OpenClaw(龙虾)Skills从零到发布的实战指南

目录

• 一、什么是 Skill？
• 二、Skill 的目录结构
• 三、SKILL.md 的核心格式
• 3.1 Frontmatter 字段详解
• 3.2 七个案例的 Frontmatter 对比分析
• 四、五种 Skill 类型实战
• 类型 1：纯提示词 Skill（无脚本）
• 类型 2：单脚本 Skill（Python）
• 类型 3：单脚本 Skill（Shell）
• 类型 4：外部 CLI 工具封装 Skill
• 类型 5：多脚本 + 参考文档 Skill
• 五、_meta.json 与 .clawhub/ 详解
• _meta.json — ClawHub 发布元数据
• .clawhub/origin.json — 安装来源信息
• 六、从零开发一个 Skill — 完整流程
• Step 1：创建目录
• Step 2：编写 SKILL.md
• Step 3：编写脚本
• Step 4：本地测试
• Step 5：发布到 ClawHub
• 七、开发最佳实践总结
• description 写作技巧
• 脚本设计模式
• 安全检查清单
• 开发检查清单

基于 7 个真实 Skill 案例的深度解析，从零到发布，手把手教你开发 OpenClaw Skill。

Skill 是 OpenClaw 的核心扩展机制。通过编写一个 SKILL.md 文件，你就能教会 AI Agent 新的能力。

简单理解：

• Tool（工具） = Agent 的手脚（文件读写、Shell 执行、网络请求等通道）
• Skill（技能） = 加载到这些通道上的具体能力（搜索、查票、股票分析等）

Skill 的加载优先级（从高到低）：

优先级	类型	路径	说明
1	工作区 Skill	~/.openclaw/workspace/skills/	当前工作区专属
2	托管 Skill	~/.openclaw/skills/	通过 ClawHub 安装的共享 Skill
3	内置 Skill	随 OpenClaw 分发	官方内置

每个 Skill 就是一个文件夹，核心是 SKILL.md：

my-skill/
├── SKILL.md           # 必须：技能定义文件（YAML frontmatter + Markdown 指令）
├── _meta.json         # 可选：ClawHub 发布元数据
├── .clawhub/          # 可选：ClawHub 安装来源信息
│   └── origin.json
├── scripts/           # 可选：可执行脚本
├── references/        # 可选：参考文档（按需加载，不常驻上下文）
└── assets/            # 可选：模板、图标等静态资源

我们来看 7 个真实案例的目录结构对比：

Skill	目录结构	复杂度
summarize	仅 SKILL.md + _meta.json	⭐ 最简单 — 纯提示词 Skill
skill-vetter	仅 SKILL.md + _meta.json	⭐ 纯提示词 + 流程协议
12306-query	SKILL.md + scripts/query_tickets.py	⭐⭐ 单脚本 Skill
tavily-search	SKILL.md + search.sh	⭐⭐ 单脚本（Shell）
akshare-stock	SKILL.md + scripts/stock_cli.py	⭐⭐ 单脚本 + 丰富 API 文档
agent-browser	仅 SKILL.md	⭐⭐ 外部 CLI 工具封装
firecrawl	SKILL.md + scripts/ × 3 + references/api.md	⭐⭐⭐ 多脚本 + 参考文档

SKILL.md 由两部分组成：YAML frontmatter（元数据） + Markdown body（指令正文）。

---
name: my-skill                    # 必须：技能标识符，小写字母+连字符
description: 技能描述...           # 必须：AI 根据这个决定何时调用该技能
version: 1.0.0                    # 可选：版本号
author: your-name                 # 可选：作者
user-invocable: true              # 可选：是否可通过斜杠命令手动调用
disable-model-invocation: false   # 可选：设为 true 则禁止 AI 自动触发
triggers:                         # 可选：触发关键词列表
  - keyword1
  - keyword2
metadata:                         # 可选：扩展元数据
  openclaw:
    requires:
      env:
        - MY_API_KEY              # 需要的环境变量
      bins:
        - python                  # 需要的系统命令
---

最关键的字段是 description — AI 完全依赖它来判断何时调用你的 Skill。

让我们看看 7 个真实 Skill 是怎么写 frontmatter 的：

案例 1：summarize（纯提示词 Skill）

---
name: summarize-pro
description: When user asks to summarize text, articles, documents, meetings,
  emails, YouTube transcripts, books, PDFs, reports, conversations, or any
  long content. Also handles bullet points, key takeaways, action items,
  TL;DR, ELI5, executive summaries...
---

