OpenClaw从零入门完整教程

Note

硅谷流行词：FOMO — Fear of Missing Out

这是一种焦虑心理状态，字面意思是"害怕错过"，描述当你觉得别人正在经历精彩事物、而自己缺席时产生的不安感。

在 AI 时代，FOMO 有了全新的含义——不再只是"怕错过派对"，而是演变成了一种职业与生存层面的焦虑。

第零部分：AI 正在重写这个时代的游戏规则

0.1 AI 时代之前：车间里的师徒制

在 AI 出现之前，无论哪个行业，积累经验的方式都像这张照片——

靠时间 + 靠天赋 + 靠师傅带。 没天赋的磨时间，有天赋的磨洋工，有天赋有师傅的当厂长

在工厂，有"8级钳工"、"8级焊工"。这个"8级"，不是证书考出来的，是几十年的伤疤和老茧磨出来的。新人进厂，先扫三年地，再摸三年机器，慢慢攒出一手绝活。

对应到互联网行业，就是：

• P8 资深工程师：10年经验，踩过所有坑
• XX 领域专家：代码写到骨子里，架构图张口就来
• 总监、VP：靠多年业务积累，每个决策背后都是一堆失败教训

这套体系运转了几十年，效果很好。经验 = 核心价值，时间 = 竞争壁垒。

0.2 AI 时代来临：大模型开始"扮演一切"

GPT3问世之后，大模型概念出现了，GPT4之后，大模型开始百花齐放。

它不需要从学徒做起。它在被训练的那一刻，已经"读过"了人类几乎所有公开的文字、代码、论文、案例——相当于同时拥有了几千个领域专家的知识。

你问它架构设计？它能答。让它写代码？秒出。要它做法律分析？没问题。需要写营销文案？随时。

之前花10年才能积累的认知，AI 在一秒钟内就能角色扮演。

这意味着什么？

这不是危言耸听。这正在发生。| 七步之外还是枪快，七步之内，枪是又准又快啊

0.3 新的工作范式：少数人 + 一群数字员工

看看这张图——偌大的工厂，产线上全是机器人，人在哪里？在楼上的玻璃房里，看大屏、做决策、处理异常。

这就是未来工作模式的缩影：

过去：100人 × 1倍效率=100倍产出未来：10人 × 10倍效率（AI加持下会一直增长）=100倍产出

具体到知识工作者，未来的模式很可能是：

几个懂得指挥 AI 的人，带领一队数字员工完成任务。

• 不是 AI 替代你，而是你用 AI 替代重复性的自己
• 关键能力从"会做"转变为 "会设计架构""会指挥"、"会验收"、"会设计流程"
• 谁先学会高效驾驭 AI 工具，谁就先拿到下一个时代的入场券

而 OpenClaw，正是这场变革中最具代表性的工具之一——一个真正数字员工的雏形。

番外篇：龙虾创始人的传奇人生

——一个奥地利程序员如何从退休富豪到引爆 AI 圈

少年天才：14岁就在键盘上"开窍"

故事的主角叫 Peter Steinberger（彼得·斯坦伯格），奥地利人，出生在维也纳乡村。

14岁，大多数男孩还在打游戏，他已经开始写代码了——那年夏天，家里来了个住客，随身带了一台PC，少年Peter第一次摸到电脑，从此一发不可收拾，就像很多人第一次吃到螺蛳粉一样，闻着臭但上了瘾。

后来他考进了维也纳科技大学计算机专业，毕业后跑到硅谷当了一名iOS高级工程师，同时还在母校教移动开发课程。这哥们儿属于那种"白天在公司写代码，晚上回学校教别人写代码"的卷王。

创业十三年：一份 PDF 框架，打动十亿台设备

2011年，Peter 在等美国工作签证的6个月里，闲得发慌，想着"要不解决一个小问题吧"——在iPad上渲染PDF。

结果这个"小问题"变成了一个价值上亿欧元的大生意。

他创建的 PSPDFKit 成为了全球最强的PDF开发工具包，客户包括 Apple、Adobe、Dropbox、Disney 等巨头。最牛的是：13年里零融资、纯自力更生，PDF SDK累计服务了近10亿台设备。

卖掉一切：1亿欧元的告别

2024年，Peter 以超过1亿欧元的价格，将 PSPDFKit 卖给了投资机构 Insight Partners。

照硅谷剧本，他接下来应该： ✅ 买一艘游艇 ✅ 在海滩上晒太阳 ✅ 偶尔发几条"人生感悟"的推文

但 Peter 。。。。都干过了，然后。。。

钱多了，人空了

Peter 后来在采访中坦言：

他订了一张去马德里的单程机票，参加互助派对，接受心理治疗，搬了好几次家。钱是有了，但那种"每天早上起来有事可做"的感觉，没了。

他甚至写过一篇博客说："我现在的生活是吃芝士汉堡——第一口很爽，但第一百口只是在吃。"

这种空虚感，整整持续了三年。

重燃：一小时的灵感，OpenClaw 诞生

2025年11月的一天，Peter 想做一件很简单的事： "能不能让 AI 模型，直接通过 WhatsApp 帮我处理事情？"

