OpenClaw 装了这 10 个 Skills，才算真正能干活

一个没有工具的大语言模型，本质上是个哲学家。它能分析你的问题，解释解决思路，描述应该怎么做。然后坐在那里，等你自己动手。

OpenClaw 的架构分三层：Gateway 负责连接 Telegram、WhatsApp 等消息应用；Agent 层负责推理和决策；Skills 是真正动手的部分。每个 Skill 是一个独立目录，包含 SKILL.md（能力定义和使用说明）、scripts/（可执行脚本）、assets/（模板和配置）。Agent 接到任务后，自动判断需要哪些 Skills，然后按步骤执行。

ClawHub 上目前有 11,600 多个 Skills，质量参差不齐。经过几个月的实际使用，以下这些在真实工作流中表现稳定。

装任何东西之前，先装安全审计

第一个该装的 Skill 是 Clawsec。原因很直接：OpenClaw 的 Skills 可以在你的机器上执行 Shell 命令。安装一个未经审计的 Skill，相当于从互联网上下载一个陌生的可执行文件然后双击运行。

Clawsec 在安装每个 Skill 之前做静态分析，扫描 SKILL.md 和 scripts 目录，检查权限申请是否过高、是否向陌生服务器发送数据、代码是否混淆、第三方依赖是否可信。扫完给出三档评级：SAFE、CAUTION、DANGEROUS。

实际测试中，Clawsec 拦截过一个看起来像文件整理工具的 Skill，它的脚本里藏了一段把目录列表上传到第三方服务器的代码。没有这层扫描，那段脚本会以完整的用户权限运行。

先装 Clawsec，再装其他所有东西。

让你的智能体获取今天的信息

大语言模型有训练数据截止日期。上周发生的事情，它完全不知道。两个 Skill 从不同角度解决这个问题。

Tavily Search 通过专为语言模型设计的 API 为 Agent 提供联网搜索能力。返回的是结构化文本而非原始 HTML，Agent 可以直接处理和总结。免费额度每月 1,000 次，个人使用足够。实测中，让 Agent 总结 OpenClaw 最近的更新，从"我的知识截止到 2025 年"变成了 4 秒内给出三个核心变化的摘要。

Multi Search Engine 走另一条路：同时查询 17 个搜索引擎（8 个国内 + 9 个国际），然后去重合并结果。不需要 API Key。对于中英双语用户，搜索"OpenClaw 技能开发"时，百度、CSDN、知乎的中文结果和 Google、Stack Overflow 的英文结果会合并在一个响应里。

两个 Skill 互补使用效果最好。实时性要求高的内容用 Tavily，综合性研究用 Multi Search Engine。

从错误中学习的智能体

Self-Improving Agent 是改变我对 AI 工具认知的一个 Skill。

机制很简单：Agent 监控自己的命令输出和用户的纠正，把结构化记录写入 .learnings/ 目录。每条记录包含时间戳、问题摘要、复现步骤、建议修复。后续任务中，Agent 会先查这个目录，看有没有相关的历史经验。

一个真实例子。第一次让 Agent 写 Python 脚本处理 Excel，它导入了一个已过时的库，脚本崩了。纠正后，Self-Improving Agent 把这次事件记录下来。第二次遇到类似需求，Agent 直接用了正确的库，推理过程里写着："上次用过时的库报错了，这次换新的。"

从那个瞬间开始，AI 工具不再是一个无状态的函数调用，而是一个记得上次发生了什么的同事。

从等你问，到主动做

Proactive Agent 让 Agent 跳出"你问我答"的循环。它引入了心跳机制：每 15 分钟自动唤醒，检查进行中的任务，判断是否需要采取行动。

安装后，Agent 生成 7 个配置文件，定义行为准则、记忆结构和自检流程。其中最有意思的是 HEARTBEAT.md，相当于一份定期自查清单。

实际使用中，让 Agent 跟踪一个学习计划的进度，它每周五自动汇总本周成果，主动推荐下周学习安排。初始设置后不需要再提醒。Agent 自己检查进度、评估完成情况、给出下一步建议。

这个 Skill 适合把 OpenClaw 当日常工具使用的人。偶尔用一次体会不到它的价值，持续使用后心跳循环会积累越来越多的工作上下文。

跨会话存活的结构化记忆

Ontology 从你的对话中构建类型化的知识图谱。你提到一个偏好、一个项目细节、一个人名，它就提取实体、标注类型、映射关系。

使用几周后，Agent 的知识图谱里已经包含：用户偏好简洁格式；项目 X 使用 Python 3.11 + FastAPI；部署目标是 AWS ca-central-1。这些全部是从日常对话中自动提取的，没有手动配置过。

实际效果：Agent 的建议越来越贴合你的具体场景，而你不需要重复解释自己的环境。让它生成报告，它已经知道你的格式偏好。让它搭建新服务，它已经知道你的部署环境。

在 11,600 个技能里找到对的那个

Find-Skills 是一个"元技能"：它的工作是搜索 ClawHub，根据你描述的需求推荐合适的 Skill。

查询"找一个做小红书图片的技能"返回了三个结果，按匹配度排序：xiaohongshu-tools（0.385）、xiaohongshu-title（0.366）、xiaohongshu-mcp（0.359）。Agent 推荐了第一个，并解释了原因。

关键是描述要具体。"找个图片技能"返回的结果太泛。"找一个能批量重命名图片、加水印的技能"返回的结果精准得多。

结构化调试，告别瞎猜

Systematic-Debugging 强制执行五步调查流程：定义问题、收集信息、生成假设排序、逐个测试验证、实施修复。Agent 想跳步骤，Skill 会拦截。

对比立刻显现。一个 Python 脚本报 HTTP 403 错误，没装这个 Skill 时，Agent 随机猜了半小时：加 User-Agent、换代理、改请求格式。装上 Systematic-Debugging 后，Agent 按流程走：收集响应头，发现 Cloudflare challenge token，假设是反爬保护，用无头浏览器绕过，一次解决。

调试完成后还会生成事后报告，包含根因、修复方案、预防措施。配合 Self-Improving Agent，这份报告会变成以后遇到类似问题时可复用的参考。

其余三个：GitHub、Office-Automation 和共同的规律

GitHub Skill 把自然语言翻译成 gh CLI 命令。"看看我仓库的高优先级 Issues"变成一次筛选查询。"生成本周项目进展报告"变成 commit 和 PR 的汇总。

Office-Automation 覆盖日程管理、邮件处理、文档生成、数据分析。每周自动生成周报、格式化会议纪要、分析 Excel 趋势，全部通过对话请求完成。

这些 Skill 遵循和列表上其他每一个相同的规律：它们把 AI 模型能推理的事情，变成了它能实际执行的事情。模型已经理解什么是 GitHub Issue，Skill 给了它交互的权限和工具。

这一切意味着什么

ClawHub 上的 11,600 个 Skills 代表的东西比一个插件商城大得多。它们是对一个核心问题的回答：如何填平"理解任务"和"完成任务"之间的鸿沟。

每个主要的 AI 产品都在向同一种架构收敛。Claude Code 有 42 个工具，OpenClaw 有 Skill 系统，Microsoft Copilot 有插件。实现方式不同，但原则一致：语言模型是推理引擎，围绕它的一切都是把推理变成行动的基础设施。

从这些工具中获得超额回报的人，写的提示词并不比别人好。他们在模型周围构建了更好的基础设施。一个配置了 10 个精选 Skills 的 OpenClaw 实例，能处理的任务量级，是裸模型来回对话几十轮也只能勉强接近、但仍然无法执行的。

模型已经足够聪明了。问题是你有没有给它配上手脚。