分析：description 极其详尽，列举了所有可能的触发场景。这是纯提示词 Skill 的典型写法 — 因为没有脚本，全靠 description 让 AI 知道"什么时候该用我"。

案例 2：12306-query（API 调用 Skill）

---
name: 12306-query
description: 中国铁路 12306 火车票余票查询。使用官方 API 查询车次、票价、余票信息。
  支持按出发站/到达站/日期筛选。当用户需要查询火车票信息（余票、车次、票价、时刻表）时使用此技能。
---

分析：description 用中文写，明确说明了"做什么"和"什么时候用"。最后一句"当用户需要查询火车票信息时使用此技能"是关键的触发条件描述。

案例 3：firecrawl（需要 API Key 的 Skill）

---
name: firecrawl
description: Web search and scraping via Firecrawl API. Use when you need to
  search the web, scrape websites (including JS-heavy pages), crawl entire
  sites, or extract structured data from web pages. Requires FIRECRAWL_API_KEY
  environment variable.
---

分析：在 description 中直接提到了环境变量依赖，让用户一眼就知道需要配置什么。

案例 4：tavily-search（带 triggers 的 Skill）

---
name: tavily-search-skill
description: Tavily API integration with real-time quota management and paid mode toggle.
version: 1.0.4
author: JayeGT002
triggers:
  - tavily
  - search
  - web search
---

分析：使用了 triggers 字段列出触发关键词，这是除 description 之外的另一种触发机制。

案例 5：agent-browser（外部工具封装 Skill）

---
name: agent-browser
description: Headless browser automation CLI optimized for AI agents with
  accessibility tree snapshots and ref-based element selection
metadata: {"clawdbot":{"emoji":"🌐","requires":{"commands":["agent-browser"]}}}
---

分析：通过 metadata.requires.commands 声明了外部依赖 agent-browser CLI 工具。

最简单的 Skill 类型，不需要任何脚本，完全通过 Markdown 指令引导 AI 行为。

代表案例：summarize（文本摘要）和 skill-vetter（安全审查）

summarize 的核心设计思路：

# Summarize Pro — Your AI Summarization Engine
You are a powerful text summarizer...
## Examples
User: "summarize this: [pastes long article]"
User: "tldr: [pastes text]"
User: "eli5: quantum computing"
## FEATURE 1: Quick Summary (Default)
When user pastes text or says "summarize this":
1. Analyze the text length and content type
2. Produce a summary in the user's default format
📝 SUMMARY
━━━━━━━━━━━━━━━━━━
[3-5 bullet points capturing the main ideas]
📊 Stats: [X] words → [Y] words ([Z]% reduction)

这个 Skill 的精髓在于：

1. 角色设定：开头就告诉 AI "You are a powerful text summarizer"
2. 示例驱动：列出大量用户可能的输入方式
3. 格式模板：为每种摘要类型定义了精确的输出格式
4. 行为规则：明确的 Behavior Rules 约束 AI 行为

skill-vetter 则是另一种纯提示词模式 — 流程协议型：

## Vetting Protocol

### Step 1: Source Check
- [ ] Where did this skill come from?
- [ ] Is the author known/reputable?

### Step 2: Code Review (MANDATORY)
🚨 REJECT IMMEDIATELY IF YOU SEE:
• curl/wget to unknown URLs
• Sends data to external servers
• Uses eval() or exec() with external input
...

### Step 3: Permission Scope
### Step 4: Risk Classification

它定义了一套完整的安全审查流程，AI 按步骤执行即可。

纯提示词 Skill 的开发要点：

• description 要尽可能详尽地列举触发场景
• 正文用清晰的结构化格式（标题、列表、表格）
• 提供输出模板，让 AI 的回复格式一致
• 设定明确的行为边界和规则

