★ FEATURED ARTICLE 1. 为什么同样用 OpenClaw别人的小龙虾就是更听话很多人第一次装好 OpenClaw兴奋地丢一句「帮我整理下今天的资料」结果它回你一段泛泛而谈的废话或者干脆答非所问。转头看别人录屏同样是 OpenClaw输入「豆瓣 top250」就自动翻页抓数据、导出 CSV、顺手生成一个能看的 HTML 页面。差距不在模型也不在电脑配置而在一个东西Skill。Skill 是什么一句话它是给 AI Agent 装上的专项能力包。你可以把 OpenClaw 想象成一台刚出厂的手机系统自带的功能能打电话、能上网但你想让它干专业活就得装 App。Skill 就是 OpenClaw 的 App。没有 Skill 的 Agent 只会聊天装了 Skill 的 Agent 才会干活。qclaw 是腾讯基于 OpenClaw 做的对话入口能连微信和 QQ但底层跑的还是同一套 Skill 机制所以你在 qclaw 里学的东西换到原生 OpenClaw 一样能用。适合谁看三类人最该搞懂它。第一类装了 OpenClaw 但觉得「也就那样」的人问题多半出在没配 Skill第二类想让 Agent 自动处理重复工作的人比如每天抓数据、整理表格、生成报告第三类想把自己的一套流程固化下来、以后一句话触发的人。这篇不讲虚的从 skill.md 的结构讲到创建流程再给一份能直接复制的配置模板和验证动作让你对比自己的配置找到体验差距到底在哪。核心检索词先摆出来OpenClaw Skill 是什么、怎么用、怎么创建。这三个问题搞懂你的小龙虾才算真正养熟。下面按「问题场景 → 前置准备 → 可复制配置 → 验证结果 → 排错 → 进阶」的顺序走每一步都能跟着做。2. OpenClaw Skill 机制拆解与 qclaw 前置准备要理解 Skill先看它的载体skill.md。这是一个 Markdown 文件放在 OpenClaw 的技能目录里Agent 启动时会扫描这些文件把里面的描述读进上下文。skill.md 的核心不是代码而是「元信息 指令」。元信息告诉 Agent 这个技能叫什么、什么时候触发指令告诉 Agent 触发后该按什么步骤干活。一个 skill.md 通常包含这几块。第一块是 name技能的唯一标识比如 douban-movies。第二块是 description这是最关键的部分它描述了「输入什么关键词会触发这个 skill」。你写「抓取豆瓣 top250 电影」那用户输入「豆瓣 top250」时Agent 就会匹配到这个技能。第三块是触发条件可以理解成关键词列表或者意图描述。第四块是执行指令也就是 Agent 触发后要做什么比如「运行 scripts/fetch_douban_top250.py把结果保存为 CSV」。第五块是依赖说明比如需要哪些 Python 库、需要什么环境变量。为什么 description 这么重要因为 Agent 判断用不用某个 Skill靠的就是语义匹配。你 description 写得含糊比如「处理数据」那用户说「帮我看看这个表」它可能触发说「整理下销售记录」它也可能触发结果就是乱触发或者不触发。写得精准比如「抓取豆瓣电影 top250 的名称、年代、评分和简介导出 CSV」那匹配就准。这就是为什么别人的 OpenClaw 好用——他们的 skill.md 描述写得清楚触发条件卡得准。前置准备这块你需要一个能跑 OpenClaw 的环境。qclaw 的好处是开箱即用直接在对话里就能创建技能也能连微信和 QQ。如果你用原生 OpenClaw需要确认技能目录在哪通常是项目根目录下的 skills 文件夹。还要确认 Python 环境可用因为很多 Skill 会调用 Python 脚本。另外qclaw 时不时会提示「服务太火爆了请稍后重新发起请求」这是公共算力排队解决办法是设置用自己的大模型比如 Kimi、MiniMax在设置里填 API Key 和 Base URL 就行。这里要提一句模型接入。如果你想让 Skill 跑得稳建议把模型层也掌握在自己手里。TaoToken 提供统一的 API 入口Base URL 是 https://taotoken.net/api你可以在控制台创建 API Key然后在 OpenClaw 或 qclaw 的模型设置里填进去。这样 Skill 触发后的推理就走你自己的额度不受公共排队影响。具体接入文档在 https://taotoken.net/doc 可以查到模型对话入口在 https://taotoken.net/chat。这一步不是必须但想让体验稳定值得配。理解机制之后你会发现 Skill 的本质是「把一套工作流写成 Agent 能读懂的说明书」。