把 OpenClaw 当「需要安装插件的软件」来用,将是你犯的最大错误

一个真实的需求

我最近在追两个 AI 研究方向：一是怎么在保持模型能力的前提下压缩参数规模（蒸馏、剪枝、量化那一套），二是怎么让小模型在特定领域干得漂亮。

这两个方向每天都有新论文冒出来，arXiv 上刷不过来，HuggingFace 上的 Daily Papers 也经常漏看。我需要一个东西帮我盯着，每天过滤一遍，把相关的论文摘出来，做个中文摘要推给我。

于是我想到了 OpenClaw。

第一反应：逛商店，装插件

打开 ClawHub 一搜，好家伙，相关的 Skill 还真不少：

（1）arxiv-osiris —— 搜索和下载 arXiv 论文；

（2）agentic-paper-digest —— 自动抓取论文并生成摘要；

（3）academic-research —— 基于 OpenAlex 的学术搜索；

（4）blogwatcher —— RSS/博客监控。

看起来完美。我甚至已经在脑子里画好了架构图：先装这四个 Skill，然后写个 Cron Job 串起来，再配个去重逻辑……

等等，我停了下来。

我往下翻了翻 ClawHub 的页面，看到了那行小字：

Skills in this list are curated, not audited. Agent skills can include prompt injections, tool poisoning, hidden malware payloads, or unsafe data handling patterns。

5400+ 个 Skill，社区提交，没有完整审计。之前 ClawHavoc 事件中超过 1200 个恶意 Skill 混进了市场。而这些 Skill 一旦安装，就能读你的文件、执行 shell 命令、访问网络。

我关掉了 ClawHub 页面。

转折：一句话点醒了我

我退回去问了一个更基础的问题：OpenClaw 自己自带什么？

答案是四个内置工具：

🖥shell —— 能执行任何命令行操作

🌐browser —— 能浏览任何网页

🧠memory —— 能记住东西

⏰cron —— 能定时执行任务

然后我意识到一件事：

arXiv 有公开的 API，一条curl命令就能查。HuggingFace Papers 是个公开网页，浏览器打开就能看。去重只需要记住处理过的论文 ID。定时执行就是个 Cron Job。

我要的所有功能，OpenClaw 出厂就能干。

那我刚才为什么在逛 Skill 商店？

程序员思维 vs AI-native 思维

回头看，我的第一反应完全是程序员思维：

有需求 → 找库/找插件 → 安装依赖 → 写代码串起来 → 跑起来

这套思路放在传统开发里天经地义。你要解析 XML，你装lxml。你要请求 API，你装requests。你要定时跑任务，你装celery。整个流程就是把功能拆成模块，每个模块找一个第三方包去解决。

但 OpenClaw 不是一个需要安装依赖的运行时。它是一个能理解自然语言、能操作电脑、能记住东西的助理。

AI-native 的思路应该是：

有需求 → 告诉助理你要什么 → 让它自己想怎么干 → 干完了告诉你

你不需要给它装一个「arXiv 插件」，就像你不需要给你的真人助理「安装一个查论文模块」——你只需要告诉它：「帮我用 curl 查一下 arXiv API，关键词是这些，结果按这个格式整理。」

它认识 arXiv API。它会写 curl 命令。它能解析 XML。这些能力不是某个 Skill 给它的，是它自带的。

我实际做了什么

最终我的方案简单得让我自己都有点惭愧：

❶一个纯文本 Skill 文件（本质只是一份参考文档，没有可执行代码），定义了关注的关键词、评分标准和输出格式。

❷一段教学 Prompt，告诉 OpenClaw 采集的具体步骤：先 curl arXiv API 拿论文，再用 browser 浏览 HuggingFace，合并去重，打分筛选，存入 memory。

❸三个 Cron Job：每天 8 点出日报，每周一出周报，每周四追踪 HuggingFace 新小模型。

就这样。没有安装任何第三方 Skill。没有引入任何来路不明的代码。整套系统的攻击面只有 OpenClaw 本身和它连接的 LLM。

下面是实际推送效果的样子：

📊AI 研究日报 | 2026-03-13

━━━━━━━━━━━━━━━━━━━━

共发现4篇新相关论文

🔥高相关（4-5分）：

📄1. BitNet v2: Native Support for Mixed Precision in 1-Bit LLMs

🏷️ [模型压缩] ⭐5/5

💡让 1-bit 大模型原生支持混合精度，兼顾压缩和精度

🔑要点：

• 分层精度分配，注意力头 4-bit，FFN 压至 1-bit

• 7B 模型体积缩小 5.2 倍，MMLU 仅降 1.3 分

• 推理吞吐提升 3.8 倍（A100 实测）

🔗 https://arxiv.org/abs/2603.xxxxx

Skill 不是不好，是思路不该从哪里开始

我不是说 Skill 生态没有价值。有些场景确实需要：对接复杂的 OAuth 认证、使用特定的二进制工具、处理需要编译的底层库。这些事情超出了「用 curl 和浏览器就能搞定」的范畴，封装成 Skill 合情合理。

但如果你的需求可以拆解成「请求一个公开 API」「浏览一个网页」「记住一些东西」「定时执行」这几个基本动作的组合，那你大概率不需要任何 Skill。

更重要的是，思考的起点不应该是「有没有现成的 Skill 能用」，而应该是「我怎么用自然语言把需求描述清楚」。

前者是在用 2015 年的方式使用 2026 年的工具。

一点感悟

写代码十几年了，我发现最难改的不是技术栈，是思维习惯。

面对 OpenClaw 这样的工具，程序员的本能是去看文档、找 API、装依赖、写配置。但这东西的正确打开方式就是——跟它说话。

就好像你刚入职一家公司，你的助理来报道。你不会去给助理安装一个「查论文」技能模块，你会说：「每天帮我看看 arXiv 上有没有关于模型压缩的新论文，有的话整理成摘要发给我。」

如果助理听不懂或者做得不好，你会说得更具体一点：「用这几个关键词搜，按这个格式整理，已经发过的不要重复发。」

这就是全部了。

Skill 商店是给程序看的。

Prompt 才是给助理看的。

而你面前的这个 AI，是助理，不是程序。