OpenClaw 的 Skills 机制:大模型如何＂看见＂可用能力

AI 怎么突然会这么多技能？

2023 年 3 月，Anthropic 推出了 Claude——一个"有用、诚实、无害"的 AI 助手。当时它只会聊天、回答问题，像是一个聪明的"对话机器人"。

到了 2025 年初，Anthropic 又推出了 Claude Code——一个能直接操作电脑的 AI 编程助手。它不仅能聊天，还能写代码、查资料、运行命令。

但真正让 AI "能力爆炸"的，是 2025 年 10 月 Anthropic 推出的 Agent Skills 功能。同时期，OpenAI 也在他们的 Codex 中加入了类似的 Agent Skills 概念。

这个被称为 Skills（技能）机制 的东西，让 AI 从"只会回答问题"变成了"能动手干活"的全能助手。

今天，我们就来聊聊 OpenClaw 的 Skills 机制——一个让普通用户也能拥有 AI "超能力"的开源实现。

一句话理解 Skills

Skills 就是给 AI 的"使用说明书"。

想象一下：

你买了一个复杂的咖啡机，第一次用的时候要看说明书
Skills 就是 AI 看的使用说明书，告诉它"什么时候用什么工具"
更妙的是，AI 自己能看懂说明书，不需要程序员提前写死代码

这就是 Skills 的核心理念：用自然语言描述能力，让 AI 自己决定什么时候调用。

OpenClaw 是怎么工作的？

场景一：没有 Skills 的 AI

你问 AI："北京今天天气怎么样？"

AI 的回答："抱歉，我没有获取实时天气的能力。"

为什么？ 因为 AI 本身只是一个"大脑"，它不知道外面的世界有什么工具可用。就像一个人很聪明，但手里没有任何工具，什么也做不了。

场景二：有了 Skills 的 AI

同样的提问，但这次 OpenClaw 给 AI 配了一个 "Weather Skill"（天气技能）。

第一步：AI "看到"了技能清单

OpenClaw 在对话开始时，会给 AI 看一张"技能卡片"：

技能名称：天气查询
用途：当用户询问天气、温度时使用
工具：调用 wttr.in 网站获取数据

第二步：AI 自己判断

AI 看到你的问题是"北京天气"，它对照技能卡片，心想："嗯，这个问题匹配'天气查询'技能，我应该使用它。"

第三步：AI 读取详细说明书

AI 打开 Skill 的详细说明（平时不加载，用时才看），发现只需要调用一个命令就能获取天气。

第四步：执行并返回结果

AI 调用工具，获取到"北京 15°C 晴天"，然后用自己的话回复你："北京今天天气不错，15°C，适合出门！"

为什么 Skills 这么强大？

1. 不需要写代码，只需要写"说明书"

传统的 AI 工具扩展需要程序员写代码、改程序、重新部署。而 Skills 只需要写一个 Markdown 文件，描述：

这个技能是做什么的
什么时候该用它
具体怎么用

就像写一份简单的使用说明，AI 就能学会。

2. 按需加载，不浪费"脑力"