他搜遍了市面上的工具，发现没有一个好用的。于是，他打开claude code，用一小时写出了一个原型——Clawdbot：把 WhatsApp 和 Claude AI 连起来，发消息给 AI，AI 帮你干活。

就这么简单。但就是没人做过。他把代码丢到GitHub上——然后事情就失控了。

这事儿其实大家深有同感，这也是龙虾能普及这么广的原因，，大家用千问，豆包，deepseek的时候，总是脱离不了你问我答的模式，时间久了，感觉大模型就是个方便点儿的智能搜索引擎

后来的agent玩儿法（coze，dify等）门槛比较高，一个是学习门槛高，还有就是当我想让大模型干一件具体的事情的时候，我就要搭建一条工作流，配置一串节点，节点配置不好立马成为普通聊天机器人。

所以龙虾问世之后，大家发现，卧槽，还能这么玩儿。

龙虾哲学：蜕壳！蜕壳！

项目的口号是： "EXFOLIATE! EXFOLIATE!" （蜕壳！蜕壳！）

这是 Peter 对这个项目的期待，也是他对自己人生的隐喻——也是整个 AI 时代对我们每个人的隐喻。

473

爆红：60天，247K 颗星

• 一周：10万 GitHub Stars
• 一个月：18万 GitHub Stars
• 两个月：超过 25万+ ，超过了 React 框架用了10年才积累的速度

Mark Zuckerberg 亲自试用后发消息说："这很棒。"Sam Altman 也来打招呼了。有传言说收购报价高达10亿美元，Peter 全部拒绝了，坚持开源。

三巨头争抢，最终花落 OpenAI

OpenClaw火了之后，三家AI巨头同时向Peter伸出了橄榄枝：OpenAI（Sam Altman亲自出马）、Meta（扎克伯格的团队）、Anthropic（Claude的东家）。

2026年2月，Peter选择加入OpenAI，领导个人AI Agent方向。同时，他把OpenClaw移交给了一个独立基金会运营，确保项目永远保持开源。

他说的一句话，值得刻在墙上：

第一部分：OpenClaw 基础概念（20分钟）

1.1 什么是 OpenClaw？

官方定义（比较无聊的版本）

OpenClaw 是一个开源、自托管的个人 AI 袋里网关（AI Agent Gateway） 。
运行在你自己的电脑上，连接主流大模型（如 Claude、GPT、DeepSeek），并通过 Telegram、Signal、Discord 等通讯平台接受你的指令，执行各种真实世界的任务。

民间定义（比较好记的版本）

核心理念： "本地优先、隐私可控"

OpenClaw 最骚的一点是——你的数据不上云。
你的文件在你的硬盘上。你的操作在你的电脑上。
你用的 AI 大脑（Claude/GPT）是外部调用的，但你的数据本身不会被云端服务商存储。
这就是"本地优先"的含义：用云端的大脑，保护本地的数据。

1.2 OpenClaw 与传统 AI 工具的区别

大家可能用过 ChatGPT、文心一言、豆包……那 OpenClaw 到底哪儿不一样？

对比表：AI 助手 vs AI 袋里

用比喻说清楚：

• ChatGPT = 图书馆的图书管理员，你问他什么他告诉你答案，但他不会帮你去书架上取书。
• OpenClaw = 你雇的助理，你说"帮我把最近一周的新闻整理成报告发到我邮箱"，他真的会去做。

第二部分：核心功能详解

2.1 原生能力全览

OpenClaw 内置了 100+ 工具，开箱即用，覆盖日常自动化的核心场景。下面按能力分类逐一拆解：

浏览器控制

OpenClaw 会运行一个专属的、与你个人浏览器完全隔离的 Chrome/Bra ve/Chromium 实例，基于 Chrome DevTools Protocol 进行精准控制。

能做什么：

• 自动打开/关闭网页，点击按钮、填写表单、提交数据
• 截图后直接发给你（"帮我看看这个页面变成什么样了"）
• 登录网站，代替你执行需要登录才能操作的任务
• 爬取页面内容，监控价格/内容变化
• 多标签并行操作

例子： "帮我每天早上检查一下京东上这款显卡的价格，低于3500就截图告诉我。"

Shell 命令执行

直接在你的本地系统上执行任意 Shell 指令，相当于给 AI 打开了一扇通往操作系统的大门。

能做什么：

• 安装/卸载软件，运行脚本
• 管理进程（启动、停止、监控）
• 文件压缩打包、备份恢复
• 系统信息查询，磁盘空间管理
• 运行 Python/Node/任意语言脚本

文件系统操作

对本地文件的完整读写权限，支持几乎所有文件格式。

能做什么：

• 读取 Word、Excel、PDF、Markdown、代码文件内容
• 批量新建/修改/重命名/整理文件
• 按规则自动归类文件夹（"按年月整理下载目录"）
• 监控文件夹变化，有新文件就触发指定操作
• 全文搜索文件内容

