1. 项目概述：从工具到能力的跃迁

最近在折腾OpenClaw，这玩意儿本质上是一个AI智能体（Agent）的“技能”管理与执行框架。你可以把它想象成一个给AI用的“瑞士军刀收纳盒”。市面上很多AI工具，比如ChatGPT、Claude，它们本身能力很强，但就像一把孤零零的刀，切菜可以，开瓶盖就费劲了。OpenClaw的作用，就是让你能自定义打造各种“开瓶器”、“螺丝刀”、“剪刀”，并且让AI能根据你的指令，自动判断并调用最合适的工具去完成任务。

我花了大概两周时间，从零开始部署、配置，再到深度定制自己的技能库。这个过程里，踩了不少坑，也总结出一些真正能提升效率、解决实际问题的“高价值Skills”。今天这篇分享，就是把我配置好的这13个Skills清单，以及背后的配置逻辑、使用心得和避坑指南，毫无保留地整理出来。无论你是想快速上手OpenClaw，还是已经部署好但苦于不知道如何让它真正“干活”，这篇文章都能给你提供一套可直接抄作业的实战方案。

2. OpenClaw核心配置与部署避坑指南

在分享我的Skills清单之前，必须先打好地基。一个稳定、配置正确的OpenClaw环境，是后续所有高级玩法的前提。很多朋友卡在第一步，不是安装报错，就是跑起来后功能残缺，问题大多出在基础配置上。

2.1 部署方式选择与环境准备

OpenClaw主流的部署方式有两种：Docker部署和本地源码部署。对于绝大多数想快速体验和使用的朋友，我强烈推荐 Docker部署 。它屏蔽了复杂的Python环境依赖和系统库冲突问题，真正做到开箱即用。

Docker部署的核心命令与参数解析： 

docker run -d \
  --name openclaw \
  -p 3000:3000 \
  -e OLLAMA_BASE_URL=http://host.docker.internal:11434 \
  -e DEFAULT_MODEL=llama3.2:latest \
  -v /your/local/path:/app/data \
  openwebui/openclaw:latest

这里有几个关键点，直接关系到后续Skills能否正常调用大模型：

  1. 端口映射 ( -p 3000:3000 ) : 左边是宿主机的端口，右边是容器内的端口。你可以把 3000 改成任何未被占用的端口，比如 8080 。
  2. 环境变量 OLLAMA_BASE_URL : 这是最容易出错的地方。如果你像我一样，在宿主机（比如你的Mac或Windows电脑）上通过Ollama运行了大模型，那么容器内的OpenClaw是无法直接用 localhost:11434 访问到的。 host.docker.internal 这个特殊域名，指向的是宿主机的网络，这是打通容器与宿主机上Ollama服务的关键。
  3. 环境变量 DEFAULT_MODEL : 设置OpenClaw默认使用哪个模型。这里的值必须与你的Ollama中拉取的模型名称 完全一致 。你可以通过 ollama list 命令查看已安装的模型列表。
  4. 数据卷挂载 ( -v ... ) : 强烈建议挂载一个本地目录到容器的 /app/data 。这样，你配置的Skills、对话历史等数据都会持久化保存在本地，即使删除容器也不会丢失。

注意： 如果你是在Linux服务器上部署，且Docker版本较新， host.docker.internal 可能无效。此时需要改用宿主机的实际IP地址，例如 -e OLLAMA_BASE_URL=http://192.168.1.100:11434 ，并确保宿主机的防火墙放行了11434端口。

关于“openclaw llamap svr operator(): got exception: { “error“: { “code“: 400” 错误： 这个报错是近期高频问题，其核心几乎都是 网络连接或模型名称错误 。请按以下步骤排查：

  1. 首先在宿主机终端执行 curl http://localhost:11434/api/generate -d '{"model": "llama3.2", "prompt":"hi"}' ，测试Ollama服务本身是否正常。
  2. 如果宿主机测试正常，进入OpenClaw容器内部测试： docker exec -it openclaw curl http://host.docker.internal:11434/api/tags ，查看是否能获取到模型列表。
  3. 检查OpenClaw Web界面设置中的“模型”选项，是否与 DEFAULT_MODEL 环境变量及Ollama中的模型名匹配，大小写和冒号后的版本号都要一致。

