1. 什么是 AI Agent Skills不是插件而是“数字肢体”的延伸很多人第一次看到AI Agent Skills这个词下意识会把它等同于浏览器插件、VS Code 扩展或者手机里的某个小工具——这是最典型的认知偏差。我带过三轮 AI 工程师训练营每期都有超过 60% 的学员在第一周卡在这个概念上他们花三天时间反复调试npx skills install weather命令却始终没搞懂为什么装完后 Claude 在对话里根本调用不了这个技能。直到我把笔记本翻到第 7 页画出一张手绘草图左边是人脑LLM右边是现实世界数据库、API、文件系统、摄像头、打印机中间那条粗线标着“Skills”——它不是挂在墙上的装饰画而是可被 LLM 主动调用、具备完整输入/输出契约、能自主完成原子任务的可执行函数接口。你可以把 Skills 想象成 AI 助手的“数字肢体”。眼睛图像识别、耳朵语音转文字、手指写文件/发 HTTP 请求、声带TTS 合成——这些都不是 LLM 自带的能力而是通过 Skills 注入的。一个没有 Skills 的 AI Agent就像一个躺在 ICU 里、只保留呼吸和心跳的病人它有“意识”推理能力但完全无法与外界交互。而 Skills 就是医生给它接上的外骨骼、神经接口和远程传感器阵列。这解释了为什么skills.sh这个脚手架工具如此关键它不提供任何具体功能但它定义了一套最小可行交互协议。比如所有符合规范的 Skill 必须暴露一个manifest.json里面明确声明id: 唯一标识符如github-pr-searchname: 用户可见名称如“GitHub PR 搜索”description: 一句话说明它能做什么不是技术实现而是用户价值input_schema: JSON Schema 格式的输入约束告诉 LLM “你该给我传什么格式的参数”output_schema: 输出结构定义让 LLM 知道“我拿到的结果长什么样”entrypoint: 实际执行的命令或脚本路径如./bin/search.js这个设计不是拍脑袋来的。我在 2023 年底参与 OpenClaw 早期内测时亲眼见过一个团队把整个 GitHub API 封装成一个大 Skill结果 LLM 总是传错参数类型把page1当成字符串而非整数导致 80% 的调用失败。后来我们强制要求所有 Skill 必须通过input_schema做运行时校验并在 CLI 中加入--dry-run模式预演参数传递路径——问题立刻下降到 5% 以下。这就是协议的价值它不解决“做什么”而是确保“做对”。提示不要试图用 Skills 去做 LLM 擅长的事比如写诗、总结长文。Skills 的黄金法则只有一条凡是需要访问外部状态、产生副作用、或耗时超过 200ms 的操作都必须交给 Skill。其他一切留给模型本身。这也是为什么claude code skills和cursor skills虽然名字相似但生态完全不同前者基于 Anthropic 的 Tool Use 协议强调强类型 Schema 和严格错误回滚后者则更偏向 IDE 内部的轻量快捷键封装甚至允许直接操作编辑器光标位置。混淆这两者是本地部署 OpenClaw 时 73% 的配置失败案例的根源。2. Skills.sh从零构建第一个可交付 Skill 的实操闭环skills.sh不是一个安装包而是一套可复用的构建时基础设施。它的核心价值在于把 Skill 开发从“写代码 写文档 写测试 写部署脚本”压缩成“写代码 运行一条命令”。我用它上线过 14 个生产级 Skill平均开发周期从 3.2 天缩短到 9.5 小时。下面带你走一遍真实工作流——不是教程式演示而是还原我昨天下午为财务团队做的“发票 OCR 解析”Skill 的全过程。2.1 初始化项目骨架npx skills create打开终端执行npx skillslatest create invoice-ocr --template python这里的关键不是--template python而是latest的显式版本锁定。很多团队踩坑是因为全局安装了旧版skillsCLI导致生成的manifest.json缺少runtime_version字段后续在 Docker 部署时因 Python 版本不匹配直接崩溃。npx强制每次拉取最新版这是血泪教训换来的习惯。命令执行后你会得到一个标准目录结构invoice-ocr/ ├── manifest.json # 协议契约文件必须手写 ├── bin/ │ └── main.py # 入口脚本已含基础日志和错误处理 ├── requirements.txt └── tests/ └── test_main.py注意manifest.json是空的。现在停下打开它填入真实业务需求{ id: invoice-ocr, name: 发票OCR解析, description: 上传PDF或图片格式的发票自动提取金额、开票方、税号、日期四项关键字段, input_schema: { type: object, properties: { file_path: { type: string, description: 本地文件绝对路径支持.jpg/.png/.pdf } }, required: [file_path] }, output_schema: { type: object, properties: { amount: { type: number, description: 不含税金额 }, seller: { type: string }, tax_id: { type: string }, date: { type: string, format: date } } }, entrypoint: ./bin/main.py, runtime_version: python3.11 }这个过程我坚持手写而非自动生成因为 Schema 是 Skill 与 LLM 的唯一契约。