	拷贝 → ~/.agents/skills/<name>/
Cursor	🟡 已实现	~/.cursor/projects/*/agent-transcripts/	软链 → ~/.cursor/skills/<name>/
Trae	🟡 已实现	IDE state.vscdb / CLI trajectory_*.json	软链 → ~/.trae-cn/skills/、~/.trae/skills/
任何其他 agent	手动	SDK xskill.adapters.submit_trajectory	拷贝/软链 SKILL.md 目录

📖 概念

术语	含义
Trajectory(轨迹)	一次 agent 运行——一段会话的完整记录(traj_*.md)。
Atom(原子)	轨迹里最小的、单一意图的切片。路由在这一层发生。
Skill(技能)	一个 SKILL.md 加可选脚本,各自在独立的 git 目录里带版本。
Canary(灰度)	当前技能与新候选版本在真实流量上的 A/B 对比测试。
UX score(体验分)	某条技能在某个原子上服务用户的好坏,由交互本身打 1–10 分。灰度保留分更高的那个版本。

---

🗺 路线图

• 更多 agent 适配——Goose、OpenHands、Aider
• 更成熟的用户画像与推荐
• 原生 MCP server 接口(把技能作为工具暴露)
• 浏览技能库、查看 canary 数据的 Web UI
• 技能市场——导入/导出可移植的技能包
• 多租户技能库(按团队的 skill_dir)

📰 动态

• 2026-05-29 —— 新增 Trae IDE / Trae Agent 适配。
• 2026-05-23 —— v0.5.0:团队模式(client-server)、轨迹脱敏、Python 3.9、运行时不再需要 git 二进制。
• 2026-05-20 —— MIT 开源;上线 PyPI:pip install xskill。
• 2026-05-12 —— 支持 Claude Code、Codex、OpenCode;接通 OpenClaw 与 Cursor。

---

💬 社区

关于 coding-agent 技能的问题、想法、踩坑故事——来一起聊。扫码加微信群:

💬 微信交流群 扫码进群 · 一起聊 coding agent 技能

🙏 致谢

xskill 站在更广泛的 trajectory-to-skill 研究方向之上(港大 OpenSpace、阿里 Trace2Skill、华东师范 AutoSkill 等),也建立在它所接入的 agent 生态之上——Claude Code、Codex、OpenCode、Cursor、OpenClaw、Trae。

🤝 贡献

欢迎提 Issue 和 PR——尤其是新的 agent 适配。具体见仓库说明。

📝 引用

@misc{xskill2026,
  title        = {xskill: Team-Level Skill Distillation, Sharing, and Evolution for Coding Agents},
  author       = {SkillNerds},
  year         = {2026},
  howpublished = {\url{https://github.com/SkillNerds/xskill}}
}

📄 许可证

MIT © 370025263。见 LICENSE。