2.2 基础配置与模型接入

部署成功后，通过 http://你的IP:3000 访问OpenClaw的Web界面。首次进入，需要进行基础配置。

1. 模型设置： 在设置中，找到模型配置页面。这里会展示从 OLLAMA_BASE_URL 获取到的模型列表。选择你想要作为默认助手的模型（如 llama3.2 , qwen2.5:7b 等）。我建议选择一个中等尺寸（7B-14B参数）、推理速度较快的模型作为常驻模型，用于处理日常任务规划和Skills调度。更强大的模型（如 qwen2.5:32b ）可以通过后续的Skills在特定任务中调用。

2. 技能(Skills)目录初始化： OpenClaw的核心功能通过Skills实现。Skills本质上是一个个独立的Python脚本或配置文件，存放在特定的目录下。在Docker部署中，这个目录就是你挂载的 /app/data （对应本地你指定的路径）。你需要在该目录下创建 skills 文件夹。最终的目录结构应类似：

/your/local/path/
├── skills/       # 存放所有技能文件
├── databases/    # 自动生成的数据库文件
└── config.json   # 配置文件

3. 验证部署： 一个简单的验证方法是使用OpenClaw内置的示例Skill。在Web界面的对话框中，尝试输入 @weather 然后输入 北京的天气 。如果配置正确，OpenClaw应该能识别出 @weather 这个技能触发器，并尝试调用（虽然可能因为缺少API key而返回错误，但这证明技能框架已正常工作）。如果连 @ 触发都无反应，请返回检查模型连接和Skills目录路径。

3. 高价值Skills清单解析与配置实战

下面进入核心部分，分享我精心配置和筛选的13个高价值Skills。我将它们分为四大类： 效率工具类、信息处理类、创意生成类和系统增强类 。每个Skill我都会说明其功能、配置要点和我的使用场景。

3.1 效率工具类Skills

这类Skill旨在自动化重复性工作流，直接提升办公和开发效率。

1. 网络搜索与信息整合Skill ( @web_search )

  • 功能 ：让AI能够实时搜索互联网，获取最新信息，并结合上下文进行总结分析。这是打破大模型知识截止日期限制的关键。
  • 配置核心 ：需要申请一个搜索引擎的API Key，如Google Programmable Search Engine或Serper API。我推荐Serper，免费额度足够个人使用，配置简单。
  • 实操配置 ：在 skills 文件夹下创建 web_search.py ，核心是配置API端点与Key。关键代码段是处理搜索查询和解析返回的JSON结果。你需要将结果格式化为清晰的要点，供大模型阅读。
  • 使用心得 ：不要让它直接返回原始搜索结果链接列表。最佳实践是让Skill先进行一轮信息提取和摘要，然后由OpenClaw的主模型基于摘要进行二次加工和回答。这样回答质量更高。
  • 我的触发指令示例 ： @web_search 帮我查一下2024年下半年深度学习在时序预测领域有哪些值得关注的新论文？

2. 代码仓库分析Skill ( @code_review )

  • 功能 ：连接到GitHub/GitLab API，分析指定仓库的代码结构、近期提交，或对某段代码进行安全检查、风格建议。
  • 配置核心 ：需要GitHub Personal Access Token。权限只需给 repo （访问私有库）和 read:org （可选）。
  • 实操要点 ：这个Skill的重点在于“聚焦”。不要让它分析整个大型仓库，而是通过指令限定范围，如“分析 src/utils/ 目录下最近5次提交的改动”或“检查 api.py 文件中是否存在硬编码的密钥”。我会配置一个预设的指令模板，快速审查常见漏洞（如SQL注入、敏感信息泄露）。
  • 避坑指南 ：Token务必妥善保管，不要硬编码在Skill文件里，而是通过OpenClaw的环境变量管理功能注入。

3. 自动化文档处理Skill ( @doc_processor )

  • 功能 ：批量处理本地或云存储（如S3、MinIO）中的文档（Word, PDF, PPT），进行内容提取、摘要、翻译或格式转换。
  • 配置核心 ：依赖 python-docx , PyPDF2 , pdfplumber 等库。在Docker部署中，需要构建自定义镜像或在启动容器时安装这些依赖。
  • 我的用法 ：我将其与NAS结合。设置一个监控文件夹，任何放入的PDF合同或技术方案，自动触发摘要生成，并将结果发送到我的笔记软件（如Obsidian）。关键在于Skill要能输出结构化的结果，比如“文档标题”、“核心条款”、“关键数据”、“待办事项”。