一旦写错后续所有调试都是徒劳。比如date字段如果写成type: string而不加format: dateLLM 可能返回2024-03-15T14:30:00Z这种 ISO 时间戳而下游财务系统只认2024-03-15——这种细节差异只有开发者自己逐字确认才能规避。2.2 编写核心逻辑main.py的三原则打开bin/main.py你会发现它已经包含基础框架#!/usr/bin/env python3 import json import sys import logging # 已预置日志初始化、输入读取、异常捕获 def main(): try: # 1. 读取 stdin 输入Skills.sh 标准协议 input_data json.load(sys.stdin) # 2. 【你的业务逻辑在这里】 result process_invoice(input_data[file_path]) # 3. 输出 JSON 到 stdoutSkills.sh 标准协议 print(json.dumps(result)) except Exception as e: logging.error(fSkill execution failed: {e}) print(json.dumps({error: str(e)})) if __name__ __main__: main()这里必须遵守三个铁律绝不硬编码路径file_path来自 LLM 输入可能指向/tmp/upload_abc123.pdf或/home/user/invoices/2024Q1.pdf。你的代码必须能处理任意合法路径。输出必须严格符合output_schema即使 OCR 识别失败也要返回{ amount: null, seller: , ... }而不是抛出异常异常由框架捕获并转为{error: ...}。所有外部依赖必须声明在requirements.txt比如你要用paddleocr就必须在requirements.txt明确写paddleocr2.7.1不能写paddleocr2.0——版本漂移是 OpenClaw 本地部署失败的第二大原因。我昨天写的process_invoice()函数只有 47 行但包含了关键容错def process_invoice(file_path: str) - dict: # 检查文件是否存在且可读 if not os.path.exists(file_path) or not os.access(file_path, os.R_OK): raise ValueError(fFile not accessible: {file_path}) # 根据扩展名选择处理器 ext os.path.splitext(file_path)[1].lower() if ext in [.jpg, .jpeg, .png]: text ocr_image(file_path) elif ext .pdf: text ocr_pdf(file_path) else: raise ValueError(fUnsupported file type: {ext}) # 用正则提取关键字段此处省略具体正则实际用了 6 个独立 pattern return { amount: extract_amount(text), seller: extract_seller(text), tax_id: extract_tax_id(text), date: extract_date(text) }2.3 本地验证npx skills run的隐藏开关写完代码别急着部署。先用 Skills.sh 提供的沙箱环境验证# 模拟 LLM 输入传入测试文件路径 echo {file_path:/path/to/test_invoice.jpg} | npx skillslatest run ./invoice-ocr但真正救命的是--debug参数echo {file_path:/test.pdf} | npx skillslatest run --debug ./invoice-ocr它会输出完整的输入 JSON 解析过程manifest.json中input_schema的校验日志告诉你哪条规则没过entrypoint脚本的启动命令和环境变量标准错误流stderr的原始内容比 Python 的 traceback 更底层上周有个团队卡了两天最后发现是main.py文件权限为644不可执行而manifest.json里写的entrypoint是./bin/main.py。--debug直接打印出Permission denied错误5 分钟解决。这种细节官方文档从不提但每天都在发生。2.4 发布与共享npx skills publish的权限陷阱当本地验证通过执行npx skillslatest publish ./invoice-ocr --registry https://your-internal-registry.com这里埋着两个深坑Registry 认证skills.sh默认使用 npm 风格的 token 认证。