OpenClaw Skill 开发入门:像写 App 一样写 AI 能力,一文讲透核心套路

阅读量一夜破万的秘密：别人还在调 API，你已经开始写「AI 原生应用」了。

想象一下这样的场景——

你早上起床，对着手机说：「帮我查一下今天的天气，然后根据天气推荐穿什么衣服，顺便把今天的待办事项整理成清单发给我。」

你的 AI 助手不仅做了所有这些，还自动帮你预约了今天下午的会议，因为它记住了你昨天邮件里提到的deadline。

这不是科幻。这是2026 年的 AI Agent 现实，而构建这一切的底层能力，就是今天我要重点讲的OpenClaw Skill。

2026 年初，OpenClaw 在 GitHub 上狂揽16.3 万星，成为 AI 开源领域最耀眼的新星。黄仁勋在英伟达 GTC 大会上直接将其比作「AI 时代的 Windows」，国内大厂一周内密集推出十余款类 OpenClaw 产品——这场变革的核心，正是其独特的Skill 机制。

如果你还只会调用 API、写 Prompt，那这篇文章将带你进入一个全新的维度：像写 App 一样，给 AI 写技能插件。

一、Skill 是什么？为什么它是 AI 时代的 App Store？

在说 Skill 之前，先问一个根本问题：大模型本身有什么局限？

大模型很强，但它有三个天然短板：

1. 它没有「手」—— 它能告诉你怎么做，但不能真的去执行，比如读写文件、发送邮件、控制智能家居。

2. 它没有「记忆」—— 每次对话都是全新的上下文，你问过的关键信息它下次不一定记得。

3. 它不知道你的业务—— 通用的 LLM 不了解你公司的产品、用户、数据结构。

OpenClaw 的Skill 机制，就是为了解决这三个问题而生的。

什么是 Skill？

Skill（技能）是 OpenClaw 的核心扩展单元。你可以把它理解为：

>一个 Skill = 一套工具 + 配套指令 + 调用逻辑的完整封装

它有点像是 Chrome 插件、VS Code 扩展，或者——用更形象的比喻——AI Agent 的「APP」。

当你给 OpenClaw 安装了一个「PDF 解析」Skill，它就突然拥有了读懂 PDF 的能力；安装了一个「飞书推送」Skill，它就学会给你发飞书消息；安装了一个「股票查询」Skill，它就能实时查询股价。

这就是 Skill 的魅力：你不需要写代码去改造大模型本身，只需要「教会」它用新工具。

Skill vs Plugin vs Tool：有什么区别？

很多人会把 Skill 和 Plugin、Tool 搞混，这里做一个快速辨析：

概念	类比	特点
Tool（工具）	单个函数	单一功能，如计算器、翻译器
Plugin（插件）	浏览器扩展	一组工具的组合，有配置界面
Skill（技能）	App Store 应用	完整的产品级封装：工具+指令+逻辑+文档

简单来说：Skill 是最高维度的抽象。一个 Skill 内部可能包含多个 Tool，它本身还自带使用说明（SKILL.md），自己知道什么时候该被调用、该怎么调用。

二、Skill 的核心结构：拆开看看到底有什么

一个完整的 Skill，核心文件只有两个：

my-skill/

├── SKILL.md ← 技能说明书（必填）

└── scripts/ ← 工具脚本目录

└── my_tool.py ← 工具实现

1. SKILL.md：技能的「灵魂」

SKILL.md 是 Skill 的核心规范文件，它告诉 OpenClaw 三件事：

这个 Skill 是什么、能做什么、什么时候该用？

标准的 SKILL.md 包含以下字段：

---

name: my-skill

description: 技能的简短描述，OpenClaw 根据这个决定何时调用此 Skill

---

我的第一个 Skill

功能说明

详细描述这个 Skill 能做什么。

使用场景

- 场景1：...

- 场景2：...

