OpenClaw Skeletons

面向 AI Agent 的可插拔数字员工骨架系统。

它不解决某一个单点能力，而是把 Pack / Bundle / Orchestrator / Contracts / Hooks 组织成一套可运行、可治理、可审计的常驻系统。

不是 demo，不是一次性 workflow。 是能长期在线、可替换、可扩展的数字员工基础设施。

一眼看懂

flowchart LR
    U[User / Trigger] --> O[Orchestrator]
    O --> B[Bundle]
    B --> P1[Pack: Router]
    B --> P2[Pack: Context]
    B --> P3[Pack: Audit]
    B --> P4[Pack: Schedule]
    O --> H[Hooks]
    H --> A[Policy / Approval / Budget / Trace]
    O --> C[Contracts]
    C --> R[Rules / Interfaces / Boundaries]

OpenClaw 把 AI work 放进同一套操作面里：

• Board：编排任务与协作流转
• Table：批量管理对象、状态和运营动作
• Timeline：查看执行链路、审计记录和复盘过程
• Docs：沉淀规则、上下文、SOP 和讨论
• Dashboard：监控结果、预算、成功率与系统健康度

它们不是五个拼起来的页面，而是同一套系统在不同操作尺度下的视图。

核心理念

什么是数字员工骨架？

如果把 agent 当成员工来运营，系统至少要解决五件事：

• 职责边界：什么该做，什么不该做
• 工作手册：遇到什么情况怎么处理
• 治理干预：谁能审批、谁能中断、谁能审计
• 运行记录：做了什么、怎么做的、结果如何
• 替换能力：做不好可以换 Pack、换 Bundle、换 Orchestrator

数字员工骨架，就是把这些能力拆成稳定的组织层次：

• Pack = 手艺
• Bundle = 工种
• Orchestrator = 组织方式
• Contracts = 规章制度
• Hooks = 治理插槽

为什么需要骨架？

没有骨架的 AI Agent：

用户: "帮我发个邮件"
Agent: 直接发
→ 不知道发给谁
→ 不知道说什么
→ 发了也不知道发没发成功
→ 不能审计，也不能回滚

有骨架的 AI Agent：

用户: "帮我发个邮件"
Agent:
  1. 检查权限（runtime hook 拦截）
  2. 加载上下文（Context Preloader）
  3. 路由到正确 skill（Skill Router）
  4. 执行并记录（Audit Trail）
  5. 返回结果（标准化输出）
→ 可控、可审计、可回滚、可替换

我们押注什么

我们不把未来绑定在某一个框架名字上，而是押注这些长期有效的工程范式：

• Skill
• MCP
• CLI
• Hook
• Cron

这些范式会长期存在，骨架也应该长期兼容。 今天可以运行在 OpenClaw 上，后续也可以迁移到更安全或更强约束的运行时；关键不是品牌，而是 Always On 的组织能力。

架构设计

四层模型

┌─────────────────────────────────────────────────────────┐
│  Layer 4: Contracts (制度层)                            │
│  定义全组织协作规则、接口边界与兼容约束                  │
└─────────────────────────────────────────────────────────┘
                           ▲
                           │ 约束
┌─────────────────────────────────────────────────────────┐
│  Layer 3: Orchestrator (组织层)                         │
│  定义 Bundle 如何协作、切换、升级、兜底                  │
└─────────────────────────────────────────────────────────┘
                           ▲
                           │ 编排
┌─────────────────────────────────────────────────────────┐
│  Layer 2: Bundle (工种层)                               │
│  多个 Pack 的岗位组合，形成完整职责                      │
└─────────────────────────────────────────────────────────┘
                           ▲
                           │ 组装
┌─────────────────────────────────────────────────────────┐
│  Layer 1: Pack (手艺层)                                 │
│  最小能力单元，可独立安装、验证、替换                   │
└─────────────────────────────────────────────────────────┘

核心概念

示例 Packs（基础设施层）

这些 packs 不绑定任何业务场景，是所有数字员工都需要的基础设施。

• audit-core-pack：审计、权限、工具治理
• skill-router-pack：智能意图路由
• hook-executor-pack：Hook 执行引擎
• context-preloader-pack：上下文预热
• audit-dashboard-pack：可视化监控
• schedule-pack：定时任务调度
• token-usage-reporter-pack：Token 使用监控与会话报告