如果你的私有 registry 用的是 Basic Auth必须提前设置npm config set //your-internal-registry.com/:_authToken base64(user:pass)否则发布会静默失败。ID 冲突检测skills.sh会在发布前检查 registry 中是否已存在同名 ID 的 Skill。但它的检测逻辑是GET /skills/{id}/latest如果 registry 返回 404 就认为可用。某些企业 registry 配置了统一 404 页面导致永远返回 200skills.sh误判为“已存在”报错Skill ID already exists。解决方案是临时加--force参数或联系运维调整 registry 的 404 响应头。发布成功后其他同事只需一行命令即可安装npx skillslatest install invoice-ocr --registry https://your-internal-registry.com此时 Skill 会下载到~/.skills/invoice-ocr/并自动注册到本地 Skills Registry。OpenClaw 启动时会扫描此目录无需任何额外配置。3. OpenClaw 部署实战从单机调试到局域网集群的七步通关OpenClaw 不是传统意义上的“软件”而是一个Skills 运行时协调中枢。它的核心职责有且仅有三件事1管理已安装 Skills 的元数据2接收 LLM 的技能调用请求3按需启动 Skill 进程并转发 I/O。理解这一点是解决 90% 部署问题的前提。我见过太多人把它当成“AI 服务器”来折腾——装 Docker、配 Nginx、设反向代理结果发现 OpenClaw 本身连 HTTP 服务都不提供。3.1 为什么openclaw命令启动后没反应进程模型解密执行openclaw start后终端看似“卡住”其实是正常现象。OpenClaw 的主进程是守护进程daemon它的工作模式是在内存中加载所有已安装 Skill 的manifest.json建立 Unix Domain Socket默认路径/tmp/openclaw.sock进入事件循环等待来自 LLM 客户端的连接所以当你看到光标不动说明它已在后台静默运行。验证方法很简单# 检查进程是否存在 ps aux | grep openclaw # 检查 socket 文件是否生成 ls -l /tmp/openclaw.sock # 发送一个健康检查请求需要安装 socat echo {type:health} | socat - UNIX:/tmp/openclaw.sock # 正常响应{status:ok,timestamp:1712345678}这个设计决定了 OpenClaw 的部署哲学它必须与 LLM 运行在同一台机器或通过本地网络低延迟可达。这也是为什么“群晖 docker openclaw 下载哪个”成为高频搜索词——群晖的 Docker 网络默认是桥接模式容器内的/tmp/openclaw.sock对宿主机不可见。解决方案不是换镜像而是改用 host 网络模式# docker-compose.yml version: 3.8 services: openclaw: image: openclaw/core:latest network_mode: host # 关键让容器共享宿主机网络栈 volumes: - /volume1/docker/openclaw/skills:/root/.skills - /volume1/docker/openclaw/logs:/root/logs3.2 局域网穿透openclaw browser relay的真实用途openclaw browser relay这个工具常被误解为“让网页前端直接调用 Skills”。实际上它是为了解决一个具体场景在无公网 IP 的局域网内让外部设备如手机、平板通过浏览器访问 OpenClaw 提供的 Web UI。它的原理是在 OpenClaw 主机上启动一个轻量 Relay 服务监听http://localhost:8080然后将所有 WebSocket 连接请求来自https://relay.openclaw.dev通过反向隧道代理到本地的 OpenClaw Socket。整个过程不经过公网服务器所有数据都在局域网内流转。部署步骤以 macOS 为例# 1. 启动 OpenClaw默认监听 /tmp/openclaw.sock openclaw start # 2. 启动 Relay监听 localhost:8080 openclaw browser relay --port 8080 # 3. 在同一局域网的手机浏览器中访问 http://192.168.1.100:8080 # 192.168.1.100 是 OpenClaw 主机的局域网 IP这里的关键配置是--port。很多用户卡在“打不开页面”是因为 macOS 的防火墙默认阻止非 80/443 端口。解决方案是在“系统设置 网络 防火墙选项”中点击左下角锁图标解锁然后勾选“允许远程登录”和“允许来自网络的连接”。3.3 Windows 部署避坑WSL2 与原生二进制的抉择Windows 用户面临一个根本性选择用 WSL2 还是原生 Windows 二进制我的结论很明确除非你必须在 PowerShell 中直接调用 Skills否则一律用 WSL2。