OpenClaw 是一个本地跑的 AI Agent 框架，支持自定义技能（skill）。每个技能就是一组脚本加一份描述文档（SKILL.md），Agent 根据任务上下文自动选择合适的技能来执行。

用了一段时间之后，发现很多重复性的工作可以沉淀成技能：系统监控、日志清理、日报生成、代码 diff 分析、需求校验……逐渐写了 19 个，按用途分成六类。

active-maintenance —— 每 2 小时跑一次，检查 CPU、内存、磁盘、电池、网络、温度。用 macOS 的 memory_pressure 命令拿内存压力，ping 检测网络连通性。超时 5 秒自动跳过（防止 ping 卡住拖垮整个流程）。只在异常时发飞书通知，没事不发。

session-auto-clean —— 每 5 分钟检查一次 OpenClaw 的会话文件大小。会话文件是 JSONL 格式，聊久了能涨到几十 MB，影响性能。超过阈值就自动把旧消息备份出去，只保留最近 N 条。支持回滚——备份文件保留 3 天。

backup-openclaw —— 每天 tar 打包一次 OpenClaw 的配置目录，存到 ~/Backups/openclaw/，只保留最近 3 份。

openclaw-log-cleaner —— 每天清理 gateway 和 commands 的日志文件，只保留当天的。旧日志按日期归档到子目录。

这四个技能是无脑跑的后台任务，配好 cron 之后基本不用管。写的时候踩过一个坑：active-maintenance 最早没加超时，网络断了 ping 会一直等，把整个定时任务拖住。后来每个外部命令都包了 5 秒超时才稳下来。

advanced-memory —— 最复杂的一个技能。OpenClaw 的对话历史是分散在多个会话里的，时间一长就找不到之前聊过什么。这个技能做了一个 autoDream 机制——每 24 小时自动把最近的会话记忆整合到一份 MEMORY.md 里。有三重门控：距上次整合超过 24 小时、积累了至少 5 个新会话、加锁防并发。还做了上下文压缩——当上下文窗口快满（剩余不到 13000 tokens）时自动触发压缩。

daily-retrospective —— 每天早上 6 点自动备份昨天的会话，用 LLM 生成摘要，推送到飞书。每次最多处理 20 个会话。摘要包含：做了什么、遇到什么问题、用了哪些技能、学到什么。

personal-daily-retrospective —— 和上面那个类似，但更偏个人视角：今天完成了什么、卡在什么地方、明天打算做什么。从 memory/YYYY-MM-DD.md 里提取信息，格式化输出。

记忆类技能的主要难点在 LLM 摘要的质量。早期的 daily-retrospective 生成的摘要经常是"今天处理了一些问题"这种没有信息量的话。后来在提示词里加了约束——必须包含具体的文件路径、命令、错误信息——质量才上去。

diff-test-analyzer —— 对比 master 和当前分支的代码变更，提取改动点，生成测试建议。它会把变更文件分成三类：重点关注（Service、Controller——业务逻辑集中的地方）、普通关注、可跳过（配置文件、注释修改）。对重点文件做逐行分析，标注风险等级（高/中/低），每个问题附带前后各 5 行上下文代码。

requirement-analyzer —— 分析需求文档的质量。检测模糊词（"可能"、"优化"、"及时"这类），评估完整性、清晰性、一致性、可测试性，输出一个 75 分制的评分和问题清单。

requirement-consistency-check —— 最花心思的技能之一。拿到原始需求文档和代码 diff，逐条检查每个需求点是否被代码覆盖。和普通的"AI 帮我 review 代码"不同，这个技能要求每个判定都要双证据——需求文档里的原文 + 代码里的对应实现。状态分四种：已覆盖、部分覆盖、未覆盖、无法判断（区分"确定没实现"和"可能实现了但找不到证据"）。

代码质量类技能写起来最费劲的地方是降低误报率。AI 做代码 review 特别容易报"可能存在空指针"、"建议加异常处理"这种正确但没用的建议。diff-test-analyzer 做了一条硬规则：只报"100% 可确定"的缺陷（比如代码明确违反了某条规则），不报"可能存在"的风险。

auto-model-switcher —— 根据任务类型自动选模型。日常对话用 glm-4.7，复杂推理升级到 qwen3.5-plus，写代码切 qwen3-coder，处理 PDF 用 kimi，写作用 MiniMax。切换时自动重启 gateway，用户无感知。任务完成后恢复默认模型。

agent-browser-2 —— 用自然语言操作浏览器。不用写 Playwright 代码，直接说"打开某个网站，点击登录按钮，填入用户名"。底层用 openclaw browser 命令，每步操作自动截图存档。沙箱隔离，防止误操作。

api-gateway —— 本地 HTTP 反向代理，用 Node.js + Express 写的。功能很简单：转发请求，注入自定义 HTTP 头，加 CORS。绑定 127.0.0.1，有 /health 和 /config 两个管理端点。

baidu-search-pro —— 因为 OpenClaw 默认的搜索走的是 Brave Search，中文结果不好。这个技能用 Brave Search 的 region=CN、lang=zh 参数模拟百度的搜索意图，结果再用 LLM 提取摘要。如果 Brave 不可用就 fallback 到本地 CLI 工具。

auto-model-switcher 踩过一个坑：切换模型后如果 gateway 重启失败，会话就断了。后来加了重试逻辑（最多 3 次），重试全失败就自动恢复到默认模型。

macos-calendar —— 用 osascript 在 macOS 原生日历里创建事件。支持自然语言日期（"明天下午三点"），默认时长 1 小时，支持 JSON 批量导入。

macos-reminders —— 批量创建 macOS 提醒事项。支持优先级（高/中/低/无，对应红/橙/黄/白），高优先级提前 1 小时告警，中优先级提前 30 分钟。

这两个技能都依赖 macOS 的 AppleScript 接口。AppleScript 的错误信息很不友好——脚本语法错了返回的是一大段 "AppleEvent timed out"，完全看不出哪里有问题。调试的时候靠反复在 Script Editor 里试。

team-daily-report —— 扫描远程仓库，汇总最近 N 天所有人的 git 提交，按"项目 → 分支 → 改动 → 作者"组织输出。注意是从 origin/branch 拉取，不看本地提交。适合周一早上跑一次，看看上周团队都做了什么。

self-improving —— 监听对话中的纠正信号（比如"不对"、"not quite"），提议把你的纠正写成行为规则，存到 SOUL.md 里。每条规则需要人工审核确认才会保存。这个技能有点"元"——它不是完成某个具体任务，而是让 Agent 自己变得更懂你的偏好。

19 个技能，功能跨度很大：从 ping 一下网络到分析需求一致性。但模式是一样的——每个技能一份 SKILL.md 描述文档、一组 bash/python 脚本、一份 JSON 配置。Agent 根据 SKILL.md 里的描述决定什么时候调用。

写得最多的反而不是脚本本身，而是 SKILL.md。这份文档要写清楚技能做什么、什么时候该用、什么时候不该用、入参出参格式。写得不好 Agent 就会在错误的场景调用它，或者该用的时候不用。

19 个技能里真正每天在跑的大概 7 个（4 个系统维护 + 2 个日报 + 1 个会话清理），其余的按需触发。