我给 AI 助手装了 10 个插件，然后自己写了 2 个发布到了市场

大多数人用 AI 助手的方式，和用搜索引擎差不多——有问题就问，问完就关。这没什么不对，但如果你愿意多花一点时间配置它，它能做的事远不止于此。

今天这篇，聊聊我折腾 OpenClaw Agent Skills 的完整过程：从批量安装官方推荐的 10 个核心 skill，到发现有几个根本装不了，再到自己动手搭了 2 个并发布到内网市场。过程有点绕，但挺有意思。

先说 Skills 是什么

OpenClaw 的 Skill 本质上是一个目录，里面放了一个 SKILL.md 文件，加上可选的脚本和参考文档。每次对话开始前，Agent 会扫描所有已安装的 skill，根据用户意图决定激活哪个。

结构是这样的：

skill-name/
├── SKILL.md          # 必须：触发描述 + 使用说明
├── scripts/          # 可选：Python/Bash 脚本
├── references/       # 可选：参考文档、API 文档等
└── assets/           # 可选：模板、图片等

SKILL.md 的 frontmatter 里有个 description 字段，这是 Agent 判断「要不要用这个 skill」的核心依据。写得越精准，触发越准确。

安装来源有两个：内网的 Knot 市场（knot.woa.com）和国际开源版的 ClawhHub（clawhub.ai）。在腾讯内网用的是 Knot，可以直接通过 Agent 的工具调用安装，不用离开对话界面。

批量安装：10 个里装上了 5 个

网上流传一份「OpenClaw 十大核心 Skills」的推荐清单，我让 Agent 批量去 Knot 上搜索安装。结果如下：

Skill	功能	状态
EdgeoOne-ClawScan	安全体检（对应 Clawsec）	✅ 已安装
Multi Search	17 引擎整合搜索	✅ 已安装
self-improving-agent	记录错误、持续进化	✅ 已安装
task-tracker	任务跟踪 + 每日汇报	✅ 已安装
find-skills	本地 skill 发现	✅ 已安装
Tavily Search	实时联网搜索（需 API Key）	❌ 未找到
Ontology	知识图谱	❌ 未找到
GitHub	代码仓库管理	❌ 内网无意义
Office-Automation	日程/邮件/文档全流程	❌ 未找到
Systematic-Debugging	结构化调试法	❌ 未找到

5 个装不上的原因各不同：Tavily 是国际平台、需要 API Key，Knot 上没有对应实现；GitHub 在内网没有意义，腾讯用的是工蜂（已内置）；其余几个单纯就是 Knot 上没收录。

这种情况很常见。技能市场的覆盖度永远跟不上需求，到了边界就得自己造。

Tavily 装不了？用 web-reader 平替

Tavily 的核心价值是两点：联网搜索 + 网页内容提取（返回干净正文，方便 RAG）。搜索部分 Multi Search 已经覆盖了，缺的是内容提取。

最初想用 Jina Reader（r.jina.ai），在 URL 前加前缀就能把任意网页转成 Markdown：

GET https://r.jina.ai/https://example.com/article

测试发现内网出口把这个域名拦了，SSL 握手直接失败。换思路，OpenClaw 自带的 web_fetch 工具其实就能做这件事——它内置了 Readability 解析器，自动过滤广告和导航栏，返回干净 Markdown。

于是我做了一个 web-reader skill，本质上就是把这个工具的用法规范化，并定义清楚降级策略：

# 降级链
第一步: web_fetch(url, extractMode="markdown")
第二步: web_fetch(url, extractMode="text")     # 如果第一步失败
第三步: browser-operation skill                # JS 渲染页面兜底

配合 Multi Search 的标准工作流是：

• 用 Multi Search 搜索，拿到结果 URL 列表

• 对感兴趣的 URL 调用 web-reader 提取正文

• Agent 综合多篇内容给出答案

这个组合基本等价于 Tavily 的能力，而且完全免费，不依赖任何外部 API。

Ontology：给 Agent 装一个「长期记忆」

这个需求来自一个现实问题：每次新开对话，Agent 都是全新的，没有任何上下文。你跟它聊了很多次，它对你的偏好、项目、工作习惯一无所知。

Ontology skill 的方案是：把这些信息存成本地 JSON 知识图谱，Agent 需要时读取。核心数据结构很简单：

{
  "entities": {
    "用户": {
      "type": "person",
      "偏好语言": "Python",
      "updated_at": "2026-03-29"
    },
    "OpenClaw": {
      "type": "tool",
      "updated_at": "2026-03-29"
    }
  },
  "relations": [
    {
      "from": "用户",
      "relation": "使用",
      "to": "OpenClaw",
      "created_at": "2026-03-29"
    }
  ]
}