通过 Python 脚本调用外部 API，是最常见的 Skill 类型。

代表案例：12306-query（火车票查询）

核心脚本 scripts/query_tickets.py 的设计模式：

#!/usr/bin/env python3
"""12306 火车票余票查询脚本"""
# 1. 常量定义 — API 地址和缓存数据
TICKET_QUERY_URL = "https://kyfw.12306.cn/otn/leftTicket/query"
COMMON_STATIONS = {
    "北京": "BJP",
    "上海": "SHH",
    "广州": "GZQ",
    # ...
}
# 2. 辅助函数 — 站点编码查询
def get_station_code(station_name):
    """先查缓存，再查 API"""
    if station_name in COMMON_STATIONS:
        return COMMON_STATIONS[station_name]
    # 从 12306 官方 JS 文件解析...
# 3. 核心函数 — 调用 API 查询
def query_tickets(from_station, to_station, date):
    from_code = get_station_code(from_station)
    to_code = get_station_code(to_station)
    session = requests.Session()
    params = {
        "leftTicketDTO.train_date": date,
        "leftTicketDTO.from_station": from_code,
        "leftTicketDTO.to_station": to_code,
        "purpose_codes": "ADULT",
    }
    response = session.get(TICKET_QUERY_URL, params=params, headers=headers, timeout=10)
    # 解析返回数据...
# 4. 格式化输出 — 表格形式，AI 友好
def format_tickets(tickets):
    print("{:<8} {:<10} {:<10} {:<8} ...".format(
        "Train", "Depart", "Arrive", "Duration", ...))
    for t in tickets:
        print(...)
# 5. 命令行入口
def main():
    if len(sys.argv) < 4:
        print("用法：python query_tickets.py <出发站> <到达站> <日期>")
        sys.exit(1)
    # ...
if __name__ == "__main__":
    main()

对应的 SKILL.md 中这样引导 AI 调用脚本：

## 快速开始

使用脚本查询余票：
​```bash
python scripts/query_tickets.py <出发站> <到达站> <日期>
​```

日期格式：YYYY-MM-DD（如 2026-04-01）

单脚本 Skill 的设计四原则：

原则	做法	原因
输出结构化	表格/Markdown/JSON 格式	AI 能直接解析结构化结果
参数校验优先	缺参数时 sys.exit(1)	让 OpenClaw 捕获错误并提示用户
结果截断	限制输出长度	防止过长输出撑爆上下文窗口
使用 {baseDir}	脚本路径用变量引用	运行时自动替换为实际路径

代表案例：tavily-search（Tavily 搜索）

Shell 脚本适合调用 REST API 的场景，search.sh 的核心结构：

#!/bin/bash

# 1. 环境变量校验 — 最重要的第一步
if [ -z "$TAVILY_API_KEY" ]; then
    echo "ERROR: TAVILY_API_KEY environment variable is not set" >&2
    exit 1
fi

# 2. 依赖检查
if ! command -v curl &> /dev/null; then
    echo '{"error":"curl is not installed"}'
    exit 1
fi
if ! command -v jq &> /dev/null; then
    echo '{"error":"jq is not installed"}'
    exit 1
fi

# 3. 核心搜索函数 — 带重试机制
perform_search() {
    local query="$1"
    local max_results="${2:-5}"
    
    local response=$(curl -s -X POST "$TAVILY_ENDPOINT" 
        -H "Content-Type: application/json" 
        -d "{
            "api_key": "$TAVILY_API_KEY",
            "query": "$query",
            "max_results": $max_results
        }")
    
    # 输出 JSON 格式结果
    echo "$body" | jq '{query: .query, results: .results, quota_info: ...}'
}

# 4. 子命令路由
case "$1" in
    --usage)        show_usage ;;
    --status)       show_status ;;
    --toggle-paid-mode) toggle_paid_mode ;;
    *)              perform_search "$1" "$2" "$3" ;;
esac

这个 Skill 的亮点是配额管理：每次搜索后自动查询剩余配额，避免超额使用。

代表案例：agent-browser（浏览器自动化）

这类 Skill 不自带脚本，而是封装已有的 CLI 工具。SKILL.md 的核心是命令手册：

## Core Workflow
​```bash
# 1. Navigate and snapshot
agent-browser open https://example.com
agent-browser snapshot -i --json