工具列表

| 工具名 | 功能 |

|--------|------|

| tool_a | 做某事 |

| tool_b | 做另一件事 |

注意事项

使用时需要注意什么。

SKILL.md 的 description 字段尤为关键——当用户发送一条消息时，OpenClaw 的调度系统会根据 Skill 描述的语义匹配度，决定把任务分发给哪个 Skill。写得越精准，调用越准确。

2. scripts/ 目录：技能的「双手」

工具脚本放在 scripts/ 目录下，支持多种语言：

Python 脚本（最常用）

Shell 脚本

Node.js 脚本

每个脚本通过标准输入/输出与 OpenClaw 通信，格式通常是 JSON。

举一个最简单的例子——一个「天气查询」Skill 的 Python 工具：

#!/usr/bin/env python3import sysimport jsondef get_weather(city):

这里调用天气 API

return {"city": city, "temp": "22°C", "weather": "晴"}if __name__ == "__main__":try:args = json.loads(sys.argv[1])city = args.get("city", "北京")result = get_weather(city)print(json.dumps(result, ensure_ascii=False))except Exception as e:print(json.dumps({"error": str(e)}))

OpenClaw 会自动把这个脚本包装成一个可调用的工具，大模型只需要说「帮我查一下上海的天气」，它就知道该调用这个脚本。

三、实战：从零创建一个 PDF 解析 Skill

光说不练假把式。现在我们手把手创建一个完整的 PDF 解析 Skill。

第一步：创建 Skill 目录结构

mkdir -p my-pdf-skill/scriptscd my-pdf-skill

第二步：编写 SKILL.md

---name: pdf-parserdescription: PDF 文件解析与内容提取。当用户提到 PDF、文件解析、读取 PDF 内容、提取 PDF 文字时触发。支持读取中文文档、表格提取、关键信息定位等功能。---

PDF 解析技能

技能简介

本技能可以将 PDF 文件解析为结构化文本，支持中英文混合内容、表格识别和关键信息提取。

核心工具

pdf_read

读取 PDF 文件内容，返回纯文本。

**参数：**- `path`: PDF 文件路径（必填）- `pages`: 要读取的页码范围，可选（如 "1-3" 表示前3页）**返回值：**- `text`: PDF 文本内容- `page_count`: 总页数- `success`: 是否成功

pdf_summary

对 PDF 内容进行摘要，提取关键信息。

**参数：**- `text`: PDF 文本内容- `max_length`: 摘要最大字数（默认300）

使用示例

用户：「帮我读取一下这份合同.pdf」→ 调用 pdf_read，提取合同全文用户：「这份报告主要说了什么？」→ 调用 pdf_summary，生成摘要

注意事项

- 支持 .pdf 文件格式- 扫描版 PDF（图片型）需要 OCR 支持- 单次解析建议不超过 50 页

第三步：编写工具脚本

#!/usr/bin/env python3import sysimport jsonimport osdef read_pdf(path, pages=None):"""读取 PDF 文件"""if not os.path.exists(path):return {"success": False, "error": "文件不存在"}try:

这里使用 pypdf 或 pdfplumber

import pypdfreader = pypdf.PdfReader(path)page_count = len(reader.pages)start_page = 0end_page = page_countif pages:

处理页码范围 "1-3"

parts = pages.split("-")start_page = int(parts[0]) - 1if len(parts) > 1:end_page = int(parts[1])text = ""for i in range(start_page, min(end_page, page_count)):text += reader.pages[i].extract_text() + "\n\n"return {"success": True,"text": text.strip(),"page_count": page_count}except Exception as e:return {"success": False, "error": str(e)}def summarize_pdf(text, max_length=300):