4. 日历与任务管理Skill ( @schedule_agent )

  • 功能 ：与Google Calendar或CalDAV服务器（如Nextcloud日历）同步，实现自然语言创建、查询、修改日程和待办事项。
  • 配置核心 ：OAuth2.0流程配置相对复杂。对于个人使用，可以简化：使用应用专用密码（如Google App Password）或iCal链接。Skill需要能解析“下周二下午三点开会”这样的自然语言，并转换为准确的日期时间对象。
  • 实操心得 ：这个Skill的稳定性至关重要。我为其添加了额外的确认机制：任何创建或修改日程的操作，在执行前会先以文本形式回复我“即将创建：XXX，时间：XXX，请确认（是/否）”。避免AI误解指令导致日程混乱。

3.2 信息处理类Skills

这类Skill专注于处理和分析数据与文本，将原始信息转化为洞察。

5. 数据库查询Skill ( @sql_query )

  • 功能 ：连接至业务数据库（如MySQL, PostgreSQL， 仅限测试或只读副本！），允许你用自然语言提问，自动生成并执行SQL查询，将结果以表格或图表描述形式返回。
  • 配置核心 ： 安全第一！ 必须使用具有严格权限限制的数据库账号（只读，且仅能访问特定视图）。建议通过SSH隧道连接，避免数据库端口直接暴露。
  • 实现细节 ：这个Skill的核心是“Text-to-SQL”的准确性。我采用了两阶段策略：首先，让Skill调用大模型根据表结构（需预先提供）生成SQL；然后，在一个隔离的数据库连接中执行这条SQL。如果执行出错，将错误信息反馈给大模型进行修正，最多循环3次。这大大提高了复杂查询的成功率。

6. 学术论文摘要与问答Skill ( @paper_qa )

  • 功能 ：上传PDF格式的学术论文，可以针对整篇论文或特定章节进行提问，例如“本文提出的方法的核心创新点是什么？”或“对比实验的结果如何？”
  • 配置核心 ：依赖于高质量的PDF文本提取和嵌入模型。我使用 unstructured 库进行PDF解析，用 text-embedding-3-small 生成向量，并利用OpenClaw的对话记忆功能，实现多轮、针对单篇论文的深度问答。
  • 避坑指南 ：复杂的双栏排版PDF解析效果很差。我的解决方案是，在Skill中集成一个预处理步骤：如果检测到PDF可能为双栏，会建议用户先使用在线工具（如 pdf2text ）转换，或尝试调用外部OCR服务（如Tesseract），但这会显著增加处理时间。

7. 多源数据图表生成Skill ( @chart_generator )

  • 功能 ：根据你提供的结构化数据（CSV、JSON）或描述，生成对应的图表代码（如Matplotlib, Plotly）或直接输出图表图片。
  • 配置核心 ：需要安装 pandas , matplotlib , plotly 等数据分析库。更高级的玩法是让它连接上述的 @sql_query Skill，直接从数据库拉取数据并绘图。
  • 我的配置 ：我为其预设了多种常用图表模板（折线图、柱状图、散点图矩阵）。当我输入“分析上周用户活跃度的趋势”时，它会先调用 @sql_query 获取数据，然后自动选择“按天的折线图”模板生成代码，并在本地执行，最终将图片保存并显示在对话中。

8. 实时数据监控与警报Skill ( @monitor_alert )

  • 功能 ：定期轮询或通过Webhook接收来自监控系统（如Prometheus, Grafana）、服务器健康检查或业务日志的数据，在发现异常指标（如CPU持续>90%，错误率突增）时，自动生成分析摘要并通过通讯工具（如飞书、钉钉机器人）发送警报。
  • 配置核心 ：这是一个“后台型”Skill，需要以守护进程或计划任务方式运行。我利用OpenClaw的“定时任务”扩展功能（需额外配置）来实现。Skill的逻辑重点是阈值判断和告警信息的富文本格式化，要包含“当前值”、“阈值”、“可能原因”、“建议操作”。