说明书越清楚Agent 干得越准。接下来进入实操从创建一个空 Skill 开始。3. 可复制配置从空 Skill 到豆瓣 top250 抓取模板这一节给能直接抄的配置。先创建一个空 Skill在 qclaw 对话里直接说「帮我创建一个空的 skill」它会生成目录和基础文件。如果你用原生 OpenClaw手动建目录也行结构如下skills/ douban-movies/ skill.md scripts/ fetch_douban_top250.py关键是 skill.md 的内容。下面这份模板可以直接复制改掉 name 和 description 就能用--- name: douban-movies description: 抓取豆瓣 top250 电影的名称、年代、评分和简介导出 CSV 和 HTML 页面。当用户输入「豆瓣 top250」「豆瓣电影排行」「抓取豆瓣电影」时触发。 trigger: - 豆瓣 top250 - 豆瓣电影排行 - 抓取豆瓣电影 --- # 豆瓣 Top250 抓取技能 ## 执行步骤 1. 运行 scripts/fetch_douban_top250.py自动翻页抓取前 250 部电影。 2. 提取字段名称、年代、评分、简介。 3. 将结果保存为 data/douban_top250.csv。 4. 调用 scripts/render_html.py 生成 data/douban_top250.html 用于展示。 ## 依赖 - Python 3.9 - requests, beautifulsoup4, pandas ## 注意事项 - 抓取间隔不低于 1 秒避免请求过密。 - 若页面结构变化更新解析逻辑。这份配置里description 和 trigger 是触发层执行步骤是指令层依赖是环境层。三层齐了Agent 才知道「什么时候用、用了干什么、干之前要准备什么」。对应的 Python 脚本骨架如下放在 scripts/fetch_douban_top250.pyimport time import csv import requests from bs4 import BeautifulSoup BASE https://movie.douban.com/top250 HEADERS {User-Agent: Mozilla/5.0} def fetch_page(start): resp requests.get(f{BASE}?start{start}, headersHEADERS, timeout10) resp.raise_for_status() soup BeautifulSoup(resp.text, html.parser) items [] for node in soup.select(.item): title node.select_one(.title).get_text(stripTrue) rating node.select_one(.rating_num).get_text(stripTrue) year node.select_one(.bd p).get_text(stripTrue).split(/)[0].strip() intro node.select_one(.inq) intro intro.get_text(stripTrue) if intro else items.append([title, year, rating, intro]) return items def main(): all_items [] for start in range(0, 250, 25): all_items.extend(fetch_page(start)) time.sleep(1) with open(data/douban_top250.csv, w, newline, encodingutf-8) as f: writer csv.writer(f) writer.writerow([名称, 年代, 评分, 简介]) writer.writerows(all_items) print(f已保存 {len(all_items)} 条) if __name__ __main__: main()这段脚本负责抓取和存 CSV。HTML 渲染可以再写一个脚本或者让 Agent 触发 frontend-design 技能来生成。如果你在 qclaw 里可以直接说「在技能里选择 frontend-design 再生成一个漂亮的 html 页面」它会调用对应的设计技能效果比手写模板好。配置里还有一个点容易被忽略路径。