场景提示（玩花的）

如果你想玩更有创造性的方向，这套骨架也适合：

• AI 视频剪辑流水线（生成、剪辑、发布、复盘）
• AI 音乐创作流水线（创作、迭代、发布）
• AI 3D 内容生成流水线（资产生成、渲染、分发）

核心不是场景名，而是用统一的 Skill/MCP/CLI/Hook/Cron 范式把系统做成可治理、可复用、可演进。

快速开始

1. 安装核心骨架

git clone https://github.com/1596941391qq/ai-openclaw-skeletons.git
cd ai-openclaw-skeletons

node scripts/pack-install.mjs audit-core-pack
node scripts/pack-install.mjs skill-router-pack
node scripts/pack-install.mjs hook-executor-pack
node scripts/pack-install.mjs context-preloader-pack
node scripts/pack-install.mjs schedule-pack
node scripts/pack-install.mjs token-usage-reporter-pack

2. 创建你的第一个 Pack

mkdir Packs/my-first-pack

开发规范

Pack 开发清单

• pack.openclaw.json - 配置声明
• README.md - 说明文档
• VERIFY.md - 验证步骤
• 增量合并原则 - 不覆盖其他配置
• 幂等性 - 重复安装无副作用

Hook 配置约定（与 OpenClaw Runtime 对齐）

统一使用 hooks.internal 结构：

• hooks.internal.enabled
• hooks.internal.load.extraDirs
• hooks.internal.entries
• hooks.internal.handlers（兼容模式）

命名约定

• Pack: {功能}-pack（如 audit-core-pack）
• Bundle: {岗位名称}（如 CustomerService）
• Orchestrator: {组织方式}（如 agent-team-orchestrator）
• Contract: {领域}-{协议}（如 stop-trace）
• Skill: {动词}-{名词}（如 route-skill）
• Hook: {时机}-{动作}（如 pre-check-permission）

当前状态

通用基础设施 Packs（公开仓）

结构化上下文层次（通用）

• Layer 1: Core Strategy Context（稳定策略层）
• Layer 2: Runtime Operations Context（动态执行层）

公开仓边界

• 仅提供通用骨架与通用模式
• 可公开沉淀 Pack、Bundle、Orchestrator 的通用组织方式
• contracts/ 保存全局规则与协议约束
• 不包含私有业务流程、私有组织编排与内部数据

贡献指南

1. Fork 本仓库
2. 在 Packs/、Bundles/ 或 Orchestrators/ 下新增对应层级目录
3. 补齐对应说明文件与元数据
4. 通过验证脚本
5. 提交 PR

许可证

MIT - 可自由用于商业和非商业场景。

相关资源

• OpenClaw 官方：https://openclaw.ai
• GitHub Discussions

2026-02-22 增量更新（接入 STOP 协议能力）

本次新增 stop-observability-pack，将 stop-protocol 的核心能力组合进 Skeleton：

• Manifest：新增 stop/agent-team.skill.json，用于声明输入输出、副作用与断言规则。
• Trace：通过 after_tool_call Hook 记录结构化 span，输出到 .openclaw/logs/stop-spans.jsonl，并在会话结束写入 .openclaw/.sop/traces/。
• Assertions：按规则执行 post-check，结果输出到 .openclaw/logs/stop-assertions.jsonl。
• Session Report：在 session_end 汇总 by_tool / by_role / by_status，输出 .openclaw/reports/stop-latest-report.json。

此外，新增了 STOP 对应契约：

• contracts/schemas/stop-skill-manifest.schema.json
• contracts/schemas/stop-trace-span.schema.json
• contracts/schemas/stop-assertion-report.schema.json

这使项目具备了“类似 agent team”的可观测协作能力：可追踪 planner / executor / reviewer 的执行链路、工具调用和成功率。

方法论（伯克霍夫 + 奥卡姆）

目标：在可解释的前提下，用最少结构实现最大治理能力。

抽象映射

• Skill = SOP（流程） + Knowledge（规则） + Assertion（验收）
• MCP = Tool Interface（能力入口） + Runtime Code（执行层）

分层抽象

• Pack：手艺层，负责单点能力
• Bundle：工种层，负责职责打包
• Orchestrator：组织层，负责 Bundle 之间的编排、切换、兜底
• Contracts：制度层，负责全局规则、接口与兼容性
• Release：部署快照（本地/云端一致，可回滚）
• Hook：治理插槽（权限、审批、审计、预算）
• Memory：跨层记忆（长期策略 -> 短期目标 -> 执行复盘）

