一句话摘要：OpenSquilla 提出了 Meta Skill 的概念——把调度能力写进一份 SKILL.md；而 OpenClaw.NET 用 C# 把这件事做成了可审计、可治理、可上线的工程系统。这篇文章聊聊两者之间的那条路。
《Meta Skill 来了，Agent 正从「调用工具」变成「组织工具」》。, 文章的核心观察很锐利：OpenSquilla 最值钱的东西，不是那智能路由动画，也不是省下来的 60%–80% Token，而是文档里的一句话——
Agent 下一步要解决的问题，已经从「会不会调用工具」，变成了「会不会组织工具」。
Meta Skill 做的事情，是把「调度」这个脑力活从人的脑子里抽出来，写进一份 SKILL.md：哪些步骤并行、哪些串行、上一步的产出喂给哪个下游、这一步该用便宜模型还是贵模型。
Agent 从此有了一个「项目经理」。
文章还把 Meta Skill 的出现归结为三条线的交点：
三条线交汇之处，就是所谓的 Skill 2.0。
这个概念我基本认同。但原文停留在「现象观察」层面。作为一个天天和 .NET 打交道的人，我更关心的是另一个问题：
这套东西，能不能离开 Python 的试验田，走进真正讲究审计、治理、稳定性的工程环境？
OpenClaw.NET 给出了答案。
OpenClaw.NET 是一个 NativeAOT 友好的 .NET Agent 运行时与网关（github.com/clawdotnet/openclaw.net），MIT 协议，面向想要本地/自托管 Agent 网关的 .NET 开发者。
它有 80+ 原生工具面、9 个渠道适配器（TG、Slack、Discord、邮件、Webhook 等）、原生支持 OpenAI/Claude/Gemini/DeepSeek/Ollama，以及一条从源码到 NativeAOT 发布产物的完整路径。
但真正让我感兴趣的，是它文档目录里那个不起眼的文件：
docs/opensquilla-meta-skill-migration.md
——一份 OpenSquilla 风格 Meta Skill 的迁移与对齐说明。这份文档透露了一个事实：OpenClaw.NET 已经把 Meta Skill 的核心编排骨架完整实现了，而且是带着 1907 个测试全部通过的底气实现的。
在 OpenClaw.NET 里，MetaSkill 通过 kind: meta 声明，编排逻辑写在 composition.steps 里——这就是一张有向无环图（DAG）：
depends_on 声明步骤间依赖关系；破图不执行，而不是跑到一半再炸。这一条就很「工程」。
运行时支持七种编排节点类型（见 docs/zh-CN/meta-skill-orchestration.md）：
| 步骤类型 | 干什么 |
|---|---|
agent |
委派一个完整子 Agent（多轮推理 + 工具调用，成本最高） |
skill_exec |
以受校验的子进程方式执行脚本入口（entrypoint/args/cwd/parse_mode 都是一等契约） |
tool_call |
直接调用工具，完全绕过 LLM——确定性副作用成本最低 |
llm_chat |
单次有界模型生成，不产生工具循环 |
llm_classify |
约束分类——强制模型从 output_choices 闭集合返回恰好一个标签，配合 routes 决定 DAG 往哪边走 |
user_input |
人在环路：暂停、等待输入、从会话检查点恢复 |
fan_out |
动态步骤展开（v2.x 新增）：对 Jinja iterable 求值得到元素列表，按 fan_out_template 克隆子步骤，以 fan_out_max_concurrency 受控并发执行，最后按 merge mode（concat / json_array / first / last）合并——N 路并行搜索、批量工具调用的标配 |
这张表最值得玩味的是「成本」列：七种类型按执行成本从低到高排列，计划编写者可以为每个步骤选择最低成本的执行器，而不是默认起一个完整子 Agent——这正是智能路由思想在编排层的内化。
另一个容易被忽略的架构事实：整套 DAG 引擎在双运行时间共享——原生 AgentRuntime 和 Microsoft Agent Framework 适配器 MafAgentRuntime 共用同一套计划校验、模板渲染（Jinja2.NET）、路由规划、checkpoint 和审计持久化，唯一差异是 LLM 调度路径（CallLlmWithResilienceAsync vs IChatClient.GetResponseAsync），且有等价测试保证两个运行时对同一计划产出完全一致的结果。
user_input 值得单独说一句。它把「问用户一个问题再继续」做成了带 checkpoint 的暂停/恢复机制，支持 form/chat 两种 clarify 模式、字段级类型校验、超时、取消和 skip_if。跨恢复边界的暂停痕迹会被完整保留——这对长程交互流程是刚需。