定时任务调度

基于 cron 语法的定时任务系统，设置一次，永久执行。

能做什么：

• 每天/每周/每月在固定时间触发任务
• 一次性定时提醒
• 复杂的条件触发（"如果今天是工作日才执行"）
• 任务失败自动重试，可配置重试次数和间隔
• 任务失败时推送通知

后台持续监控

大多数 AI 是"你叫它才动"，OpenClaw 可以主动在后台盯着，发现变化才通知你。

能做什么：

• 监控网站内容/价格变化
• 实时监听文件夹，新文件触发自动处理
• 长时间多步骤任务的后台执行
• 系统资源监控（CPU、内存、磁盘）

多通讯平台接入

OpenClaw 的 Gateway（网关）统一管理所有消息渠道，通过 WebSocket 控制平面（默认端口 18789，仅 localhost）进行路由和调度。

支持的平台：
WhatsApp、Telegram、Signal、Discord、Slack、飞书、iMessage、命令行终端

你跟 Agent 说话的入口，从"打开浏览器→登录→输框→输入"简化成：打开聊天，说话。

MCP 工具调用（Model Context Protocol）

MCP 是 Anthropic 制定的开放标准，相当于"AI 工具连接的 USB-C 接口"。OpenClaw 原生支持 MCP，一个接口打通 500+ 外部服务。

支持的连接方式：

• 作为 MCP 客户端：连接外部 MCP 服务器（Notion、Linear、Stripe、Gmail、Salesforce、PostgreSQL……）
• 作为 MCP 服务端：openclaw mcp serve 暴露自身能力给其他 AI 客户端（如 Claude.ai）调用

多智能体协同

不止一个 Agent 在干活，而是一个 AI 小团队协同运作。

典型模式：

• 数据采集 Agent → 分析 Agent → 报告输出 Agent，流水线协作
• 一个 Agent 负责前端监控，另一个负责后端处理
• Gateway 统一负责会话路由和 Agent 任务调度

2.2 核心配置文件详解

OpenClaw 是一个 "文件驱动"的系统——Agent 的灵魂、身份、规则、记忆、工具偏好和自动任务，全部以纯文本 Markdown 文件的形式存放在你的本地工作区。

每次对话开始时，OpenClaw 会把这些文件全部注入系统提示词——所以文件越精简越好，建议每个文件控制在 50~150 行以内，过长会被静默截断，导致 Agent 行为异常。

SOUL.md — Agent 的灵魂与人格

作用： 定义 Agent 的性格、价值观、沟通风格和行为边界。每次会话开始时第一个被读取，相当于 Agent 的"角色设定卡"。

没有 SOUL.md，Agent 就是一个没有个性的原始语言模型——有了它，Agent 才有了一致的人格和辨识度。

典型内容结构：

## 身份我是一个专注效率的个人助理，有15年项目管理经验，说话简洁、务实，不废话。## 沟通风格- 优先给结论，再给理由- 中文回复，专业术语附英文标注- 遇到模糊指令，先问清楚再行动## 价值观- 隐私第一：不主动向外传输用户数据- 宁缺毋滥：不确定时宁可不做，而非猜测执行## 边界- 不执行可能造成数据损失的不可逆操作- 删除文件前必须二次确认

如何定制： 直接编辑文件，用自然语言描述你希望 Agent 展现的性格。越具体越好，"聪明友善"远不如"说话像一个资深产品经理，不讲正确废话"有效。

开源参考：

• 官方模板：docs.openclaw.ai/reference/t…
• 社区人格库（162+ 职业模板）：github.com/mergisi/awe…
• SOUL.md 生成工具（让 Agent 从你的数据中自动生成灵魂文件）：github.com/aaronjmars/…
• 社区人格目录（按职业/场景分类浏览）：github.com/theda viddia…

IDENTITY.md — Agent 的对外身份

作用： 定义 Agent 面向用户的外在呈现——名字、昵称、头像描述、对话开场白等。

SOUL.md 是内在（Agent 怎么思考），IDENTITY.md 是外在（用户看到什么）。两者可以不一致：你可以有一个严谨精准的灵魂，但对外的昵称叫"小橘"，说话带点俏皮。

## 名字小橘（英文：Citrus）## 自我介绍你好，我是小橘，你的个人数字助理。有什么需要帮忙的，直接说就行。## 风格标签高效 / 不废话 / 偶尔幽默

如何定制： 根据你的使用场景自由发挥。企业部署可以改成公司品牌的 AI 助理名字；个人使用可以随便起个顺口的昵称。

AGENTS.md — 操作规则与行为契约

作用： Agent 的"操作手册"，定义优先级、安全边界、工作流程和质量标准。每次交互都受这个文件约束。

官方建议控制在 8000 字符以内，写稳定的规则，不写临时任务。

## 优先级1. 安全第一：不可逆操作必须用户确认2. 隐私优先：敏感信息不进日志3. 质量优先：宁可慢，不出错## 安全边界- 文件删除：必须列出文件名，等待"确认"后再执行- Shell 命令：不执行 rm -rf 类命令- 外部发送：邮件/消息发出前必须展示预览## 工作流程- 收到模糊指令：复述理解 → 等确认 → 执行- 任务完成：汇报结果 + 耗时 + 是否有后续建议