简化版：取前 N 个字符

iflen(text) <= max_length:return {"summary": text, "source": "全文"}

取前两段作为摘要

paragraphs = text.split("\n\n")summary = ""for p in paragraphs:iflen(summary) + len(p) <= max_length:summary += p + "\n\n"else:breakreturn {"summary": summary.strip(), "source": "前段摘要"}if __name__ == "__main__":args = json.loads(sys.argv[1])tool = args.get("tool")if tool == "pdf_read":result = read_pdf(args.get("path"), args.get("pages"))elif tool == "pdf_summary":result = summarize_pdf(args.get("text"), args.get("max_length", 300))else:result = {"error": "未知工具"}print(json.dumps(result, ensure_ascii=False))

第四步：测试 Skill

把创建好的 Skill 放到 OpenClaw 的 skills 目录下：

cp -r my-pdf-skill ~/.qclaw/skills/

然后在 OpenClaw 中说：「帮我读取一下这份年度报告.pdf」，你的 Skill 就会被自动调用了！

四、Skill 生态现状：现在有哪些好用的 Skill？

截至 2026 年 4 月，OpenClaw 的 Skill 生态正在快速扩张，以下是几个值得关注的方向：

📄 文档处理类

PDF 解析：读取、摘要、关键信息提取

Word/Excel 联动：读写 Office 文档

网页剪藏：保存网页文章到知识库

🔍 信息检索类

联网搜索：实时获取最新信息

知识库查询：RAG 增强的私有知识检索

邮件管理：收发邮件、附件处理

🤖 自动化类

飞书/钉钉推送：消息推送和群通知

日程管理：日历事件的增删改查

定时任务（Cron）：周期性自动化执行

💡 专业领域类

金融数据：股票、基金、指数查询

合同分析：关键条款提取和风险提示

医疗助手：病历解读、健康建议

一个有意思的数据：根据最新搜索结果，有开发团队用 OpenClaw 的 Skill 机制，一个人配了1 个编排者 + 5 个专业 Agent + 6 类 ACP 编码专家（最大 6 并发）、52 个 cron 定时任务、118 个 Skills（33 全局共享 + 85 Agent 专属），每天几千次 LLM 调用——这基本上是一个小型 AI 公司的运作规模了。

五、为什么说 Skill 是 AI 时代的 App Store？

回顾历史，每一次计算平台的迁移，都会诞生新的应用分发模式：

PC 时代 → Windows 应用商店（软件包分发）

手机时代 → App Store / 安卓市场（移动应用）

AI 时代 → Skill 市场（AI 能力插件）

Skill 的 App Store 模式有几个根本性优势：

1. 门槛极低

不需要学机器学习、不需要训练模型，只需要理解业务逻辑、写好 SKILL.md 描述和工具脚本，一个产品经理就能给 AI 扩展新能力。

2. 天然组合

多个 Skill 可以无缝协作——PDF 解析 Skill + 翻译 Skill + 飞书推送 Skill，自动组合成一个「外文文献翻译推送」流水线。

3. 平台无关

好的 Skill 设计与底层模型解耦。你可以在 OpenClaw 用，换到别的 Agent 平台，换一套 SKILL.md 适配层又能跑。

4. 商业闭环

Skill 可以收费、分成。一个高质量的垂直行业 Skill（比如「法律合同审查」「医疗影像解读」），有明确的付费场景和用户需求。

写在最后

OpenClaw 的 Skill 机制，代表了 AI 应用开发的一次范式转移：

从「调 API」到「写技能」，从「用 AI」到「教 AI」，从「单点能力」到「生态协同」。

写 Skill，本质上是在教 AI 怎么用工具——这件事的门槛，正在被 OpenClaw 不断降低。

如果你是一个产品经理，你可以写一个「竞品分析」Skill，让 AI 自动抓取数据、生成报告。

如果你是一个运营，你可以写一个「小红书爆款分析」Skill，自动拆解爆款逻辑、批量生成文案。

如果你是一个开发者，你可以把多年积累的工具函数封装成 Skill，让 AI 调用你熟悉的一切。

Skill 的世界，没有上限。

现在，就从你的第一个 Skill 开始吧。