用元认知引导发现值得被做成小龙虾的机会点,并将其收敛为可开箱即用的基准 Agent 小龙虾。
这不是一只普通的“Agent 生成器” skill。
它是一只 母虾型 skill: 负责把用户脑中模糊的机会点,经过元认知引导、价值判断、架构收敛与规划,变成一只 可开箱即用的基准小龙虾蓝图。
它解决的核心问题不是“怎么写一个 Agent”,而是:
一句话定义:
帮助用户从“隐约觉得这是个机会”走到“产出一只可直接创建、测试、迭代的基准小龙虾”。
这只 skill 的目标,不是帮用户多想几个创意。 而是把 ag-creator 的核心造虾能力,整理成一个真正可交付、可复用、可发布的产品级方法包。
它要做到三件事:
这是一个 造虾前置决策 + 蓝图生成 skill。
它主要负责两件事:
它本身不等于最终创建动作。 当机会点、价值、边界、架构都清楚后,再把结果交给:
openclaw-agent-governance:治理层vertical-agent-creator:实际创建 / 复制 / 重构层所以它在整个造虾链路里的位置是:
元认知机会识别 -> 基准虾蓝图收敛 -> 治理校正 -> 实际创建
当用户出现以下表达时,优先使用本 skill:
以下情况不要直接触发本 skill,或要先缩小问题边界:
不是等用户把需求讲清楚,而是主动发现:
不是所有点都适合做成虾。 必须判断:
把模糊想法收敛成:
不是只问“能不能做”。 还要问:
不是所有点都值得 Agent 化。 优先判断:
禁止一上来就堆功能、堆人设、堆工具。 先定义:
输出不能停留在概念。 必须产出:
用户往往只说表层想法。 要主动向下挖:
默认从可复制、可测试、可迭代的 benchmark lobster 入手。
先从用户表达里提炼“潜在机会点”。
重点识别:
如果用户说得模糊,先用一句话总结:
[候选机会点]:这个想法本质上是在尝试解决什么重复性问题?
通过提问把模糊想法压缩成结构化判断材料。
优先问这几类:
不要机械追问全部问题。 只问最能帮助收敛判断的 2-5 个关键问题。
用多视角判断法做价值评估:
最后给出三类结论之一:
同时必须说明:
判断它更像哪一类:
虾型决定:
一旦确认值得做,就必须转成结构。
至少定义清楚:
如果需要创建真实 Agent,结构设计默认服从以下硬规则:
AGENTS.md 保持 Panda / 官方骨架思维MEMORY.md 只写长期治理规则memory/YYYY-MM-DD.md 写短期推进skills/ 承载流程能力knowledge / cards / reports 承载内容,不把内容硬塞进 AGENTS.md在蓝图收敛完成后,再做一轮“圆润化”检查,确认这不是一只只会说、不好用的虾。
重点检查:
优先参考:
references/product-roundness-framework.mdtemplates/product-roundness-check.md把架构结果组织成一个可直接交付的蓝图包。
蓝图至少包括:
输出形式优先使用模板:
templates/opportunity-intake.mdtemplates/lobster-opportunity-scorecard.mdtemplates/lobster-blueprint.mdtemplates/benchmark-agent-spec.mdtemplates/next-actions-checklist.md如果用户只想做判断和规划,到蓝图为止。
如果用户明确要进入创建阶段:
openclaw-agent-governancevertical-agent-creator不要跳过治理直接创建。
当用户确认要落地某只新虾后,不能只在当前对话里给建议。 必须把当前产出的关键文档,写入目标虾自己的 workspace。
默认至少要落这些内容:
推荐落位:
memory/reports/:蓝图、架构说明、阶段报告memory/cards/:结构卡、判断卡、场景卡memory/YYYY-MM-DD.md:本次推进日志skills/:已确认需要 skill 化的流程原则:
完成写入后,必须主动告诉用户:
不要只默默写文件。 必须给用户一份清晰的“交付地图”。
在目标 workspace 搭好之后,不要等用户自己想起来。 要主动问:
这只新虾准备部署在哪个平台?Telegram、Feishu、Discord,还是其他 channel?
这一步必须主动做,因为平台会决定:
用户选定平台后,要继续引导:
也就是说,本 skill 不只负责“想清楚”和“写清楚”,还负责把用户引导到真正可部署的下一步。
当用户确认进入创建阶段后,默认必须执行:
这 4 步属于本 skill 的后半段闭环,不是可选项。
每次使用本 skill,默认输出以下 7 段:
一句话定义这次真正值得讨论的机会点。
给出支持理由、反对理由、风险判断。
明确谁会用、在什么情况下用、为什么会反复使用。
给出虾型归类,并可用 scorecard 辅助说明判断质量。
给出这只虾的核心结构:
明确:
明确接下来是:
在信息不足时,优先从下面选 2-5 个问题追问:
更详细的问诊路径见:
references/metacognitive-interview-tree.md优先阅读:
references/lobster-opportunity-evaluation.mdreferences/benchmark-lobster-architecture-framework.mdreferences/product-roundness-framework.mdreferences/metacognitive-interview-tree.mdreferences/agent-type-taxonomy.mdreferences/lobster-case-cards.mdreferences/anti-patterns.md正确做法:先筛机会,再造虾。
正确做法:先明确价值、场景、闭环、边界。
正确做法:必须输出基准架构与 next actions。
正确做法:先做 benchmark lobster,再逐步增强。
正确做法:蓝图出来后,先治理,再落地创建。
openclaw-agent-governance 的关系本 skill 负责:
openclaw-agent-governance 负责:
vertical-agent-creator 的关系本 skill 负责“先想清楚”。
vertical-agent-creator 负责“正式创建 / 复制 / 重构”。
workflow-to-clawhub-skill 的关系后者负责把完整工作流打包成技能包。 本 skill 就是该流程打包出来的结果之一。
collab-to-skill 的关系当 MomClaw 的能力不是单边生成,而是通过“人类 + Agent”共同打磨出来时,
可以使用 collab-to-skill 将这类协作过程提炼成独立 skill。
blueprint-to-deployment 的关系当 MomClaw 已经产出蓝图,但需要把结果真正写入目标 Agent workspace、给用户交付地图、并推进到部署接入时,
可以使用 blueprint-to-deployment 作为后半段闭环补全 skill。
一次成功的使用,至少要做到:
这只 skill 的本质不是“帮用户生成一个机器人”。
它的本质是:
把元认知引导、造虾判断、Agent 架构理解、圆润化产品思维、基准小龙虾规划能力,打包成一套可重复执行的母体流程。
它先回答:
然后再把结果交给创建流程,产出真正可开箱即用的基准小龙虾。