大家好，我是讯享网，很高兴认识大家。这里提供最前沿的Ai技术和互联网信息。



最近我发现一个有趣的现象：很多人跟风安装了OpenClaw，配置好了模型渠道，却在"技能市场"（ClawHub）里挑花了眼。

下载了几十个Skills，结果发现——用起来并不顺手。要么是功能太通用，跟自己的实际工作流对不上号；要么是权限太大，安全性让人心里发毛；要么就是水土不服，各种报错。

这其实是一个必然阶段。OpenClaw的核心优势不在于它自带多少工具，而在于它的Skills（技能）系统 ——你可以把它理解成一个"可插拔的工具箱"。别人写的技能再好，那也是别人的工作流；真正能让AI成为你"私人助理"的方式，是自己动手写Skills。

那这篇文章，我会从三个层面彻底讲清楚这件事：第一，为什么我建议自己写 Skills；第二，怎么写 Skills（从格式到心法）；第三，怎么让小龙虾帮你写 Skills（高级玩法）。最后，我会分享一个我自定义的skills案例——批量阅读文献、自动生成笔记、同步到本地Obsidian。

---

你去ClawHub（OpenClaw官方技能市场）逛一圈，会发现一个有意思的现象：下载量最高的那些技能，往往不是最好用的 。这听起来有点反直觉，但仔细想想其实很好理解。

以Tavily搜索为例，这是一个联网搜索技能，号称"AI Agent标配"。装上之后，你确实可以让小龙虾帮你查资料、搜新闻。但问题来了------如果你想让它查的是你公司内部的知识库 、特定的行业数据报表 ，甚至你个人笔记里的某个片段，Tavily完全帮不上忙。它只会搜公开的互联网内容。

这就是"通用技能"的尴尬处境。它们像是一把瑞士军刀，什么都能干，但什么都不精。

第一，精准匹配你的工作流。

你自己写的Skill，可以精确到你电脑里的某个文件夹路径、你API的认证方式、你团队内部的协作规范。比如，你可以写一个Skill，专门读取你公司飞书多维表格里的销售数据，然后自动生成周报。这个需求，让别人写的通用Skill来实现，可能需要Token烧了半天还不见得能跑通。

第二，安全可控，不用把数据交出去。

这是最容易被忽视但最重要的一点。为什么要强调"本地部署"？因为很多通用Skill需要把你的数据发送到第三方服务去处理。你愿意把自己的财务报表、客户隐私、论文笔记都上传到别人的服务器吗？自己写Skill，你可以完全控制在本地执行，所有敏感数据不出本地机器。最近的数据安全形势有多严峻，大家心里都有数。

第三，成本可控，上下文更高效。

用过AI的人都遇到过这种情况：丢给AI一篇50页的论文让它总结，结果上下文窗**了，输出质量大打折扣。自己写Skill，可以先把论文在本地用Python脚本提取关键信息，做成精简版再喂给AI------token消耗能省下一大半。这个账，积少成多是相当可观的。

---

在说怎么写之前，先来搞清楚Skills到底是什么。

OpenClaw的Skills系统与Anthropic提出的AgentSkills 规范高度兼容。从技术上说，一个Skill就是一个文件夹，里面最核心的是一个叫SKILL.md 的文件。这个文件使用YAML frontmatter（就是文件开头的元数据区域）加上Markdown正文，定义了AI在什么场景下应该怎么干活。

OpenClaw官方文档明确指出：Skills采用三层渐进式信息披露系统（Progressive Disclosure）来优化运行效率。这个设计非常聪明，它避免了把所有细节都塞进上下文窗口里，导致AI"消化不良"。

• L1层：元数据（name、description等基础信息）。这部分会始终预加载到系统提示词中，让AI知道"什么时候该叫我"。
• L2层：主体说明（SKILL.md正文）。只有当AI判定当前任务与该Skill高度相关时，才会完整加载这一层。这里包含完整的执行指令和工作指导。
• L3层+：扩展资源。可以包含forms.md、reference.py等附加文件，按需动态加载。

这种设计确保了效率与灵活性的平衡------既不会让AI"瞎子摸象"，也不会让它"负重前行"。

让我们来看一个最简单的Skill长什么样。这是一个叫"hello"的演示Skill：

 就这？这也太简单了吧？没错，这就是Skill的最小形态。但它揭示了一个核心原则：Skill本质上就是一段文本指令，告诉AI在什么场景下该怎么响应。 

上面的例子太简单了，我们来看一个真正能"干活"的Skill该是什么样子。以下是一个"每日技术日报"Skill的简化版本，它会调用工具来获取并整理信息：

GPT plus 代充 只需 145 这个例子展示了几个关键点： 

1. 清晰的触发条件：告诉AI什么时候该用这个Skill
2. 具体的执行步骤：一步一步该做什么，甚至细化到用哪个工具、搜什么关键词
3. 输出格式规范：输出什么样的Markdown结构，方便后续自动化处理

Anthropic在2025年底发布的《Skills编写完整指南》（33页）中，

提炼了几个核心原则，我结合自己的实践经验总结如下：

原则一：简洁至上（Concise is key）

上下文窗口是有限的。写得越啰嗦，AI越容易"迷路"。能用一句话说清楚的指令，不要用一段话。一个Skill只专注做一件事，不要试图搞一个"巨无霸" 。

原则二：保持原子化（Atomicity）

每个Skill应该是一个独立的功能单元。写一个Skill做"读PDF并总结"，就不要再让它同时做"同步到云端"。把复杂任务拆解成多个Skill，然后让AI自己组合使用------这才是正确姿势。