这是我认为 OpenClaw.NET 做得最漂亮的一点：失败不是异常，是图里的一等公民。
on_failure：某步失败时激活替代分支，替代步骤的输出会镜像回主步骤 ID，下游依赖无感知；retry.max_attempts + retry.backoff_ms + timeout_seconds：给工具和模型步骤划定有界执行；output_contract / output_schema：对 JSON 中间产物做必填属性校验，下游步骤拿到的永远是自己期望的形状；final_text_mode: structured：返回结构化执行信封，每个步骤带状态、耗时、失败码——自动化测试和日志分诊不需要再去解析自由文本。对比一下：在 Python 世界里，这些东西通常散落在 try/except 和约定俗成的字符串解析里。而在这里，它们是解析器和运行时双层校验的强类型契约。
如果说 OpenSquilla 的 Meta Skill 是一个「聪明的演示」，OpenClaw.NET 关心的是演示之后的事——这东西进了生产环境谁负责。
它的答案是一整套治理面：
SkillsConfig.MetaSkill.Enabled）：Meta Skill 可以保持安装状态，但对模型提示索引隐藏、抑制路由提示、拒绝显式 meta_invoke 调用。想关就关，不用卸载。openclaw skills meta-runs 操作面——支持按运行过滤、逐步骤追踪、JSON 输出、只预览不重放的 replay、以及不执行任何工具和模型的 reconstruct 审计重建。OPENCLAW_OPERATOR_ID 操作员边界——没有身份，免谈。opensquilla-authoring-v1 结构化校验档案，覆盖 structure / trigger / runtime / safety 四组检查，失败时输出机器可读的 gate.failedChecks，通过时把门禁快照持久化下来供审计回溯。openclaw skills create --proposal-draft 生成 Meta Skill 提案草稿时就有阻断式质量门——低质量草稿直接被拒，返回 proposal_draft_quality_gate_failed。一句话：MetaSkill 在这里不是「写完就跑」的脚本，而是「提案 → 评审 → 门禁 → 落盘 → 可回溯」的受治理资产。
聊到这，说点自己的判断。我一直在实践 DDD、JSON-LD Ontology 和 MetaSkill 的融合。从这个视角看，MetaSkill 的本质其实是一次投影：
把人脑里的领域工作流（SOP），投影成一份机器可执行的有向无环图。
这份 SKILL.md 既是一份操作手册，也是一份轻量本体：步骤是节点，depends_on 是边，llm_classify 是条件路由，output_schema 是节点间传递数据的「形状契约」——这和 JSON-LD 里用 Framing 约束图数据的形状，思路是同一个家族。
区别在于执行语义落在哪里。JSON-LD Framing 投影的是数据，MetaSkill 投影的是行为。而 OpenClaw.NET 干的事情，是给这份行为投影补上企业级运行时所需要的一切：fail-fast 校验、有界执行、失败替代、人在环路、审计重建、准入门禁。
还有一个耐人寻味的细节：OpenClaw.NET 在运行时预检里禁止 Meta Skill 嵌套 Meta Skill（meta → meta 组合会被直接拒绝）。乍一看是限制，细想是清醒——图论上这叫控制图的深度，工程上这叫防止复杂度失控。微服务的历史已经证明：无约束的组合能力，最后都会变成无人敢动的意大利面。
OpenSquilla 证明了概念：Agent 的瓶颈已经从「调用工具」转向「组织工具」。
OpenClaw.NET 证明了另一件事：这个概念可以离开演示视频，变成一个 NativeAOT 编译、1907 个测试守护、带完整审计和治理面的 .NET 运行时。
原文作者说，他第一次看到 Meta Skill 时「后背有点发凉」——因为行业的理解可能从此分叉。
我的感觉略有不同。真正让我警惕的不是 Meta Skill 本身，而是它揭示的那个趋势：
未来值钱的不是会写提示词的人，也不是会调 API 的人，而是能把自己的领域工作流抽象成一张干净 DAG 的人。
这张图画在哪里，反而不是最重要的——画在 Python 的 SKILL.md 里，或者画在 .NET 的 composition.steps 里，殊途同归。
重要的是，你脑子里有没有那张图。
docs/zh-CN/meta-skill-orchestration.mddocs/opensquilla-meta-skill-migration.md此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。