skill.md 里写的 scripts/fetch_douban_top250.py 是相对路径相对于 skill 目录。如果你的 OpenClaw 工作目录不同要么改成绝对路径要么在 skill.md 里说明「脚本位于本技能目录下」。路径写错是新手最常见的坑Agent 找不到脚本就会报错或者干脆不执行。模型接入这块如果你想让 Skill 触发后的推理走自己的额度可以在 OpenClaw 的模型配置里填 TaoToken 的 Base URL 和 API Key。API Key 在 https://taotoken.net/api-keys 创建Base URL 用 https://taotoken.net/api。配置片段类似{ model_provider: taotoken, base_url: https://taotoken.net/api, api_key: sk-你的key, model_id: claude-sonnet-4-20250514 }Model ID 按你实际用的模型填Claude 系列、GPT 系列都支持。填完之后Skill 的触发判断和执行推理都走这个通道稳定性和速度都可控。如果你长期跑编码类 Agent 任务可以考虑 Coding Plan入口在 https://taotoken.net/coding-plan额度更划算。配置写完下一步是验证。别急着说「连上就能用」得实际跑一遍看结果。4. 验证请求与成功结果一句话触发完整工作流验证分三步。第一步确认 Skill 被识别。在 qclaw 对话里输入「查看技能列表」或者打开技能管理页面应该能看到 douban-movies。如果看不到说明 skill.md 没被扫描到检查目录位置和文件格式。YAML front matter 的---不能少缩进不能乱。第二步触发测试。直接输入「豆瓣 top250」观察 Agent 的反应。正常情况下它会识别到触发词读取 skill.md然后执行脚本。你会在对话里看到它说「正在运行 fetch_douban_top250.py」之类的过程提示。等几秒到几十秒取决于网络和翻页速度它会告诉你「已保存 250 条数据到 data/douban_top250.csv」。第三步检查产物。打开 data 目录应该有两个文件douban_top250.csv 和 douban_top250.html。CSV 用表格软件打开能看到名称、年代、评分、简介四列250 行数据。HTML 用浏览器打开是一个排版过的页面列出电影信息。如果 HTML 不好看回到对话里说「用 frontend-design 重新生成 html」它会调用设计技能产出一个更漂亮的版本。实测下来整个流程从输入到出结果顺利的话一两分钟。成功的关键标志有三个Agent 明确说出触发了哪个 Skill、脚本执行没有报错、产物文件真实存在且内容完整。三个都满足说明你的 Skill 配置是对的。这里对比一下「有 Skill」和「没 Skill」的差别。没配 Skill 时你输入「豆瓣 top250」Agent 只会回你一段介绍豆瓣 top250 是什么的文字因为它没有执行能力。配了 Skill 后它知道要跑脚本、要存文件、要生成页面。这就是体验差距的来源——不是模型变聪明了是你给了它干活的工具和说明书。验证通过后你可以把这个 Skill 固化下来。以后只要输入「豆瓣 top250」整套工作流自动跑。你还可以把工作流更新到 skill.md比如加上「生成 HTML 后自动打开浏览器预览」下次触发就多一步。Skill 是可以迭代的越用越顺手。如果你想让验证更严谨可以加一个检查步骤在 skill.md 的执行步骤里写「执行完成后输出 CSV 的行数和文件路径」。这样 Agent 每次都会汇报结果你能一眼看出有没有漏抓。这个技巧在调试阶段特别有用。5. 常见报错排查401、local proxy failed、reading choices、OAuthSkill 跑不起来多半是下面几类错。逐个对照找到你的那条。第一类401 Unauthorized。这个通常出现在模型接入环节。你填的 API Key 不对、过期或者 Base URL 写错了。检查 https://taotoken.net/api-keys 里的 Key 是否复制完整Base URL 是不是 https://taotoken.net/api。注意 Base URL 后面不要多加斜杠或者路径有些客户端对格式敏感。如果用的是 Claude Code 类工具OAuth 流程走不通时改用 API Key 方式在配置里填 Base URL、Key、Model ID 三件套。三件套缺一不可只填 Key 不填 Base URL 也会 401。