OpenClaw 不会把所有 Skills 的细节都塞给 AI（那样会让 AI "脑子"装满，反应变慢）。

相反，它采用"渐进式披露"：

平时：只告诉 AI "有哪些技能卡片"
用时：AI 主动查阅详细说明书
资源：复杂的参考资料只在需要时读取

这就像你的工具箱——平时只看到工具名称，用的时候才拿出具体工具查看怎么用。

3. 即插即用，能力无限扩展

想象一下这个场景：

今天早上，你的 OpenClaw 只会查天气。

下午，你从网上下载了一个 "GitHub Skill"，把它放到 Skills 文件夹里。

不需要重启，不需要配置，OpenClaw 立刻就能帮你管理代码仓库了。

晚上，你又加了一个 "视频剪辑 Skill"，AI 就能帮你剪视频了。

你的 AI 助手就像乐高积木，加一块 Skill，就多一种能力。

OpenClaw + LLM + Skills：三者如何配合？

我们用一张图来解释：

┌─────────────────────────────────────────┐
│              用户提问                    │
│         "帮我查下北京天气"                │
└─────────────────────────────────────────┘
                   ↓
┌─────────────────────────────────────────┐
│           OpenClaw Gateway              │
│  ┌─────────────┐  ┌─────────────────┐   │
│  │ 扫描 Skills │  │ 整理技能清单     │   │
│  └─────────────┘  └─────────────────┘   │
└─────────────────────────────────────────┘
                   ↓
┌─────────────────────────────────────────┐
│              AI 大脑 (LLM)               │
│  "用户问天气 → 匹配天气 Skill            │
│   → 查阅详细说明 → 调用工具"            │
└─────────────────────────────────────────┘
                   ↓
┌─────────────────────────────────────────┐
│            调用 Weather Skill           │
│         获取数据 → 返回结果              │
└─────────────────────────────────────────┘
                   ↓
┌─────────────────────────────────────────┐
│         AI 用自然语言回复用户            │
│      "北京今天 15°C，天气晴朗！"         │
└─────────────────────────────────────────┘

OpenClaw 的作用：发现和管理 Skills，搭建 AI 和工具之间的桥梁

LLM 的作用：理解用户意图，自主决定使用哪个 Skill，调用工具，整理结果

Skills 的作用：提供标准化的能力描述，让 AI 知道"有什么工具可用"和"怎么使用"

举个生活中的例子

想象你是一位厨师（LLM），OpenClaw 是你的厨房管理系统，Skills 就是厨房里的各种设备和食谱。

场景一：没有 Skills

你站在空厨房里，除了刀和砧板什么都没有。客人点了一份寿司，你只能回答："抱歉，我没有做寿司的工具和食材。"

场景二：有了 Skills

现在你的厨房里有各种设备，每个设备上都贴着说明书（Skills）：

电饭煲：用于煮饭，需要米和水
榨汁机：用于制作果汁，需要水果和蔬菜
烤箱：用于烘焙，需要面团和温度设置

客人点寿司，你查看设备清单，发现虽然没有"寿司机"，但有电饭煲可以煮饭、菜刀可以切食材。你组合使用这些技能，做出了一份寿司。

更妙的是：下午有人送来一台新的"面条机"，附带说明书（新的 Skill）。你不需要重新学做饭，只需要看一下说明书，马上就能做面条了。

这就是 OpenClaw Skills 的魅力——你的能力随着 Skills 的增加而自然扩展。

为什么 OpenClaw 选择 Skills 这条路？

对比传统方案

方式	缺点	Skills 的优势
预编程	每加一个功能都要改代码、重新发布	只需要加说明书，即插即用
Function Calling	工具描述太长，AI "脑子装不下"	分层加载，按需查阅
插件系统	需要复杂的安装配置	文件即技能，复制就能用

Skills 的独特之处

声明式：描述"做什么"，而不是"怎么做"
渐进式：平时只看到简介，用时才看详细说明
分布式：任何人都能写 Skill，分享 Skill，不需要中心化审核
版本友好：Skills 是纯文本，用 Git 管理，团队协作方便

结语：AI 的边界，由你来定义

从 2023 年的 Claude 聊天机器人，到 2025 年的 Claude Code，再到 2025 年 10 月推出的 Agent Skills——AI 正在从"会说话"走向"会干活"。

OpenClaw 采用类似的 Skills 机制，让每个人都能轻松扩展 AI 的能力。

你不需要是程序员，不需要懂复杂的 AI 原理。只需要理解一个简单的事实：

给 AI 一本好的"使用说明书"，它就能帮你完成意想不到的事情。

今天它能查天气，明天它能帮你写代码，后天它也许能帮你设计房子、分析股票、甚至陪你练习外语。

你的 AI 助手能做到什么程度，只取决于你给它配了多少本"说明书"（Skills）。

毕竟，未来的 AI 不应该是封闭的黑盒，而应该是开放的工具箱——里面装什么工具，由你来决定。

延伸阅读

Anthropic Claude 官方介绍
OpenClaw 文档：如何编写你的第一个 Skill
ClawHub：发现和分享 Skills 的社区