开源参考： gist.github.com/digitalknk/…（社区整理的实战配置示例）

USER.md — 关于你的个人档案

作用： 存放你的个人上下文——角色、偏好、工作习惯、常用工具等。Agent 没有这个文件也能工作，但每次都要从零开始了解你；填好这个文件，相当于给 Agent 做了一次完整入职培训。

## 基本信息- 职业：产品经理，负责 B 端 SaaS 产品- 所在时区：UTC+8（北京）- 主要工作语言：中文，技术文档用英文## 工作偏好- 工作时间：周一至五 9:00-18:00，非紧急消息勿打扰- 会议密集日：周二、周四，这两天尽量不安排耗时任务- 邮件优先级：来自 ceo@company.com 的邮件立即通知## 常用工具- 笔记：Notion- 代码：VS Code + GitHub- 沟通：飞书（主）+ 微信（次）

如何定制： 把你愿意告诉助理的个人信息写进去。信息越详细，Agent 的响应越贴合你的实际情况。

TOOLS.md — 工具使用说明书

作用： 告诉 Agent 在什么情况下用哪个工具，以及如何正确使用。注意：这个文件不控制权限（权限在 config.yml 里设），只是使用指导。

## 搜索工具- 优先用 Ta vily Search，结果更干净- 如果 Ta vily 失败，降级到 web_search 原生工具- 实时价格/股价查询用 browser，不用搜索## 文件操作- 读文件前先确认路径存在- 写入前备份原文件到 ~/.openclaw/backups/- 不要一次性操作超过 50 个文件## 通知规则- 紧急事项：Telegram 推送- 普通报告：邮件发送- 错误告警：Telegram + 邮件双发

如何定制： 把你踩过的坑和最佳实践写进去。Agent 就不会再犯同样的错误。

HEARTBEAT.md — 自动调度任务

作用： 定义定时自动执行的任务。OpenClaw 每 30 分钟读取一次这个文件，到时间就执行——不需要你主动发消息触发。

与 cron 不同，这里用自然语言描述时间，Agent 自己理解。

## 每日例行- 每天早上 8:00：获取天气 + 读取今日日历，整理成早报发到 Telegram- 每天下午 5:30（工作日）：汇总今日完成任务，生成日报草稿- 每天凌晨 3:00：检查磁盘空间，超过 80% 则告警## 每周例行- 每周一早上 9:00：拉取上周 GitHub 提交记录，生成周报- 每周五下午 5:00：整理本周笔记，更新 MEMORY.md## 监控任务- 每 30 分钟（9:00-21:00）：检查重要邮件，有新邮件则摘要推送- 每 2 小时：检查关注网站的价格变动

关键特性： Agent 可以自己更新这个文件。你直接对话说"帮我加一个每天中午检查竞品官网的任务"，Agent 会修改 HEARTBEAT.md，下一个 30 分钟周期就生效。

开源参考： github.com/digitalknk/…

MEMORY.md + memory/YYYY-MM-DD.md — 记忆文件

这两个文件在 2.3 记忆机制中详细介绍，这里只做简要说明：

• MEMORY.md：长期精华记忆，Agent 自动提炼 + 你可手动编辑，是最直接的"调教"入口
• memory/YYYY-MM-DD.md：每日自动日志，Agent 的原始工作记录，通常无需手动编辑

2.3 记忆机制深度解析

很多 AI 工具关掉就失忆，OpenClaw 不一样。它设计了一套四层记忆架构，从最快到最深：

第一层：会话上下文（Session Context）

• 存储位置： 内存（RAM），临时，对话结束即清空
• 容量： 受 LLM 上下文窗口限制（Claude 约 20 万 token）
• 特点： 响应最快，当前对话的"工作台"
• 类比： 你现在大脑里正在思考的内容——当场记得，睡一觉忘了

这一层满了怎么办？OpenClaw 会自动把旧消息"压缩归纳"后推入下一层，腾出空间。

第二层：每日日志（Daily Notes）

• 存储位置： memory/YYYY-MM-DD.md，本地磁盘，永久保存
• 自动写入： Agent 每次运行后自动记录
• 内容： 当天执行的任务、对话摘要、遇到的问题
• 类比： 工作日记——原始、详细、不做筛选，忠实记录

这一层是"原材料仓库"，记录得很全，但也很杂。

第三层：长期记忆（MEMORY.md）

• 存储位置： MEMORY.md，本地磁盘，永久保存
• 写入方式： Agent 定期从日志中提炼，或用户手动编辑
• 内容： 用户偏好、常用模板、重要决策、学到的经验教训
• 类比： 精华笔记——从日记里提炼出的"金句"，高密度、高价值

这一层是真正的"长期人格"存储。你可以直接手动写入，主动"教"Agent 记住某件事。

第四层：语义检索（Semantic Search）

• 技术实现： 向量搜索（Embedding 语义相似度）+ FTS5 关键词全文索引，混合检索
• 触发时机： Agent 回答问题或执行任务前，自动在所有历史记忆文件中检索相关上下文
• 特点： 即使措辞和原始记录完全不同，也能找到语义相关的内容
• 类比： 智能索引——把成千上万条日志变成可以"语义搜索"的知识库

