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。



去年冬天，我发现自己每天都要重复做三件事：查看天气预报、整理当日工作重点、生成日报模板。作为一个懒人程序员，我决定用OpenClaw把这些流程自动化。但在尝试过程中发现，现有的技能市场虽然丰富，却缺少针对我个人工作流的深度定制能力——这正是自定义技能开发的起点。

OpenClaw真正的魅力在于，它允许你将任何重复性工作封装成可复用的技能模块。通过对接GLM-4.7-Flash这类轻量级模型，我们可以在本地构建智能化的个人工作流。本文将以开发一个天气查询技能为例，带你完整走通从零开发到部署测试的全流程。

2.1 基础工具链配置

在开始前，请确保已具备以下环境（以macOS为例）：

# 检查Node.js版本（建议v18+） node -v

安装OpenClaw CLI工具

npm install -g @openclaw/cli

验证安装

claw –version

我最初在Node版本上踩过坑——GLM-4.7-Flash的API客户端要求Node 18+的特性支持。如果遇到async_hooks相关报错，建议用nvm管理多版本：

GPT plus 代充 只需 145nvm install 18 nvm use 18 

2.2 模型服务连接

假设你已通过ollama部署GLM-4.7-Flash，我们需要在OpenClaw中配置模型接入。编辑~/.openclaw/openclaw.json，增加以下配置：

{ “models”: {

GPT plus 代充 只需 145"providers": { "glm-flash": { "baseUrl": "http://localhost:11434", "api": "openai-completions", "models": [ { "id": "glm-4.7-flash", "name": "GLM-4.7-Flash Local", "contextWindow": 8192 } ] } } 

} }

这里有个细节需要注意：ollama的OpenAI兼容端点默认使用/v1路径，如果遇到404错误，需要将baseUrl改为http://localhost:11434/v1。

3.1 初始化项目

运行以下命令生成技能模板：

claw skill create weather-query –template=basic 

这会生成如下目录结构：

GPT plus 代充 只需 145weather-query/ ├── package.json ├── src/ │ ├── index.ts # 技能入口 │ ├── types.ts # 类型定义 │ └── utils.ts # 工具函数 └── test/

└── index.test.ts # 测试用例 

我建议立即做两件事：

1. 在package.json中添加“type”: “module”以支持ESM
2. 安装axios作为HTTP客户端：npm install axios

3.2 核心逻辑实现

在src/index.ts中，我们需要实现三个关键部分：

GPT plus 代充 只需 145// 1. 定义技能元数据 export const meta = { name: “weather-query”, description: “查询指定城市天气情况”, parameters: {

city: { type: "string", description: "城市名称，如'北京'" } 

} };

// 2. 实现天气API封装 async function getWeather(city: string) &appid=${process.env.WEATHER_API_KEY}` ); return {

GPT plus 代充 只需 145city, temp: response.data.main.temp, condition: response.data.weather[0].main 

}; }

// 3. 暴露执行函数 export async function execute(params: { city: string })

踩坑提醒：OpenWeatherMap的免费API需要注册获取KEY。建议通过.env文件管理敏感信息，并在技能文档中明确提示用户配置环境变量。

4.1 设计对话指令

为了让GLM-4.7-Flash理解如何调用我们的技能，需要在meta中补充instructions字段：

export const meta = , null, 2) + “”} ` }; 

4.2 测试技能调用

使用OpenClaw CLI进行本地测试：

GPT plus 代充 只需 145# 构建技能包 claw skill build ./weather-query

注册到本地开发环境

claw skill register ./weather-query/dist

测试调用

claw skill test weather-query –params ‘{“city”:“北京”}’

我在开发时发现GLM-4.7-Flash对JSON格式要求较严格。如果遇到解析错误，可以尝试在指令中添加格式校验提示。

5.1 打包发布

完成测试后，通过以下命令生成可分发包：

claw skill pack ./weather-query –output ./weather-query.claw 

可以将生成的.claw文件发布到：

• 团队内部共享目录
• 自建ClawHub私有仓库
• GitHub等代码托管平台

5.2 监控与迭代

在技能目录添加monitor.js可实现使用统计：

GPT plus 代充 只需 145export function onCall(params) { console.log(`[\({new Date().toISOString()}] 天气查询: \){params.city}`); } 

建议定期检查：

1. API调用成功率（通过日志分析）
2. 模型理解准确率（抽样测试对话）
3. 用户反馈（通过OpenClaw的评论功能）

当技能复杂度上升时，可以考虑：

1. 参数校验：使用zod等库验证输入参数
2. 错误恢复：为常见API错误设计备用方案
3. 缓存机制：对频繁查询的数据添加本地缓存
4. 多模型支持：适配不同模型的指令格式差异

我最近正在开发的v2版本增加了空气质量查询，发现GLM-4.7-Flash对多步骤任务的处理能力明显优于小型模型。这提示我们可以设计更复杂的技能工作流。

---

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。