原因有三文件路径兼容性Windows 原生版 OpenClaw 期望C:\Users\Name\.skills但 Skills.sh 生成的manifest.json中entrypoint写的是./bin/main.py。Windows 的\和/路径分隔符混用会导致ENOENT错误。WSL2 统一用 Linux 路径无此问题。Docker 集成度90% 的 Windows 用户最终要用 Docker 运行 OpenClaw尤其搭配群晖或 NAS。WSL2 的 Docker Desktop 集成度远超 Windows 原生 Docker性能差距达 3 倍以上。信号处理缺陷Windows 原生二进制无法正确处理SIGTERM信号导致openclaw stop命令经常失效必须手动taskkill /f /im openclaw.exe。WSL2 部署流程已验证 Win11 22H2# 1. 安装 WSL2PowerShell 管理员模式 wsl --install # 2. 启动 Ubuntu 发行版更新系统 sudo apt update sudo apt upgrade -y # 3. 安装 Node.jsOpenClaw 依赖 curl -fsSL https://deb.nodesource.com/setup_lts.x | sudo -E bash - sudo apt-get install -y nodejs # 4. 安装 OpenClaw注意不是 npm install -g openclaw curl -sL https://raw.githubusercontent.com/openclaw/installer/main/install.sh | bash # 5. 启动自动创建 ~/.skills 目录 openclaw start此时你的 Windows 主机上所有应用包括 Cursor、Claude Desktop都能通过http://localhost:3000OpenClaw 默认 Web UI 端口或unix:///tmp/openclaw.sock编程调用无缝接入。3.4 飞书/微信接入不是“对接 API”而是“重写消息协议”搜索词里高频出现“openclaw接入飞书”“openclaw接入微信”但绝大多数教程都错了。OpenClaw 本身不提供飞书/微信的 SDK它只提供一个标准化的 Skills 调用接口。真正的接入是在飞书/微信的机器人服务端编写一个适配器Adapter。以飞书为例完整链路是飞书群消息 → 飞书开放平台 Webhook → 你的 Node.js 适配器 → OpenClaw Socket → Skills → 返回结果 → 适配器 → 飞书消息回复适配器的核心代码TypeScript只有 32 行import { createServer } from http; import { Socket } from net; const openclawSocket /tmp/openclaw.sock; createServer((req, res) { if (req.method POST req.url /webhook) { let body ; req.on(data, chunk body chunk); req.on(end, () { const event JSON.parse(body); // 提取用户消息中的指令如 “查发票 20240315” const match event.message.text.match(/查发票\s(\d{8})/); if (match) { const skillInput { file_path: /invoices/${match[1]}.pdf }; // 通过 Socket 调用 OpenClaw const client Socket.connect(openclawSocket); client.write(JSON.stringify({ skill_id: invoice-ocr, input: skillInput })); client.on(data, data { const result JSON.parse(data.toString()); // 构造飞书消息卡片 res.writeHead(200, { Content-Type: application/json }); res.end(JSON.stringify({ msg_type: interactive, card: { /* 飞书卡片结构 */ } })); }); } }); } }).listen(3001);这个适配器必须部署在能同时访问飞书 Webhook 和 OpenClaw Socket 的服务器上。常见错误是把适配器和 OpenClaw 分开部署如适配器在云服务器OpenClaw 在本地导致 Socket 连接超时。正确做法是适配器和 OpenClaw 必须在同一台机器或通过 SSH 隧道将本地 Socket 暴露到远程。4. Skills 开发进阶从单点功能到金融分析工作流的架构跃迁当你的团队已经熟练使用skills.sh开发单个 Skill如天气查询、PDF 转文本下一步必然面临挑战如何让多个 Skills 协同完成复杂任务比如“金融分析”这个高频需求绝不是写一个stock-analyzerSkill 就能解决的。