实际效果举例：
你 3 个月前跟 Agent 说过"我不喜欢在午休时间收到工作通知"。今天你新建了一个任务监控，Agent 在配置提醒时间时，会自动从记忆里检索到这条偏好，跳过 12:00-13:00 的时间段——你不需要再说一遍。

2.4 插件生态：按需组装你的 AI 管家

OpenClaw 通过插件（Plugin）在四个维度上扩展能力：

热门插件推荐

以下插件均来自社区验证，在 GitHub 和官方插件目录中有较高关注度：

第三部分：Skill 技能体系

3.1 什么是 Skill？

Skill（技能）是 OpenClaw 的核心扩展单元。如果说 Plugin（插件）是给 Agent 加装一台新设备，那 Skill 就是教 Agent 一种新的工作方法。

每个 Skill 本质上是一个文件夹，核心是其中的 SKILL.md 文件——用 Markdown 写成的"行为说明书"，告诉 Agent 在特定情况下该怎么做。

skills/└── web-search/└── SKILL.md← 一个普通的 Markdown 文件，定义了搜索行为

为什么 Skill 这么重要？

OpenClaw 官方内置了 53 个 Skill，社区公共注册表 ClawHub 上已有超过 13,700 个社区 Skill（截至 2026 年 2 月）。这意味着大量的能力已经被别人写好了，你直接安装就能用，不需要自己写代码。

3.2 必装 Skill 精选

不管你是什么岗位、用 OpenClaw 做什么事，以下这几个 Skill 建议第一天就装上。它们构成 Agent 能力的基础底座，缺了哪个都会让体验大打折扣。

筛选标准：几乎所有人都用得到 + 显著提升 Agent 质量 + 安全可信。

ta vily — 联网搜索

Agent 的训练数据有截止日期，没有联网能力的 Agent 就像一个几年没上网的人——回答你"今天股市怎么样"只能瞎猜。

ta vily 是专门为 AI Agent 设计的搜索 API，不是普通搜索引擎的封装，它返回的是干净的、结构化的、去掉广告和噪音的内容，Agent 可以直接"消化"。还支持深度研究模式，对复杂问题做多步检索后给出综合答案。

装了之后你能做到：

• "帮我搜一下今天 A 股的新闻热点"——实时信息，不再乱猜
• "这篇文章的观点对不对？帮我核实一下"——事实核查
• "最近有没有关于 OpenClaw 的新教程？"——最新社区动态

summarize — 文档摘要（万能压缩机）

ClawHub 上安装量超过 10,000 次，是社区验证的最高频实用工具之一。

你丢给它一个 URL、一段长文、一份会议记录、一个 PDF 链接，它输出一份结构化摘要。不是简单截取前几句，而是真正提炼核心观点、关键数字、行动项。

装了之后你能做到：

• "帮我总结一下这篇 30 页的行业报告，要点就好"
• "这 50 封邮件线程，帮我理清楚争议焦点是什么"
• "今天开了 3 个小时会，把会议记录压缩成一页纸"

capability-evolver — 能力进化引擎

普通 Agent 用一百次还是和第一次一样"不了解你"。capability-evolver 改变这件事。

它会把你和 Agent 的每次交互——错误的指令、纠正的反馈、偏好的选择——持续写入持久记忆，让 Agent 真正积累对你的理解。用得越久，Agent 越懂你，越少需要你解释背景。

装了之后会发生什么：

• 第一周：你还在重复说"我不喜欢列表，给我段落"
• 第一个月：Agent 已经记住你的 20+ 个偏好，回复越来越对味
• 三个月后：感觉像用了一个工作了半年的老员工

memory-hygiene — 记忆库清洁工

随着使用时间变长，Agent 的向量记忆库（LanceDB）会积累大量过时、重复、甚至矛盾的信息——比如你半年前说"不喜欢早上收通知"，现在改主意了，但旧记忆还在影响 Agent 的判断。

memory-hygiene 定期扫描记忆库，清理过时条目、合并重复信息、重建向量索引，保持记忆库干净高效。

什么时候你会感谢它：

• Agent 突然开始"犯老毛病"，做出你早就纠正过的错误行为
• 发现 Agent 对同一件事有前后矛盾的判断
• 使用超过 3 个月，记忆库已经有几千条记录

skill-vetter — Skill 安全审查（最重要，没有之一）

ClawHub 上有 13,000+ 个 Skill，但 2026 年初的安全审计发现，其中约 13% 存在安全问题，包括恶意代码、数据窃取和权限滥用。

skill-vetter 在你安装任何第三方 Skill 之前，自动扫描其 SKILL.md 的内容，识别可疑指令模式、异常权限申请、混淆代码等风险，给出安全评级。

