Skill Taxonomy

把 OpenClaw 技能库“一次看全、一次看透”的技能分类分析工具。

skill-taxonomy 用来扫描整套 skill 目录，自动识别技能所处的架构层级，梳理依赖关系，发现路由冲突、能力重复和抽象缺失，并最终生成一份可交互的 HTML 分析报告，帮助你快速看清整个技能系统的结构健康度。

它输出的报告主要包含两部分：

• Graph 视图：展示分层后的技能拓扑结构
• Analysis 视图：展示冲突、重复、违规项、缺失抽象以及建议动作

这个仓库被单独开源出来，是为了让这套 taxonomy 分析流程可以脱离私有工作区，独立复用、持续迭代，也方便团队协作和社区共建。

效果预览

Graph 视图

Analysis 视图

为什么需要这个仓库

随着 skill 数量不断增长，系统的“可维护性”和“可路由性”通常会先变差，但团队往往很晚才意识到问题。常见症状包括：

• 多个 skill 同时命中同一类 prompt ，路由变得模糊
• workspace 内的副本和根目录 skill 逐渐漂移，行为不一致
• 编排类 skill 绕过已有抽象，直接硬连底层能力
• 已废弃或遗留 skill 长期残留，持续干扰路由判断

skill-taxonomy 的价值，就是把这些平时不易察觉的结构问题，一次性可视化出来。

它不再只是给你一个平铺的文件夹列表，而是给你一个“技能系统结构图”，让你能快速回答下面这些关键问题：

• 每个 skill 的核心职责到底是什么
• 它属于哪一层架构
• 它依赖了哪些其他 skill
• 哪些重叠、误分类或错误依赖，正在拖累系统稳定性

它会产出什么

整个流程会生成两类核心产物：

1. 机器可读的 JSON 分析文件
2. 可交互的 HTML 报告

其中，HTML 报告默认包含以下能力：

• 按 L2 / L1 / L0 分泳道展示技能图谱
• 支持按 workspace 过滤
• 点击 skill 时高亮依赖链路
• 提供指标看板
• 审查路由冲突
• 审查分层违规
• 审查能力重复
• 识别缺失抽象
• 给出按优先级排序的行动建议

分层模型

taxonomy 使用三层架构模型：

• L0 - Infrastructure & Connectors 通用能力层，负责基础设施、外部系统接入与底层通道能力
• L1 - Domain Knowledge & Data 领域知识层，负责行业规则、指标体系、结构化检索与数据转换
• L2 - Task & Workflow Orchestration 任务编排层，负责把多个步骤串起来，完成端到端交付

这套分层不仅用于可视化展示，也会被用于检测架构违规，例如高层是否直接越层依赖底层实现、某些 skill 是否放错层级等。

仓库结构

skill-taxonomy/
├─ README.md
├─ LICENSE
├─ .gitignore
├─ SKILL.md
└─ scripts/
   └─ generate_graph.py

工作流程

核心分析流程定义在 SKILL.md 中，整体步骤如下：

1. 扫描根目录和各 workspace 下的所有 skill 目录
2. 提取每个 skill 的名称、描述、所属 workspace 、依赖、外部系统以及废弃信号
3. 将每个 skill 分类到 L0 / L1 / L2
4. 分析路由冲突、分层违规、重复能力和缺失抽象
5. 将标准化结果写入 /tmp/skill-taxonomy-data.json
6. 调用 scripts/generate_graph.py 生成 HTML 报告

快速开始

1. 准备分析 JSON

按照 SKILL.md 中定义的流程，先生成一个类似下面格式的 JSON 文件：

{
  "skills": [],
  "analysis": {
    "metrics": {
      "health_score": 0,
      "routing_clarity": "0%",
      "layer_compliance": "0%"
    }
  }
}

保存到：

/tmp/skill-taxonomy-data.json

2. 生成交互式报告

python3 scripts/generate_graph.py \
  --input /tmp/skill-taxonomy-data.json \
  --output /tmp/skill-taxonomy-graph.html

3. 打开报告查看结果

open /tmp/skill-taxonomy-graph.html

脚本会做什么

scripts/generate_graph.py 负责：

• 读取标准化后的 JSON 输入
• 构建按层级组织的 skill 卡片
• 绘制依赖连线
• 渲染分析看板与问题分区
• 支持从分析项反向定位到图谱中的对应 skill 节点

脚本本身足够轻量，只依赖 Python 标准库，便于本地快速运行和二次改造。

适合用在什么场景

当你遇到以下情况时，这个仓库会很有价值：

• 你的 skill 库越来越大，想做一次系统体检
• 你想降低 router 的歧义和误判
• 你准备合并、拆分或下线一批 skill
• 你怀疑系统里缺少通用抽象层
• 你想在重构前先看清依赖网络
• 你需要向协作者解释当前 skill 系统的架构全貌

它不是什么

为了避免误解，需要明确几点：

• 它不是通用的代码架构可视化工具
• 它不是自动重构引擎
• 它本身不是生产级 router
• 它不能替代人对 skill 边界的判断

更准确地说，它是一套面向 skill 系统治理的“分析与决策辅助工具”。

校验方式

本地可先做基础校验：

python3 -m py_compile scripts/generate_graph.py

关于 Seele

该仓库由 SeeleAI 发布，是其开源 agent 工作流与 skill-system 工具链的一部分。

• 官网：https://www.seeles.ai
• GitHub 组织页：https://github.com/SeeleAI

开源协议

MIT