3.3 创意生成类Skills

这类Skill利用大模型的生成能力，辅助内容创作和头脑风暴。

9. 多风格写作辅助Skill ( @writing_helper )

  • 功能 ：这不是一个单一的Skill，而是一个技能组。我为其配置了多个“风格模板”，如“技术博客”、“产品PRD”、“市场推文”、“邮件回复”、“小说段落”。每个模板对应一套精心设计的系统提示词（Prompt）。
  • 配置核心 ：关键在于模板的管理。我使用一个YAML配置文件来管理所有模板，Skill根据用户指定的风格关键字（如 @writing_helper style=tech_blog ）加载对应的Prompt，并引导用户输入主题和关键点，最终生成结构完整、风格统一的初稿。
  • 使用技巧 ：为每个模板配备几个高质量的示例（Few-shot Learning），能极大提升生成内容的质量和稳定性。

10. 原型图与UI描述生成Skill ( @ui_designer )

  • 功能 ：根据文字描述，生成界面原型描述（可以是文字结构，或调用外部API生成草图），并输出对应的前端代码框架（如HTML/Tailwind CSS）。
  • 配置核心 ：如果仅生成代码，则依赖大模型本身的能力。如果想生成图片，则需要集成像 stable-diffusion 这样的图像生成模型，或者调用Midjourney/SD的API。我目前采用的是“结构化描述+代码生成”模式，输出一个清晰的HTML组件树和Tailwind CSS类名，开发效率提升明显。
  • 触发示例 ： @ui_designer 生成一个包含顶部导航栏、左侧菜单栏和主内容区的后台管理页面原型，主内容区有一个数据表格和新增按钮。

11. 营销文案与广告语生成Skill ( @copywriter )

  • 功能 ：针对不同平台（微信、小红书、抖音、电商详情页）和不同目标（品牌宣传、产品促销、活动引流），生成符合平台调性的短文案、长文案、话题标签和评论回复建议。
  • 配置核心 ：深入研究各平台的热门文案结构和高频词汇，将这些作为Prompt的上下文。例如，小红书的文案需要加入“**”、“|”等符号和特定emoji，抖音则需要更短平快、带悬念的句式。
  • 实操心得 ：这个Skill必须与 @web_search 结合使用。在生成文案前，先搜索一下当前产品的网络口碑、竞品话术和热点话题，让生成的文案更具时效性和针对性。

3.4 系统增强类Skills

这类Skill扩展OpenClaw自身的能力边界，实现更复杂的智能体协作。

12. 技能编排与工作流Skill ( @workflow_orchestrator )

  • 功能 ：这是我最看重的一个Skill，它本身不执行具体任务，而是作为“调度中心”。你可以用自然语言描述一个复杂任务，如“帮我写一份季度复盘PPT”，它会自动将其分解为“搜索行业数据( @web_search ) -> 分析本地销售数据( @sql_query ) -> 生成图表( @chart_generator ) -> 整合成文字报告( @writing_helper ) -> 格式化输出( @doc_processor )”等多个子任务，并依次调用相应的Skills。
  • 配置核心 ：实现难度较高，需要用到智能体的“规划”能力。我基于LangChain的“Plan-and-Execute”代理模式进行改造，集成到OpenClaw中。核心是维护一个所有已注册Skills的能力描述清单，让规划模型能准确地进行任务分解和工具匹配。
  • 注意事项 ：复杂工作流可能执行时间很长，必须为其添加状态持久化和用户中断机制。同时，每一步的结果都需要清晰反馈，让用户知道进度。

13. 外部工具API集成Skill ( @api_caller )

  • 功能 ：一个通用的API调用器。通过配置文件，预定义一系列我常用的外部服务API，如发送短信（Twilio）、查询快递（快递100）、转换货币、查询天气等。当OpenClaw接收到相关指令时，自动匹配并调用对应的API。
  • 配置核心 ：使用OpenAPI (Swagger) 规范来描述每个API的端点、参数和认证方式。Skill解析用户指令，将其映射到某个API的调用参数上。这比为每个小功能都单独写一个Skill要高效得多。
  • 我的清单 ：我预置了十多个API，包括天气、汇率、IP查询、成语词典、节假日信息、短链接生成等。这个Skill极大地丰富了OpenClaw应对日常琐事查询的能力。

