把 AI 训练成你的专属助手——OpenClaw Skill 实操手册

2026年3月，一位做投资的朋友给我发了一段聊天记录。他每天要花将近两个小时，把前一天的市场反馈从各个渠道——微信、邮件、研报——汇总成一份固定格式的分析纪要。他试过用 Claude 帮他做，结果 Claude 不知道他的格式要求，每次都要重新教。他试过 GPT，GPT 记不住他公司内部的分类规则，输出来的东西总是要大幅修改。最后他花两千块找人定制了一个插件，用了不到两周就坏了，因为数据源的接口换了版本。他问我：AI 到底能不能帮我做这个？

我说：能。但你用错方法了。

Claude 和 GPT 都是通用模型。它们什么都会一点，但具体到你的工作场景——你的表格格式、你的分类规则、你公司的分析框架——它们一无所知。每次你都要重新教它们。这就像你每次要用实习生，都得从”我们公司用什么表格”开始重新培训。效率低，而且容易出错。

真正的解法不是换一个更强的模型，而是让 AI 记住你的规则。这件事，OpenClaw 把它做成了一个叫 Skill 的东西。

OpenClaw，圈内人叫它”小龙虾”（音似），是一个开源的 AI Agent 框架。它在 GitHub 上已经有超过 6.8万颗星标，是2026年最活跃的 AI 工具项目之一。但我想说的不是它的技术有多强，而是它的设计理念非常简单粗暴：

让 AI 不只是”回答问题”，而是”拥有专业技能”。

Skill 就是承载”专业技能”的载体。你可以把它理解为一个训练好的专业助手：你第一次花时间教它你的规则，之后每次调用，它都按你教的方式工作，不需要重新教。类比一下：通用 AI 是刚招进来的大学生实习生，什么都需要教。装了 Skill 的 AI 是已经培训完、懂你团队规范的正式员工，来了就能干活。

好了，理论讲完，动手。做一个专属 Skill，只需要四步。我用「会议纪要整理 Skill」作为贯穿例子，你可以直接套用到自己的场景。

第一步：想清楚「触发场景」

这是最关键的一步。你要回答：用户说什么话的时候，AI 应该自动调用这个 Skill？触发词写得越准确，AI 就越懂什么时候该用这个 Skill，什么时候不该用。以「会议纪要整理」为例，触发词可以是：”整理会议纪要”、”把这段录音整理成纪要”、”会议记录”。经验之谈：触发词不要只写同义词，要写场景。不要只写”会议纪要”，要写”整理今天下午的会议纪要”、”把这段录音整理成纪要格式”。场景写得越具体，AI 判断越精准。

第二步：用自然语言写「操作指令」

打开 WorkBuddy（或者任何支持 OpenClaw 的 AI 工具），直接说：

就这样，用自然语言，把你想让 AI 做的事一步一步写清楚。不需要写代码，不需要懂 JSON，就像写操作手册一样。AI 会帮你生成标准的 SKILL.md 文件，这就是 Skill 的核心——所有的”专业技能”都定义在这个文件里。

第三步：测试并迭代

Skill 写完后，马上测试。用触发词调用它，看看输出是否符合预期。如果不符合，直接修改 SKILL.md 文件里的指令，然后重新测试。我自己的经验：第一个版本通常不会一次写对，迭代2到3次是正常的。不要追求完美，先让它”能用”，再逐步优化。

第四步：发布和分享（可选）

如果你的 Skill 有通用价值，可以发布到 ClawHub——这是 AI Skill 的社区市场，类似于 npm 之于 Node.js，或者 Docker Hub 之于容器。发布之后，其他人可以一键安装你的 Skill，你也可以从社区安装别人写好的 Skill。站在别人的肩膀上，而不是从零开始造轮子。

如果你还不知道从哪个场景入手，我给你三个经过验证的 Skill 设计思路：「格式转换器」类——输入非结构化内容，按固定模板输出结构化内容。适合场景：会议纪要、周报、需求文档。这类 Skill 最容易写，也最容易见效，推荐新手首选。「知识库检索」类——把公司或团队的专属知识内置到 Skill 里，让 AI 回答问题时优先参考这些知识。适合场景：客户支持、技术支持。「工作流自动化」类——串联多个工具，完成一个完整的工作流。这类 Skill 技术含量最高，但提效最明显，适合进阶玩家。

邓世超

AI深度应用专家 | 职业讲师

畅销书《AI写作》《AI造课》《结构演讲力》作者