操作接口全部封装在 scripts/ontology.py 里，支持命令行调用：

# 写入
python3 ontology.py set "用户" "偏好语言" "Python"
python3 ontology.py relate "用户" "发布" "web-reader"

# 查询
python3 ontology.py get "用户"
# → [用户] (person)
# →   偏好语言: Python
# →   relations:
# →     → 发布 → web-reader

# 统计
python3 ontology.py summary
# → Knowledge graph: 3 entities, 2 relations

零外部依赖，纯标准库，文件默认存在 ~/.openclaw/workspace/memory/ontology.json，跨 session 持久化。

这和 RAG 不同——RAG 是把大量文本塞进向量库，语义检索；Ontology 是结构化知识图，适合存「偏好」「关系」「设定」这类确定性强的信息。两者互补，不冲突。

发布到 Knot 市场：踩了几个坑

skill 写完，用官方脚本打包：

python3 package_skill.py /path/to/skill-dir /tmp

打包脚本输出 .skill 文件（本质是 zip）。上传到 Knot 时遇到几个报错，按顺序踩完：

• 报错一：invalid zip file：未找到 SKILL.md — 打包脚本生成的路径是 skill-name/SKILL.md，Knot 识别的是根目录 SKILL.md。解法：把 .skill 改成 .zip 上传

• 报错二：仅支持 .zip 格式 — 改扩展名即可

• 报错三：ZIP 必须只包含一个顶层文件夹 — 用 zip -r 重新打包，确保 zip 结构是 skill-name/ 作为唯一顶层

最终正确的打包方式：

mkdir -p /tmp/pkg/web-reader/scripts
cp SKILL.md /tmp/pkg/web-reader/
cp scripts/test_fetch.py /tmp/pkg/web-reader/scripts/
cd /tmp/pkg && zip -r web-reader.zip web-reader/
# 结构：web-reader/ 为唯一顶层，SKILL.md 在其中

上传成功后，通过 Agent 的 knot_skills 工具搜索到 skill ID，直接在对话里安装。整个流程不用离开聊天界面。

写 Skill 的几个实操建议

折腾下来总结几点：

• description 字段比 body 更重要。Agent 是先看 description 决定要不要加载这个 skill，body 只有触发后才读。description 写得模糊，skill 永远不会被用到

• 零依赖优先。能用标准库就不要引入第三方包，能用内置工具（web_fetch、exec）就不要调外部服务。技能要能在隔离环境里跑，依赖越多越脆

• 降级链要写清楚。网络环境千变万化，skill 里要定义好：主路径失败了走哪条备用路径，最终兜底方案是什么

• 脚本要实际测试。SKILL.md 里写的步骤，一定要真正跑一遍。光靠「看起来没问题」，上线后大概率会出错

• 发布前检查 zip 结构。用 unzip -l 确认唯一顶层文件夹，这是 Knot 上传最常见的坑

现在的 Skill 配置全景

今天装完后，我的 OpenClaw 上已经有这些 skill 在跑：

• 搜索层：Multi Search（17 引擎）+ web-reader（正文提取）

• 记忆层：ontology（结构化知识图）+ self-improving-agent（错误学习）

• 任务层：task-tracker（进度跟踪）

• 工具层：EdgeoOne-ClawScan（安全体检）+ find-skills（技能发现）

• 腾讯内网专属：工蜂、TAPD、iWiki、KM、企微文档、Claude Code 内网版等

这些层加起来，Agent 能做的事已经相当具体了：搜索→提取→记住→复用，基本的知识工作流跑通了。

接下来值得探索的方向是：ontology 和 self-improving-agent 联动——当 Agent 纠正自己的错误时，自动把「正确做法」写入知识图谱，下次直接命中。目前这两个技能是独立运行的，打通之后才是真正意义上的「越用越聪明」。