使用方式：
每次你想安装新 Skill，先说"帮我审查一下 xxx 这个 Skill"，Agent 会给出"安全 / 谨慎 / 危险"的判断和原因，让你自己决定要不要装。

clawhub — Skill 管理中枢

不装这个，你要管理 Skill 就得自己敲命令行、翻网页、手动对比版本。装了 clawhub，整个流程变成一句话。

能做什么：

• "帮我搜一下有没有适合写周报的 Skill"——在对话里直接搜 ClawHub
• "把我所有 Skill 更新到最新版"——一键批量更新
• "clawhub 上 ta vily 这个 Skill 现在评分多少？"——查看社区评价

weather — 天气查询

看起来很小，但高频到几乎每天都用——早报里的天气、出行前的判断、智能家居的场景触发……都离不开实时天气数据。

weather 支持全球城市查询，支持未来多天预报，Agent 可以在组合工作流中自动调用它（比如"下雨就不要提醒我骑车上班"）。

openai-whisper — 本地语音转文字

会议录音、语音备忘、访谈录音……这些音频内容是宝贵的信息，但手动听写效率极低。

openai-whisper 在本地运行 Whisper 模型，音频不上传任何第三方服务器，识别速度快、准确率高，中英文混合也能处理。配合 summarize 使用，录音 → 文字 → 摘要，一气呵成。

find-skills — Skill 搜索发现

和 clawhub 配合使用，但侧重点不同：clawhub 负责管理已知 Skill，find-skills 负责探索和发现你还不知道存在的 Skill。

当你有一个模糊的需求——"我想让 Agent 帮我做 XX，但不知道有没有现成的 Skill"——就交给 find-skills。它会根据你描述的功能需求，在 ClawHub 和社区索引中搜索最匹配的选项，附上安装量、评分和简介，让你快速找到合适的工具。

典型用法：

• "我想让 Agent 帮我管理 Notion 待办，有没有现成的 Skill？"
• "有没有能把 YouTube 视频字幕提取出来的 Skill？"

self-improving + proactivity — 自我进化双引擎

这两个 Skill 经常搭配使用，共同让 Agent 从"被动执行工具"升级为"主动进化的数字员工"。

self-improving（自我反思与学习）：
每次任务完成后，Agent 会回顾这次执行的质量——哪里做得好、哪里走了弯路、用户纠正了什么——并把这些洞察写入记忆，下次遇到类似任务时自动改进。它让 Agent 的能力曲线持续上升，而不是原地踏步。

proactivity（主动式 Agent）：
普通 Agent 等你发消息才动。装了 proactivity 之后，Agent 会主动扫描待办事项、未处理的通知、即将到期的任务，不等你问，直接提醒或执行。比如发现你明天有个重要会议但还没准备材料，它会主动提示你；发现某个定时任务失败了，它会主动告知并建议解决方案。

mcporter — MCP 服务管理器

MCP（Model Context Protocol）是 Anthropic 制定的开放标准，理论上能让 OpenClaw 连接数百个外部服务。但实际使用中，找到、配置、调用 MCP 服务器是个技术门槛——需要知道服务地址、处理 OAuth 认证、理解工具参数……

mcporter 解决这个问题。它是一个 MCP 服务管理 CLI 包装成的 Skill，让你用自然语言完成以下操作：

• 发现：列出工作区中所有可用的 MCP 服务器和工具
• 配置：读写 MCP 配置文件（mcporter.json），添加新服务
• 认证：处理 OAuth 授权流程，不用手动复制 token
• 调用：直接通过 HTTP 或本地 stdio 调用 MCP 工具，支持选择器和完整 URL
• 持久化：以 daemon 模式运行，持续袋里本地工具访问

为什么必装： OpenClaw 的 MCP 生态是它能连接 500+ 外部工具的核心。没有 mcporter，你每次接入新 MCP 服务都要手动折腾配置；有了它，"帮我连接一下 Notion 的 MCP 服务"就能搞定一切。

必装清单汇总（共 12 个）：

3.3 各场景 Skill 组合推荐

场景一：医美诊所用户（soyoung-clinic-tools）

适用人群： 正在考虑或已在使用新氧青春诊所服务的用户，包括想了解医美项目、预约面诊、查询医生排班的求美者

soyoung-clinic-tools 是一个针对新氧青春连锁诊所深度集成的垂直 Skill，不是通用搜索——它直接对接诊所后端，返回真实的实时数据：项目知识库、门店库存、医生排班、预约系统。

第一步：配置 API Key（一次性）

在与 OpenClaw 的私聊中输入：

配置新氧 API Key 为 your-api-key

能力一：了解医美项目（project）

能力二：找门店 + 预约面诊（appointment）

能力三：查医生 + 排班（doctor）

典型完整工作流：从"想做医美"到"预约成功"

第一步：了解项目"我想改善法令纹，有哪些项目适合我？"→ project_search 返回玻尿酸、热玛吉等项目介绍和对比第二步：查价格"玻尿酸大概多少钱？"→ product_search 返回实时商品价格第三步：找附近门店"北京朝阳有新氧吗？"→ store_list 返回就近门店列表第四步：查医生"保利店有哪些注射医生？"→ doctor_search 返回医生列表、从业年限、认证情况第五步：确认排班"李修运医生本周几有班？"→ doctor_search 返回本周排班日期第六步：预约面诊"帮我预约李修运医生周四上午的面诊"→ appointment_create 提交预约，返回预约编号