4. Skills开发、调试与维护心得

配置别人的Skill只是开始，真正发挥威力在于根据自己的需求定制和开发新的Skill。

4.1 如何从零开发一个自定义Skill

一个标准的OpenClaw Skill通常包含以下几个部分，我们以一个简单的“时间戳转换”Skill为例：

  1. 创建技能文件 ：在 skills 目录下新建 timestamp_converter.py 。
  2. 定义技能元信息 ：文件开头用特定格式声明技能的名称、描述、触发词和参数。 
    """
skill_name: Timestamp Converter
description: 转换Unix时间戳与可读日期时间。
triggers: [“@timestamp“, “@时间戳“]
version: 1.0
"""
  3. 实现核心函数 ：编写一个主要的处理函数，它接收用户输入的参数（即 @timestamp 后面的内容）。 
    import time
from datetime import datetime

def handle_skill(input_text: str) -> str:
    """
    处理时间戳转换请求。
    支持输入Unix时间戳或‘now’。
    """
    input_text = input_text.strip()
    if not input_text or input_text.lower() == ‘now’:
        # 返回当前时间戳和日期
        now_ts = int(time.time())
        now_str = datetime.fromtimestamp(now_ts).strftime(‘%Y-%m-%d %H:%M:%S’)
        return f”当前时间戳：{now_ts}\n对应时间：{now_str}”
    else:
        # 尝试将输入解析为时间戳或日期字符串
        try:
            # 如果是纯数字，当作时间戳处理
            if input_text.isdigit():
                ts = int(input_text)
                # 简单判断是否可能是毫秒级时间戳
                if ts > 253402300800:  # 10000年以后的时间戳，很可能是毫秒
                    ts = ts / 1000
                dt = datetime.fromtimestamp(ts)
                return f”时间戳 `{input_text}` 对应的日期时间为：{dt.strftime(‘%Y-%m-%d %H:%M:%S’)}”
            else:
                # 尝试解析为日期字符串
                # 这里可以添加更复杂的日期解析逻辑，例如使用dateutil库
                # 为简化示例，我们假设输入是‘2024-01-01’格式
                dt_obj = datetime.strptime(input_text, ‘%Y-%m-%d’)
                ts = int(dt_obj.timestamp())
                return f”日期 `{input_text}` 对应的Unix时间戳为：{ts}”
        except Exception as e:
            return f”输入无法解析，请提供Unix时间戳（如1704067200）或日期（如2024-01-01）。错误详情：{e}”
  4. 注册技能 ：OpenClaw会在启动时自动扫描 skills 目录下符合规范的文件。确保你的函数名或类能被正确识别。更复杂的Skill可能需要一个 skill.json 配置文件来定义更详细的参数。

4.2 Skills的调试与问题排查

开发过程中，Skill不工作或报错是常事。我的调试流程如下：

  1. 日志排查 ：首先查看OpenClaw容器的日志。 docker logs -f openclaw 可以实时查看运行日志，大部分初始化错误和运行时异常都会在这里显示。
  2. 独立测试 ：将Skill的核心函数复制到一个单独的Python脚本中，用模拟输入进行测试，排除Skill本身逻辑的错误。
  3. 检查依赖 ：如果Skill需要第三方库，确保它们在OpenClaw的运行环境中已安装。对于Docker部署，你可能需要构建自定义镜像，或在启动脚本中通过 pip install 安装。
  4. 权限与网络 ：如果Skill需要访问外部API或本地文件，检查容器内的网络连通性（如能否 ping 通外部主机）和文件路径的读写权限。
  5. OpenClaw技能列表 ：在Web界面的设置中，通常有“已加载技能”列表，检查你的Skill是否出现在其中，状态是否为“已启用”。

4.3 Skills的管理与维护建议

当Skills越来越多时，管理变得重要：

  • 版本化 ：使用Git管理你的 skills 目录。每次修改或新增Skill都进行提交，方便回滚和协作。
  • 文档化 ：在每个Skill文件的头部，清晰地写明功能、触发方式、所需参数、示例和依赖项。可以额外维护一个 README.md 作为技能索引。
  • 分类存放 ：在 skills 目录下建立子文件夹，如 /productivity , /data , /creative ，将同类Skill放在一起，便于管理。
  • 定期审查 ：每隔一段时间，检查各个Skill的使用频率和有效性。停用那些从未被调用或已有更好替代的Skill，保持技能库的精简和高效。
  • 安全审计 ：对于执行敏感操作（如数据库访问、文件删除、外部API调用）的Skill，定期审查其代码逻辑，确保没有安全漏洞，并且API密钥等敏感信息通过环境变量安全管理。