# 2. Parse refs from JSON, then interact
agent-browser click @e2
agent-browser fill @e3 "text"

# 3. Re-snapshot after page changes
agent-browser snapshot -i --json
​```

## Key Commands
### Navigation
​```bash
agent-browser open <url>
agent-browser back | forward | reload | close
​```

### Interactions (Ref-based)
​```bash
agent-browser click @e2
agent-browser fill @e3 "text"
agent-browser hover @e4
​```

封装型 Skill 的写法要点：

• 提供完整的命令参考，让 AI 知道有哪些命令可用
• 给出典型工作流（Workflow），而不只是命令列表
• 说明何时用这个工具、何时用其他替代方案
• 声明安装方式，让用户知道如何获取外部工具

代表案例：firecrawl（网页抓取）

这是最完整的 Skill 结构：

firecrawl/
├── SKILL.md              # 简洁的入口文档
├── scripts/
│   ├── search.py         # 搜索脚本
│   ├── scrape.py         # 单页抓取脚本
│   └── crawl.py          # 全站爬取脚本
└── references/
    └── api.md            # 详细 API 文档（按需加载）

SKILL.md 保持简洁，只提供快速入口：

## Quick Start

### Search the web
​```bash
firecrawl_search "your search query" --limit 10
​```

### Scrape a single page
​```bash
firecrawl_scrape "https://example.com"
​```

## API Reference
See [references/api.md](references/api.md) for detailed API documentation.

详细的 API 文档放在 references/api.md 中，只在需要时加载。这利用了 OpenClaw 的三级加载机制：

层级	内容	加载时机	建议大小
第 1 级	name + description	始终在上下文中	~100 词
第 2 级	SKILL.md 正文	技能被触发时	< 500 行
第 3 级	references/ 中的文件	正文指示读取时	不限

三个脚本共享相同的设计模式：

# 所有脚本的统一模式
def main_function(params):
    # 1. 读取 API Key
    api_key = os.environ.get("FIRECRAWL_API_KEY")
    if not api_key:
        print("Error: FIRECRAWL_API_KEY not set", file=sys.stderr)
        sys.exit(1)
    # 2. 构建请求
    data = json.dumps({"url": url, "formats": ["markdown"]}).encode()
    req = urllib.request.Request(url, data=data, headers={...})
    # 3. 发送请求 + 错误处理
    try:
        with urllib.request.urlopen(req, timeout=30) as resp:
            result = json.loads(resp.read().decode())
            return result
    except HTTPError as e:
        print(f"Error: {e.code}", file=sys.stderr)
        sys.exit(1)
# 4. argparse 命令行接口
def main():
    parser = argparse.ArgumentParser()
    parser.add_argument("url", help="URL to scrape")
    parser.add_argument("--json", action="store_true")
    args = parser.parse_args()
    # ...

注意：firecrawl 的脚本只用了标准库 urllib.request，没有引入 requests 等第三方依赖，这降低了安装门槛。

当你通过 ClawHub 发布 Skill 后，会自动生成 _meta.json：

{
  "ownerId": "kn78ns1svg36jybcqfkxhtvcp182kf18",  // 作者 ID
  "slug": "tavily-search-skill",                    // URL 标识符
  "version": "1.0.4",                               // 当前版本
  "publishedAt": 1773128020068                       // 发布时间戳
}

通过 clawhub install 安装的 Skill 会有这个文件：

{
  "version": 1,
  "registry": "https://clawhub.ai",          // 注册中心地址
  "slug": "tavily-search-skill",             // Skill 标识
  "installedVersion": "1.0.4",               // 安装的版本
  "installedAt": 1774932128743               // 安装时间戳
}

假设我们要开发一个"GitHub 仓库信息查询"Skill：

mkdir -p ~/.openclaw/workspace/skills/github-repo-info

---
name: github-repo-info
description: 查询 GitHub 仓库信息，包括 star 数、fork 数、最近更新时间、主要语言等。
  当用户询问某个 GitHub 仓库的信息、统计数据或状态时使用此技能。
metadata:
  openclaw:
    requires:
      bins:
        - curl
---
# GitHub 仓库信息查询
查询任意 GitHub 公开仓库的基本信息。
## 使用方式
​```bash
bash {baseDir}/scripts/query.sh <owner> <repo>
​```
示例：
​```bash
bash {baseDir}/scripts/query.sh facebook react
bash {baseDir}/scripts/query.sh microsoft vscode
​```
## 输出内容
- 仓库名称和描述
- Star / Fork / Issue 数量
- 主要编程语言
- 最近更新时间
- 开源协议
## 注意事项
- 仅支持公开仓库
- GitHub API 未认证时限制 60 次/小时
- 如需更高频率，可设置 GITHUB_TOKEN 环境变量