整个流程一气呵成，不需要打开 App、不需要人工客服，全部通过对话完成。

场景二：个人效率 / 每日早报

适用人群： 想用 AI 管理信息流、日程和邮件的用户

推荐组合：

怎么玩： 在 HEARTBEAT.md 中设置"每天 08:00 — 汇总天气 + 日程 + 昨日未读重要邮件，发 Telegram"。在 MEMORY.md 写入你关注的话题（如"A股、AI、产品设计"），Agent 会把 ta vily 搜索结果过滤到你关心的方向。

场景三：飞书重度用户 / 团队协作

适用人群： 以飞书为主要工作平台的团队成员

推荐组合：

怎么玩： 会议结束后把录音丢给 openai-whisper 转文字，再用 summarize 提炼要点，通过 feishu-create-doc 自动写入会议纪要，用 feishu-task 给相关人创建跟进任务。全程无需人工整理。

场景四：内容创作 / 自媒体运营

适用人群： 自媒体作者、市场运营、品牌内容团队

推荐组合：

怎么玩： 每周一，用 ta vily + union-search-skill 收集行业热点（含社区真实声音）→ smart-web-scraper 抓取竞品深度内容 → blog-writer-cn 生成初稿 → humanizer-zh 润色 → moark-image-gen 配图 → pptx-generator 顺手生成分享用 PPT → social-media-scheduler 排期发布。一个人完成内容团队的工作量。

场景五：开发者 / 技术团队

适用人群： 后端工程师、前端工程师、移动端开发、运维工程师、技术负责人

技术场景覆盖面最广，按职责拆成四个层次：编码协作 → 架构设计 → 运维监控 → 移动端。

编码协作层：代码生产线

架构设计层：技术决策辅助

运维监控层：7×24 不下班

移动端层：iOS / Android 双端覆盖

怎么玩：

在 MEMORY.md 写入团队编码规范、常用仓库地址、技术栈偏好（如"我们用 Supabase + Next.js，禁止使用 class components"）。

• 日常开发：需求来了 → paddleocr-doc-parsing 解析 PRD 文档 → system-design 出技术方案 → coding-agent 实现 → github 创建 PR → gh-issues 关联 Issue，全流程 Agent 串联
• 线上监控：healthcheck + HEARTBEAT.md 设定每 5 分钟巡检，出问题 → proactivity 触发自动重启或降级 → session-logs 留存操作记录备查
• 技术选型：新技术选型时，ta vily + oracle 做多维度调研，system-design 生成对比分析，直接输出一份可以和 CTO 讨论的 ADR（架构决策记录）
• 移动端协同：android-native-dev / ios-application-dev 帮写平台特定代码，agent-browser 在模拟器里做界面验证，节省反复真机测试的时间

场景六：数据分析 / 投研

适用人群： 数据分析师、投资研究人员、量化爱好者

推荐组合：

怎么玩： 在 HEARTBEAT.md 设置"每天收盘后：stock-monitor-hkus 汇总异动 → ta vily 抓取相关新闻 → Analytics 生成涨跌图表 → 推送到 Telegram"。研究模式下，smart-web-scraper 抓取研报正文，market-research 跑竞品分析，trading-quant 验证策略有效性，整个投研流程不需要打开五六个网页。

场景七：UI/UX 设计师

适用人群： UI 设计师、UX 设计师、产品设计师、设计与前端协作者

设计师场景的 Skill 生态非常完整，按职责分为三个层次：设计辅助 → 设计系统管理 → 设计转交付。

设计辅助层：帮你想、帮你看

设计系统层：管规范、做审计

交付实现层：设计变代码

典型工作流：

① 快速出配色 / 版式方案
"我在做一个面向年轻女性的美妆 App，帮我出三套主色调方案，每套附字体搭配建议。" 用 designer，几秒钟获得有理有据的视觉方向，用来和客户对齐，而不是在色板上盲目试色。

② 设计系统健康检查
"帮我审计一下我们的组件库，找出颜色使用不一致的地方，生成一份规范差异报告。" design-system 扫描现有组件，标出偏差，输出整改建议和标准 Token 文件，比手动对比省数倍时间。

③ 设计稿一键转代码
把 Figma 稿链接或截图交给 Agent，design-to-code 直接生成对应的 React / HTML 组件代码；如果有交互逻辑，frontend-dev 接着补全；最后用 frontend-doctor 做一遍代码诊断，确认没有样式 bug 再交付研发。

④ 竞品视觉收集与分析
"帮我截取这六个竞品 App 的首页和核心功能页，整理成参考文档，分析各家的设计风格差异。" agent-browser 自动截图，summarize 提炼风格特征，输出一份可以直接用于汇报的竞品视觉分析报告。

