MomClaw 元认知造虾师
name: benchmark-lobster-forge
by beachanger · published 2026-04-01
$ claw add gh:beachanger/beachanger-benchmark-lobster-forge---
name: benchmark-lobster-forge
description: 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。
version: 1.0.2
displayName: MomClaw 元认知造虾师
tags: metacognition, agent-design, architecture, benchmark-agent, skill, planning, momclaw
---
# MomClaw 元认知造虾师
用途
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：
1. 用户只感到“这里好像能做个虾”，但说不清楚值不值得做
2. 就算有方向，也经常卡在概念层，无法收敛为系统架构
3. 很多 Agent 停留在人设或功能罗列，做不出真正可开箱即用的基准版本
4. 造虾 know-how 分散在 memory、技能、经验里，没有被打包成一套完整可复用的 SOP
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”。**
---
产品目标
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：
1. **发现机会**：找到真正值得被做成虾的点
2. **收敛架构**：把模糊点子压缩成 benchmark lobster 蓝图
3. **衔接创建**：把蓝图交给治理层和创建层，进入真实落地
---
这只 skill 的定位
这是一个 **造虾前置决策 + 蓝图生成** skill。
它主要负责两件事：
1. **识别什么值得做成虾**
2. **把值得做的点收敛成基准虾蓝图**
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：
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`
---
适用场景
当用户出现以下表达时，优先使用本 skill：
---
不适用场景
以下情况不要直接触发本 skill，或要先缩小问题边界：
1. 用户只是随便起名字、聊创意，不准备推进
2. 用户没有明确场景、对象或痛点，只是想“做个厉害的 Agent”
3. 问题本质上不是 Agent 机会，而是单次脚本 / 自动化 / 工具函数
4. 用户要求一步到位做完整产品，但没有最小闭环
5. 需求已经非常明确，且用户只想直接创建 Agent，此时优先走治理 + 创建 skill
---
核心能力
能力 1：元认知引导
不是等用户把需求讲清楚，而是主动发现：
能力 2：造虾价值判断
不是所有点都适合做成虾。
必须判断：
能力 3：基准架构收敛
把模糊想法收敛成：
能力 4：圆润化检查
不是只问“能不能做”。
还要问：
---
核心原则
原则 1：先判断值不值得做成虾，再谈怎么做
不是所有点都值得 Agent 化。
优先判断：
原则 2：先收敛价值与边界，再生成结构
禁止一上来就堆功能、堆人设、堆工具。
先定义：
原则 3：基准虾必须是“能开工的”，不是“看起来聪明的”
输出不能停留在概念。
必须产出：
原则 4：默认使用元认知引导，而不是被动接需求
用户往往只说表层想法。
要主动向下挖：
原则 5：先做“基准虾”，不要提前做“大而全产品”
默认从可复制、可测试、可迭代的 **benchmark lobster** 入手。
---
标准流程（SOP）
第 1 步：识别可虾化机会点
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？`
第 2 步：元认知引导澄清
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：
1. **对象**：谁会用？
2. **场景**：什么情况下会用？
3. **频率**：多久会用一次？
4. **痛点**：现在最烦的是什么？
5. **替代方案**：用户现在怎么解决？
6. **结果**：这个虾真正交付的结果是什么？
7. **留存逻辑**：为什么用户下次还会再回来用？
8. **失败点**：什么情况下用户会直接放弃？
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。
第 3 步：判断值不值得做成虾
用多视角判断法做价值评估：
#### 心理学视角
#### 系统论视角
#### 经济学视角
#### 工程学视角
最后给出三类结论之一：
同时必须说明：
第 4 步：给这只虾做类型归类
判断它更像哪一类：
虾型决定：
第 5 步：收敛成基准架构
一旦确认值得做，就必须转成结构。
至少定义清楚：
1. **目标用户**
2. **核心价值承诺**
3. **典型高频场景**
4. **MVP 闭环**
5. **非 MVP 边界**
6. **入口与交互方式**
7. **memory 分层**
8. **skills 分层**
9. **knowledge / cards / reports 是否需要**
10. **后续测试与迭代重点**
如果需要创建真实 Agent，结构设计默认服从以下硬规则：
第 6 步：做圆润化检查
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：
第 7 步：生成基准虾蓝图
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：
第 8 步：决定是否进入造虾执行
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：
1. 先调用 `openclaw-agent-governance`
2. 再调用 `vertical-agent-creator`
3. 把本 skill 产出的蓝图作为创建输入
不要跳过治理直接创建。
第 9 步：把交付文档写入目标 Agent workspace
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：
原则：
第 10 步：明确告诉用户文件都在哪
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”。
第 11 步：主动询问部署平台
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：
第 12 步：根据用户选择的平台，引导完成接入
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。
---
落地交付硬规则
当用户确认进入创建阶段后，默认必须执行：
1. 将蓝图、架构、next actions 等文档写入目标 Agent workspace
2. 明确告知用户这些文件的路径与作用
3. 主动询问目标部署平台
4. 根据用户所选平台，继续引导完成接入配置与测试
这 4 步属于本 skill 的后半段闭环，不是可选项。
---
输出要求
每次使用本 skill，默认输出以下 7 段：
1. [机会点]
一句话定义这次真正值得讨论的机会点。
2. [为什么值得 / 不值得做成虾]
给出支持理由、反对理由、风险判断。
3. [目标用户与高频场景]
明确谁会用、在什么情况下用、为什么会反复使用。
4. [虾型与机会评分]
给出虾型归类，并可用 scorecard 辅助说明判断质量。
5. [基准架构]
给出这只虾的核心结构：
6. [MVP 与边界]
明确：
7. [下一步]
明确接下来是：
---
推荐提问框架
在信息不足时，优先从下面选 2-5 个问题追问：
1. 这只虾最想替用户解决的“重复性问题”是什么？
2. 用户现在是怎么解决这件事的？哪里最痛？
3. 这个场景是一周一次，还是一天多次？
4. 如果这只虾做得很好，用户会因为什么离不开它？
5. 如果这只虾失败，最可能死在哪个环节？
6. 它更像顾问、教练、执行器，还是一个工作流编排器？
7. 第一个版本不依赖复杂外部系统时，最小闭环是什么？
更详细的问诊路径见：
---
推荐参考材料
优先阅读：
---
常见错误（必须避免）
错误 1：把任何想法都当成“值得做成虾”
正确做法：先筛机会，再造虾。
错误 2：上来就写人格和功能清单
正确做法：先明确价值、场景、闭环、边界。
错误 3：产出只有创意，没有可落地结构
正确做法：必须输出基准架构与 next actions。
错误 4：把复杂产品规划直接塞进第一版
正确做法：先做 benchmark lobster，再逐步增强。
错误 5：跳过治理直接创建 Agent
正确做法：蓝图出来后，先治理，再落地创建。
---
与其他 skill 的关系
与 `openclaw-agent-governance` 的关系
本 skill 负责：
`openclaw-agent-governance` 负责：
与 `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”。
与 `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。
与 `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。
与 `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。
---
最低成功标准
一次成功的使用，至少要做到：
---
结论
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。
More tools from the same signal band
Order food/drinks (点餐) on an Android device paired as an OpenClaw node. Uses in-app menu and cart; add goods, view cart, submit order (demo, no real payment).
Sign plugins, rotate agent credentials without losing identity, and publicly attest to plugin behavior with verifiable claims and authenticated transfers.
The philosophical layer for AI agents. Maps behavior to Spinoza's 48 affects, calculates persistence scores, and generates geometric self-reports. Give your...