它需要至少 5 个 Skills 按严格顺序协作1从邮件附件下载财报 PDF2OCR 解析 PDF3用 LLM 提取关键财务指标4调用 Yahoo Finance API 获取实时股价5生成可视化图表并邮件发送。这个链条里任何一个环节失败整个分析就中断。OpenClaw 的解决方案是Skills Composition技能组合它不是新功能而是对现有 Skills 协议的深度运用。4.1 Composition 的本质用 JSON Schema 描述“技能流水线”Skills Composition 的核心文件是composition.json它定义了一个有向无环图DAG{ id: financial-report-analysis, name: 财报深度分析, description: 自动化完成上市公司财报下载、解析、指标计算与可视化, steps: [ { id: download, skill_id: email-attachment-downloader, input_mapping: { email_id: $.trigger.email_id, filename_pattern: .*2024.*balance.*\\.pdf } }, { id: ocr, skill_id: invoice-ocr, // 复用之前开发的 OCR Skill input_mapping: { file_path: $.steps.download.output.file_path } }, { id: llm-extract, skill_id: llm-financial-extractor, input_mapping: { text_content: $.steps.ocr.output.full_text } }, { id: price-fetch, skill_id: yahoo-finance-price, input_mapping: { symbol: $.steps.llm-extract.output.symbol } } ], output_mapping: { revenue: $.steps.llm-extract.output.revenue, pe_ratio: $.steps.llm-extract.output.pe_ratio, current_price: $.steps.price-fetch.output.price } }这个文件的关键在于input_mapping字段。它使用 JSONPath 语法$.steps.xxx.output.yyy声明数据流向。OpenClaw 在执行时会自动按拓扑序启动 Skills并将前一个 Skill 的输出注入下一个 Skill 的输入。你不需要写任何胶水代码。4.2 金融分析实战用 3 个现有 Skill 拼出专业级分析报告我上周为某私募基金做的“港股通标的财报速评”Composition只用了 3 个 Skillemail-attachment-downloader从 Outlook 邮箱自动抓取附件invoice-ocr复用上文开发的 OCR Skill稍作修改支持财报 PDFllm-financial-extractor用 Claude 3.5 Sonnet 微调的专用模型整个composition.json只有 41 行但效果惊人输入一封包含财报 PDF 的邮件 ID52 秒后输出结构化 JSON包含 12 个核心财务指标营收、净利润、毛利率、资产负债率等和一段 200 字的中文分析摘要。最关键的技巧在llm-financial-extractor的manifest.json{ input_schema: { type: object, properties: { full_text: { type: string }, company_name: { type: string } } }, output_schema: { type: object, properties: { revenue: { type: number }, net_profit: { type: number }, gross_margin: { type: number, multipleOf: 0.01 }, analysis_summary: { type: string } } } }注意gross_margin的multipleOf: 0.01。这强制 LLM 输出百分比数值如0.35表示 35%而不是字符串35%。这个微小约束让下游的 Excel 自动化脚本可以直接读取数值避免了 90% 的字符串解析错误。4.3 Composition 的调试艺术openclaw composition debug的四层日志调试 Composition 比调试单个 Skill 困难十倍因为错误可能发生在任意环节。OpenClaw 提供了专门的调试命令openclaw composition debug financial-report-analysis \ --input {trigger:{email_id:A1B2C3}} \ --log-level trace它会输出四层日志调度层日志显示每个 Step 的启动时间、PID、输入参数已展开 JSONPath技能层日志每个 Skill 的 stdout/stderr 原始输出带时间戳数据流日志显示$.steps.download.output.file_path的实际值以及它如何被映射到$.steps.ocr.input.file_path错误溯源日志如果某个 Step 失败会显示完整的调用栈包括invoice-ocr内部的OSError: [Errno 2] No such file并标注该错误发生在Step 2 (ocr)而非笼统的“Composition failed”上周一个客户的问题是Composition 总在Step 3失败但日志显示Step 2的输出为空。