principles-agent - 基于第一性原理的迭代式任务拆解框架
作者： 🖤 小黑 & 小龙
描述
基于 miltonian/principles 的设计思想，在 OpenClaw 中实现的第一性原理思维 + 迭代式开发框架。
架构职责分离：
| 模块 | 职责 |
|---|---|
| principles-agent | 需求澄清 → 第一性原理推导 → 原子任务拆解 → 迭代精炼 → 依赖排序 → 结果整合 → 分层验证 |
| OpenClaw 主 Agent | 实际执行 LLM 调用 → 执行子任务 → 处理外部操作 → 权限管控 |
skill 不直接调用 API、不访问网络、不读取环境变量，所有 IO 由主 Agent 完成。
核心能力
- 第一性原理需求分析 —— 剥离经验假设，回归最基础的事实和公理
- 原子级任务拆解 —— 将复杂目标拆解为不可再分、可验证的原子子任务
- 迭代式精炼 —— 自动检查并优化不满足条件的真理/子任务
- 依赖感知调度 —— 拓扑排序处理依赖，识别可并行批次
- 分层质量验证 —— 每层都验证，不通过反馈优化
- 全局整合验收 —— 最终交付前整体验证，保证结果满足目标
触发条件
当用户需要：
- 从零设计一个复杂系统/项目
- 对复杂问题进行深度分析
- 构建多步骤多 Agent 协作系统
- 需要按照第一性原理思维解决问题时触发
用法
直接在 OpenClaw 会话中使用：
principles "你的目标或问题描述"可选输出到文件：
principles "你的目标" --output report.md配置最大迭代次数：
principles "你的目标" --max-iterations 5权限边界
principles-agent 遵循最小权限原则：
- ✅ LLM 调用：由 OpenClaw 主 Agent 注入，skill 只接收结果
- ✅ 文件读取：仅读取 skill 自身目录内的源代码
- ✅ 文件写入：仅在用户通过
--output指定时写入报告 - ❌ 网络访问：skill 不发起任何网络请求
- ❌ 环境变量：skill 不读取任何环境变量
- ❌ 系统访问：不执行外部命令，不修改系统配置
工作流程
1. 接收需求 → 澄清目标，提取约束和成功标准
2. 第一性原理解构 → 推导基础事实/公理
3. 原子任务拆解 → 拆解为最小可验证子任务
4. 迭代精炼 → 检查最小性/可行性/对齐性，不满足则优化
5. 依赖排序 → 拓扑排序确定执行顺序，检测循环依赖
6. 分批执行 → 主 Agent 执行子任务，skill 验证每个结果
7. 全局整合 → 合并所有子任务结果生成完整输出
8. 最终验收 → 验证满足原始目标，交付成果架构
principles-agent/
├── SKILL.md # 本文件
├── package.json # Skill 元数据和权限声明
├── cli.py # OpenClaw CLI 入口
├── openclaw_entry.py # OpenClaw 技能入口点
└── src/
├── __init__.py
├── types_def.py # 数据类型定义
├── orchestrator.py # 总控编排
├── truth_deriver.py # 基础事实推导
├── task_breaker.py # 原子任务拆解
├── refiner.py # 迭代精炼决策
├── dependency_sorter.py # 依赖拓扑排序
├── validator.py # 分层质量验证
├── executor.py # 执行调度（调用主 Agent 执行）
└── integrator.py # 结果整合参考资料
- 原始项目：https://github.com/miltonian/principles