原则三：场景描述要精准（Trigger clarity）

很多新手写Skill最容易犯的毛病就是：触发条件写得模棱两可。"当用户需要帮助时调用这个Skill"------这种描述等于没说。你应该明确写出：用户说出什么具体的话、或者提出什么具体需求时，AI应该启用这个Skill。

---

这是本文最"硬核"的部分，也是我认为最有价值的部分。

你不需要自己从头写所有代码。你需要做的，是提供足够清晰的上下文和规范，让AI帮你生成符合要求的Skill代码。

这个思路类似于"提示词工程"（Prompt Engineering），但更进了一层------你不是在让AI回答问题，而是在让AI生成可执行的代码和配置文件。

要让小龙虾帮你写出可用的Skill，你需要告诉它三件事：

第一类：API接口规范（API & Return Format）

如果你的Skill需要调用外部API（比如调用你公司的内部接口、或者某个第三方服务），你得把API的调用方式、参数格式、返回数据结构原原本本告诉AI。

示例Prompt：

 第二类：安全规范（Security Constraints） 

这一步至关重要。你必须明确告诉AI，哪些操作是绝对禁止 的，哪些权限不应该授予。否则，它生成的代码可能会有安全漏洞。

示例Prompt：

GPT plus 代充 只需 145 第三类：执行步骤（Step-by-Step Instructions） 

告诉AI，这个Skill需要分哪几个步骤来执行。每个步骤的输入是什么、输出是什么、中间状态如何处理。

示例Prompt：

综合以上，我给你一个可以直接抄作业的Prompt模板：

终于到了最激动人心的实战环节。

我要实现的场景是：让小龙虾批量读取学术论文/文献，自动提取关键信息生成阅读笔记，然后通过坚果云WebDAV推送到本地Obsidian库中。

这个需求对于做学术研究、或者需要大量阅读文献的朋友来说，应该不陌生。每次读到一篇好论文，都要手动复制粘贴到Obsidian里，标注作者、日期、核心观点------重复性工作做多了真的会怀疑人生。

先来梳理一下整个流程：

按照我们之前学的知识，先来写这个Skill的SKILL.md文件（这个md其实也是小龙虾自己写的，仅供参考）：

光有Skill描述还不够，我们需要实际的Python代码来执行具体操作，（这个脚本也是小龙虾给我写的，仅供参考），以下是实现核心功能的代码框架（可以直接放到Skill的skills/目录下）：

在运行这个Skill之前，你需要完成以下配置步骤：

第一步：安装Python依赖

懒得自己动手安装，这里也可以叫小龙虾给你安装

GPT plus 代充 只需 145 第二步：在坚果云生成应用密码 

1. 登录坚果云网页端
2. 点击右上角账户名 → 账户信息
3. 选择"安全选项"标签页
4. 点击"添加应用"，输入应用名称（如"OpenClaw论文同步"）
5. 生成后立即复制保存——这个密码只会显示一次

第三步：在Obsidian中创建笔记仓库

1. 打开Obsidian，新建一个仓库（或者使用现有仓库）
2. 在仓库根目录下创建一个文件夹，命名为（这个名字可以改，但要跟Skill配置里的对应）

第四步：配置OpenClaw环境变量

在OpenClaw的配置文件中添加刚才创建的环境变量，或者在启动小龙虾时通过命令行参数传入。

完成以上配置后，你就可以这样使用这个Skill了：

1. 找到几篇PDF论文，把它们放到一个文件夹里
2. 对小龙虾说："帮我把这几篇论文导入Obsidian"
3. 小龙虾会自动调用这个Skill，读取PDF、提取信息、生成Markdown笔记
4. 打开Obsidian，等待坚果云同步完成——你会发现笔记已经静静地躺在你的文件夹里了

整个过程，从点击执行到笔记出现在Obsidian里，通常只需要几十秒钟 。而且所有的处理都在本地完成，你的论文内容和笔记数据不会被上传到任何第三方服务器。

---

写到这里，我想再次强调一下核心观点：用好AI Agent的关键，不在于你装了多少现成的Skills，而在于你能不能把自己的工作流"翻译"成AI能理解的指令。

OpenClaw之所以强大，不是因为它自带了多少工具——那些工具你花点时间自己也能写。它真正的价值在于，它给了你一套"封装经验"的机制。你把自己多年的工作经验、行业知识、流程规范，写成一个个Skill加载进去，然后你的AI助手就开始"继承"你的能力了。

而且，最妙的是——你不需要一次性写对。就像带孩子一样，AI也是在"犯错-修正-成长"中逐渐变强的。每次它做得不对，你纠正它，它就会记住。积累一段时间之后，你就会发现，它越来越懂你、越来越顺手。

2026年，AI Agent的爆发已经是板上钉钉的事实。从Meter机构的数据来看，AI独立干活的时长已经从2024年的几分钟暴涨到2025年的5-10小时，每7个月就翻一番。这个速度意味着什么？意味着你现在不开始学习怎么定制自己的AI助手，几年后可能真的会被甩得尾灯都看不见。

所以，别再犹豫了。装上小龙虾，写下你的第一个Skill——管它写得怎么样，先跑起来再说。完美的Skill是改出来的，不是想出来的。

祝你养虾愉快。