第二类local proxy failed。这个报错说明客户端在尝试走本地代理但代理没起来或者端口不对。检查你的网络配置确认没有残留的代理设置。如果你在 OpenClaw 或 qclaw 的设置里填了代理地址把它清掉直连即可。有些工具默认读系统代理系统代理关了但工具配置里还留着就会报这个。排查方法是看配置文件里有没有 proxy 相关字段有就删掉。第三类reading choices 相关报错。这个一般出现在模型返回格式不符合预期时。比如你用的模型返回结构变了客户端解析 choices 字段失败。解决办法是确认 Model ID 填对了不同模型的返回格式有差异。如果你在 TaoToken 控制台切换了模型记得同步更新配置里的 Model ID。另外有些客户端对流式返回和非流式返回处理不同如果报这个错试试关掉流式开关。第四类OAuth 相关报错。Claude Code 这类工具默认走 OAuth 登录如果你用的是 API Key 接入需要在配置里明确指定认证方式。settings 文件里通常有 auth 字段改成 api_key 模式然后填 Key。如果还是报 OAuth 错检查是不是有缓存的 token 文件删掉重新配置。CC Switch 这类切换工具配置时要写全 Base URL、Key、Model ID少一个都会认证失败。第五类Skill 不触发。这个不是报错但比报错更让人困惑。Agent 收到「豆瓣 top250」却没反应说明 description 或 trigger 没匹配上。检查 skill.md 里的关键词是否和你的输入一致语义匹配对措辞敏感。你可以把 trigger 写得更宽泛比如加上「豆瓣」「电影排行」等词。另外确认 skill.md 文件编码是 UTF-8中文乱码会导致匹配失败。第六类脚本执行报错。Agent 说「正在运行脚本」然后报 Python 错误。常见原因是依赖没装比如缺 requests 或 beautifulsoup4。在 skill.md 的依赖里写清楚然后手动 pip install 一遍。还有可能是路径问题脚本里的相对路径和实际工作目录不一致。建议在脚本里用绝对路径或者用 os.path.dirname(file) 定位。排查的核心思路是分层先确认模型接入通不通401、OAuth再确认 Skill 识别没识别不触发最后确认脚本跑没跑通执行报错。一层层往下查别跳步。每解决一类你的 OpenClaw 就稳一分。6. 从自建 Skill 到灵感广场让 Agent 越用越顺手自己写 Skill 是基本功但不必所有东西都从零造。qclaw 和 OpenClaw 生态里有灵感广场可以直接找别人做好的 Skill 导入。导入方式很简单在「添加技能」里输入 GitHub 链接它会自动拉取 skill.md 和脚本。比如之前有人分享的「同事 Skill」导入后就能用。导入第三方 Skill 时注意看它的依赖和权限别让它跑你没预期的脚本。自建和导入结合是效率最高的路子。通用能力用现成的比如前端设计、文档处理你自己的专属流程自己写比如公司内部的报表生成、特定数据源的抓取。写好的 Skill 可以导出分享也能版本管理。skill.md 本质是文本文件用 Git 管起来改了什么一目了然。进阶玩法是把多个 Skill 串起来。比如豆瓣抓取 Skill 跑完自动触发 frontend-design Skill 生成页面再触发一个「发送到微信」的 Skill 把结果推给你。这种编排在 skill.md 里写清楚步骤就行Agent 会按顺序执行。qclaw 连了微信和 QQ推送这一步天然支持。还有一个提升稳定性的技巧把模型层固定下来。公共算力排队时提示「服务太火爆」体验会断。设置自己的模型比如通过 TaoToken 接入 Kimi、MiniMax 或 Claude 系列Skill 触发后的推理就走你的通道。配置入口在 https://taotoken.net/api-keys接入文档在 https://taotoken.net/doc。长期跑 Agent 任务的话Coding Plan 在 https://taotoken.net/coding-plan 有更合适的额度方案。最后说个心态问题。Skill 不是一次写完就完美的它像养宠物得调。触发不准就改 description脚本报错就修脚本产物不满意就换设计技能。每次迭代都让 Agent 更懂你。别人的 OpenClaw 好用不是他们天赋异禀是他们把 skill.md 写清楚了把工作流固化下来了。你照着这篇的模板走一遍差距就补上了。现在就去创建一个空 Skill把「豆瓣 top250」跑通你的小龙虾就算正式上岗了。
阅读完成 · 觉得有帮助？