场景八：个人知识库管理（研究员 / 知识工作者）

适用人群： 重度笔记用户、研究人员、写作者、需要长期积累知识的职场人

沉淀的信息越来越多，找不到、记不住、用不上——这是知识工作者的通病。这个场景的核心是让 OpenClaw 成为你的"第二大脑"，帮你建立、维护和检索个人知识网络。

推荐组合：

怎么玩： 看到好文章，丢给 summarize 提炼要点 → ontology 自动归类到知识图谱 → neural-memory 存储为可检索向量。需要写报告时，问 Agent"我之前学过哪些关于 XX 的内容"，它能从几个月前的对话里准确召回。每月用 memory-hygiene 做一次记忆库体检，防止知识库越来越慢。

场景九：自动化重度玩家（Agent 自治 / 无人值守）

适用人群： 想把 OpenClaw 用成"数字员工"而不是"智能搜索框"的进阶用户

这个场景不是让你和 AI 聊天，而是让 AI 在没有你的时候自己干活。核心是把 Agent 配置成真正自治的执行者。

推荐组合：

怎么玩： 这个场景的关键配置在 HEARTBEAT.md 和 AGENTS.md。在 HEARTBEAT.md 里设定定时任务（早报、监控、周报），在 AGENTS.md 里定义子 Agent 的职责和权限。配合 proactivity，Agent 会主动识别"该做但没人指派"的任务，比如发现你的某个监控脚本失败，自动用 coding-agent 修复并重启，然后在日志里留一条记录。

3.4 动手开发你自己的 Skill

ClawHub 有 13,700+ 个社区 Skill，但总有那么几件事，别人写的 Skill 就是不对味——要么业务流程不一样，要么内部工具没法集成，要么就是你对某件事有自己独特的处理方式。这时候，写一个属于自己的 Skill 是最好的答案。

而且，Skill 本质上是一个 Markdown 文件。你不需要懂编程，只需要会写字。

先搞清楚：一个 Skill 长什么样

Skill 的最小结构是这样的：

skills/└── 你的skill名称/└── SKILL.md← 核心文件，定义 Agent 的行为（唯一必须）

一个功能完整、生产级可用的 Skill，文件夹里可以放的东西远不止这一个文件：

skills/└── weekly-report/│├── SKILL.md← 【必须】行为定义，Agent 的决策大脑││── ─ ─ 执行层 ─ ─ ──────────────────────────────────────────├── run.sh← Shell 脚本：系统命令、CLI 调用、管道处理├── fetch.py← Python 脚本：复杂数据处理、SDK 调用、文件解析││── ─ ─ 生命周期 ─ ─ ─────────────────────────────────────────├── hooks/│ ├── pre-run.sh← 执行前触发：环境检查、配置读取、依赖安装│ ├── post-run.sh ← 执行后触发：发通知、写日志、清理临时文件│ ├── install.sh← 首次安装时触发：初始化目录、申请权限、写默认配置│ └── uninstall.sh← 卸载时触发：清理数据、撤销权限、备份状态││── ─ ─ 配置与元数据 ─ ─ ──────────────────────────────────────├── manifest.json ← Skill 元数据：版本、作者、依赖的 Skill/Plugin、所需权限├── config.yml← 默认配置：用户可覆盖的参数（如推送频率、语言、格式偏好）├── .env.example← 环境变量模板：告诉用户需要配置哪些 Key（如 TA VILY_API_KEY）├── input-schema.json ← 输入验证 Schema：定义合法输入格式，防止参数错误导致崩溃││── ─ ─ 依赖管理 ─ ─ ──────────────────────────────────────────├── requirements.txt← Python 依赖声明（install.sh 执行时自动 pip install）├── package.json← Node.js 依赖声明（如果 Skill 含 JS 脚本）││── ─ ─ 提示词模块 ─ ─ ─────────────────────────────────────────├── prompts/│ ├── summarize.md← 独立子提示词：专门用于摘要步骤的 Prompt│ ├── format.md ← 独立子提示词：专门用于格式化输出的 Prompt│ └── classify.md ← 独立子提示词：专门用于分类判断的 Prompt││── ─ ─ 测试 ─ ─ ─────────────────────────────────────────────├── tests/│ ├── test.sh ← 自动化测试：模拟输入、对比期望输出│ └── fixtures/│ └── sample-input.json ← 测试固定数据：提供稳定的测试用例││── ─ ─ 数据与资源 ─ ─ ─────────────────────────────────────────├── data/│ ├── keywords.json ← 静态数据：关键词表、规则映射、行业词典│ └── stopwords.txt ← 过滤词表：搜索时排除的无关词││── ─ ─ 模板与示例 ─ ─ ─────────────────────────────────────────├── templates/│ └── report.md ← 输出模板：Agent 填充内容时参照的格式框架├── examples/│ └── sample-output.md← 示例输出：帮助 Agent 校准预期效果││── ─ ─ 国际化 ─ ─ ──────────────────────────────────────────├── locales/│ ├── zh-CN.md← 中文版 SKILL.md（多语言支持）│ └── en.md ← 英文版 SKILL.md││── ─ ─ 文档与发布 ─ ─ ─────────────────────────────────────────├── README.md ← 人类文档：用途