#!/bin/bash
# scripts/query.sh — GitHub 仓库信息查询

if [ -z "$1" ] || [ -z "$2" ]; then
    echo "用法: query.sh <owner> <repo>"
    echo "示例: query.sh facebook react"
    exit 1
fi

OWNER="$1"
REPO="$2"
AUTH_HEADER=""

if [ -n "$GITHUB_TOKEN" ]; then
    AUTH_HEADER="-H "Authorization: token $GITHUB_TOKEN""
fi

RESPONSE=$(curl -s "https://api.github.com/repos/$OWNER/$REPO" $AUTH_HEADER)

if echo "$RESPONSE" | jq -e '.message' > /dev/null 2>&1; then
    echo "Error: $(echo $RESPONSE | jq -r '.message')"
    exit 1
fi

# 输出结构化结果
echo "$RESPONSE" | jq '{
  name: .full_name,
  description: .description,
  stars: .stargazers_count,
  forks: .forks_count,
  open_issues: .open_issues_count,
  language: .language,
  license: .license.name,
  updated_at: .updated_at,
  homepage: .homepage
}'

# 检查 Skill 状态
openclaw skills check
openclaw skills info github-repo-info

# 在 OpenClaw 对话中测试
# 输入："帮我查一下 facebook/react 这个仓库的信息"
# AI 应该自动触发 github-repo-info Skill

1. 访问 clawhub.ai，用 GitHub 账号登录
2. 点击 "Publish"，填写 Slug、Display Name、Version
3. 上传包含 SKILL.md 的文件夹
4. 系统自动校验格式
5. 确认 MIT-0 许可证，点击发布

从 7 个案例中提炼的 description 写作模式：

[做什么] + [使用什么技术/API] + [什么时候用/触发条件]

好的例子：

• ✅ "中国铁路 12306 火车票余票查询…当用户需要查询火车票信息时使用此技能"
• ✅ "Web search and scraping via Firecrawl API. Use when you need to search the web…"
• ✅ "Security-first skill vetting for AI agents. Use before installing any skill…"

从 7 个案例中总结的通用脚本模板：

#!/usr/bin/env python3
"""脚本描述"""
import sys, json, os
# 1. 环境变量/参数校验（失败时 exit(1)）
api_key = os.environ.get("MY_API_KEY")
if not api_key:
    print("Error: MY_API_KEY not set", file=sys.stderr)
    sys.exit(1)
# 2. 核心逻辑（API 调用 + 数据处理）
def do_work(params):
    try:
        response = requests.get(API_URL, params=params, timeout=10)
        return response.json()
    except Exception as e:
        print(f"Error: {e}", file=sys.stderr)
        sys.exit(1)
# 3. 格式化输出（Markdown/JSON/表格）
def format_output(data):
    print(json.dumps(data, indent=2, ensure_ascii=False))
# 4. CLI 入口（argparse 或 sys.argv）
if __name__ == "__main__":
    # ...

参考 skill-vetter 的审查标准，你的 Skill 应该：

• ❌ 不要向未知 URL 发送数据
• ❌ 不要硬编码 API Key 或密码
• ❌ 不要使用 eval() / exec() 处理外部输入
• ❌ 不要访问 ~/.ssh、~/.aws 等敏感目录
• ✅ 使用环境变量存储敏感信息
• ✅ 最小化权限范围
• ✅ 所有网络请求设置超时
• ✅ 完善的错误处理

[ ] SKILL.md frontmatter 包含 name 和 description
[ ] description 清晰描述触发条件和能力
[ ] 环境变量依赖声明在 metadata.requires.env
[ ] 系统命令依赖声明在 metadata.requires.bins
[ ] 脚本输出为结构化格式（Markdown/JSON/表格）
[ ] 敏感信息使用环境变量，不硬编码
[ ] 错误处理完善（缺参数 exit(1)，API 失败有清晰提示）
[ ] 本地测试通过
[ ] 发布前文件夹只包含 SKILL.md 和纯文本文件

以上就是OpenClaw(龙虾)Skills从零到发布的实战指南的详细内容，更多关于OpenClaw Skills开发指南的资料请关注风君子博客其它相关文章！