5. 进阶玩法：Skills的组合与智能体生态

当单个Skills运行稳定后，就可以探索更高级的玩法，这也是OpenClaw这类智能体框架的魅力所在。

5.1 构建链式工作流

手动输入多个 @ 指令是低效的。我们可以利用OpenClaw的对话记忆和规划能力，或者通过编写一个“元Skill”来实现自动化链式调用。

例如，你可以创建一个 @weekly_report Skill，它的内部逻辑是：

  1. 调用 @sql_query 获取本周业务数据。
  2. 将数据传递给 @chart_generator 生成趋势图。
  3. 调用 @web_search 获取行业动态。
  4. 最后将所有素材交给 @writing_helper ，按照“周报”模板生成最终文档。

用户只需要说“ @weekly_report 生成销售周报”，剩下的全部自动完成。

5.2 与外部平台集成：以飞书为例

很多热词提到“openclaw接入飞书”。这本质上是通过飞书的开放平台，创建一个自定义机器人，并将OpenClaw的API作为机器人的消息处理后端。

核心步骤：

  1. 在飞书开发者后台创建一个“自定义机器人”，获取 webhook URL。
  2. 在OpenClaw中，你需要编写或配置一个 Feishu Webhook Handler Skill。这个Skill负责接收飞书机器人转发过来的用户消息。
  3. 该Handler将消息内容发送给OpenClaw的核心处理引擎（即你的大模型和Skills调度器）。
  4. 获取处理结果后，再通过飞书机器人的API将回复消息发送回飞书群聊或私聊。

技术要点：

  • 需要处理飞书的消息加密和验证。
  • OpenClaw需要有一个公网可访问的地址（或使用内网穿透工具），以便接收飞书的Webhook请求。
  • 考虑到网络延迟，对于耗时较长的任务，应采用“先响应接收成功，再异步处理并推送结果”的模式，避免飞书机器人超时。

5.3 本地多模型路由与管理

“本地openclaw如何添加多个大模型”是一个常见问题。除了在Ollama中拉取多个模型外，关键在于让OpenClaw能够根据任务类型智能选择模型。

配置方法：

  1. 在Ollama中安装不同能力的模型，例如： llama3.2:3b （快速响应）， qwen2.5:14b （均衡任务）， deepseek-coder:33b （专用编程）。
  2. 在OpenClaw的设置中，这些模型都会出现在列表里。你可以设置一个默认模型。
  3. 实现智能路由有两种思路：
    • 在Skill层面指定 ：在编写Skill时，可以在其配置中指定该Skill建议使用的模型。例如， @code_review Skill可以指定优先使用 deepseek-coder 模型。
    • 使用路由元Skill ：创建一个 @router Skill，它根据用户问题的内容（通过关键词或嵌入向量相似度判断），动态决定将问题转发给哪个专用模型处理，然后将结果汇总。这需要更复杂的架构设计。

我的个人策略是“默认模型+专用覆盖”。日常对话用快速模型，当检测到特定指令（如“写代码”、“分析数据”）时，在对应的Skill内部临时切换到专用模型进行处理。这样在速度和效果之间取得了很好的平衡。

经过这一整套从部署、配置、开发到集成的实践，OpenClaw从一个概念性的工具，真正变成了我日常工作流中不可或缺的“数字同事”。这13个Skills清单不是终点，而是一个可扩展的起点。最重要的是理解其“工具调用”和“工作流编排”的核心思想，然后根据自己的独特需求，去打造那个最能提升你个人生产力的智能体系统。

# AI智能体
Logo
亚马逊云科技技术品牌专区

更多推荐

cover

别再只聊大模型！AI的下一场革命，藏在“身体”里

avatar 亚马逊云科技技术品牌专区
cover

别再只聊大模型！人工智能的下一场革命，藏在“身体”里

avatar 亚马逊云科技技术品牌专区
cover

别再只聊大模型！AI的下一场革命，藏在“身体”里

avatar 亚马逊云科技技术品牌专区