设计准则

• 伯克霍夫美学公式：用“秩序（可验证、可审计、可组合）”提升系统美感，限制无序扩展。
• 奥卡姆剃刀：默认最小实现，优先增量兼容，不引入非必要中间层。

当前落地

• STOP Manifest + Trace + Assertions
• OTel 对齐字段（便于接观测平台）
• MCP 专用追踪
• 预算门禁判定（recommend_halt/continue）

参考项目

以下项目作为本仓库演进的长期参考。不是照搬实现，而是分别吸收其在循环执行、规范驱动、多代理编排、长期记忆、可视化渲染与工程治理上的成熟做法。

自主循环与任务闭环

• Ralph（自主代理循环） https://github.com/snarktank/ralph 参考点：围绕 PRD 持续循环执行，直到目标闭环；适合作为 Always-on orchestrator 的任务推进参考。

• Anthropic Multi-Agent Research System 参考点：main agent 只负责协调与最终合成，子 agent 并行执行具体研究任务；适合作为主控/子工种分层的参考。

OpenClaw 客户端与多代理操作面

• clawUI（OpenClaw 桌面客户端） https://github.com/Kt-L/clawUI 参考点：React + Vite + Electron 的桌面控制台形态、快速响应的多虾交互体验、实验性操作面的组织方式。

• claude-code-by-agents（面向公众的多代理 Claude Code 编排） https://github.com/baryhuang/claude-code-by-agents 参考点：通过 @Agent 协调本地与远程代理；可作为 Contract 中自然通信语法与代理寻址方式的参考。

• agents（通用智能自动化与多代理编排仓库） https://github.com/wshobson/agents 参考点：现代软件开发里的多代理能力组织、角色划分与统一仓库布局。

长期记忆与记忆层集成

• EverMemOS（跨 LLM 与平台代理的长期记忆操作系统） https://github.com/EverMind-AI/EverMemOS 参考点：长期记忆、结构化提取、检索与画像演化；可作为 Memory 层的核心参考。

• openclaw-EverMemOS（EverMemOS 的 OpenClaw 集成） https://github.com/ZhenhangTung/openclaw-EverMemOS 参考点：把长期记忆系统接入 OpenClaw agent 作为 memory layer 的具体插件路径。

规范驱动与规划工作流

• get-shit-done（规范驱动开发系统） https://github.com/gsd-build/get-shit-done/ 参考点：元提示、上下文工程、spec-first 工作方式；适合作为规范驱动执行骨架的参考。

• planning-with-files（持久标记规划） https://github.com/OthmanAdi/planning-with-files 参考点：用 Claude Code 技能实现持久化规划文件与阶段标记；适合作为 plan file / work log 机制参考。

• superpowers（编码代理的软件工作流） https://github.com/obra/superpowers 参考点：基于 skills 与初始指令的可组合工作流，适合作为 bundle/workflow 设计参考。

• spec-kit（GitHub 规范驱动开发工具包） https://github.com/github/spec-kit 参考点：从产品场景到可预测结果的规范驱动链路，适合作为 Contracts 与执行边界参考。

• everything-claude-code（Claude Code 配置合集） https://github.com/affaan-m/everything-claude-code 参考点：agents、skills、hooks、commands、rules、MCP 的实战组合方式。

数据渲染与结果可视化

• json-render（Schema -> JSON -> 业务组件渲染） https://github.com/vercel-labs/json-render 参考点：不让模型直接输出 JSX/TSX，而是先输出严格 schema 约束下的标准 JSON，再由前端业务组件渲染；适合作为结果页、KPI 卡片、审计视图的渲染策略参考。

可观测、工程基建与运行治理

• STOP Protocol（可观测与可验证协议） https://github.com/echoVic/stop-protocol 参考点：Manifest/Trace/Assertions 分层、渐进式可观测等级（L0-L3）、MCP 接入模式。

• Personal AI Infrastructure（个人 AI 基建实践） https://github.com/danielmiessler/Personal_AI_Infrastructure 参考点：多组件组合式基础设施、长期可维护的自动化运行形态、面向生产的工程组织方式。

• LangGraph 参考点：当前的 workflow yaml 可逐步升级为更明确的状态机风格，以获得更稳健的分支、循环与失败恢复语义。

• Anthropic Claude Agent SDK + long-running harness 参考点：每次 session 启动 init agent 做目标对齐；执行过程保留 git 痕迹、状态切面与长时运行治理能力。

新增模块 (2026-05-10)