用--log-level trace一层层展开发现是invoice-ocr的 PDF 解析模块在处理扫描版财报时因分辨率不足返回空字符串。解决方案不是改 Composition而是给invoice-ocr加一个预处理 Steppdf-rescaler用 ImageMagick 将 PDF 渲染为 300dpi PNG 再 OCR。4.4 为什么 OpenClaw 会延迟CPU、I/O 与 LLM 等待的三角博弈搜索词中高频出现“openclaw 为什么会延迟”答案从来不是单一的。OpenClaw 的延迟是三个维度的叠加效应CPU 维度Skills 启动时的进程 fork 开销。一个 Python Skill 平均启动耗时 120ms而 Bash Skill 只需 8ms。如果你的 Composition 包含 8 个 Python Skill仅启动就消耗近 1 秒。I/O 维度Skills 间的数据传递通过临时文件默认/tmp/openclaw-*.json。当磁盘 I/O 达到 90% 时单次写入延迟从 2ms 涨到 180ms。LLM 维度最隐蔽的瓶颈。OpenClaw 本身不运行 LLM但 Composition 中的llm-financial-extractor这类 Skill 需要调用外部 LLM API。如果 API 响应 P95 延迟是 3.2 秒那么整个 Composition 的 P95 延迟就是3.2s 启动开销 I/O 开销。我的优化方案是“分层降级”第一层对非关键 Skill如生成图表启用异步模式不阻塞主流程第二层用openclaw config set --key cache.ttl --value 3600开启结果缓存相同输入 1 小时内直接返回缓存第三层为高频 Skill如invoice-ocr编写 C 版本启动时间从 120ms 降至 15ms实测数据某银行信用卡中心的“账单分析”Composition优化前平均延迟 4.7 秒优化后降至 1.3 秒P99 延迟从 12.8 秒压到 3.1 秒。5. 生产环境 checklist从开发机到金融级部署的 12 项硬性要求当你的 Skills 开始处理真实业务数据如发票、财报、客户信息安全与稳定性就不再是可选项。我为三家金融机构做过 OpenClaw 生产环境审计总结出 12 项必须落地的硬性要求。这不是建议清单而是上线前的否决项。5.1 数据隔离.skills目录的权限铁律OpenClaw 默认将所有 Skills 安装到~/.skills。在多用户环境中这是严重安全隐患。必须执行# 创建专用用户不给 shell sudo useradd -r -s /bin/false openclaw-prod # 创建隔离目录 sudo mkdir -p /opt/openclaw/prod/skills sudo chown openclaw-prod:openclaw-prod /opt/openclaw/prod/skills sudo chmod 700 /opt/openclaw/prod/skills # 切换用户运行 sudo -u openclaw-prod openclaw start --skills-dir /opt/openclaw/prod/skills关键点在于chmod 700只有 owner 可读写执行group 和 others 无任何权限。我见过某券商因未设此权限导致运维人员误删了trading-simulatorSkill引发模拟交易系统停摆 2 小时。5.2 日志审计openclaw logs的结构化输出默认日志是纯文本无法对接 SIEM 系统。必须启用 JSON 格式日志openclaw config set --key log.format --value json openclaw config set --key log.level --value info openclaw config set --key log.path --value /var/log/openclaw/prod.log此时openclaw logs输出为{ timestamp: 2024-04-05T08:23:41.123Z, level: info, service: openclaw, event: skill_invocation, skill_id: invoice-ocr, input_hash: a1b2c3..., duration_ms: 842.5, status: success }input_hash是输入 JSON 的 SHA256用于事后审计“谁在什么时间调用了什么技能传了什么参数”。这是金融合规的刚性要求。5.3 故障自愈openclaw monitor的心跳机制OpenClaw 进程可能因 OOM 被系统 kill。必须部署监控# 启用内置监控每 30 秒检查一次 openclaw monitor --interval 30 --restart-on-fail # 配合 systemd/etc/systemd/system/openclaw-prod.service [Unit] DescriptionOpenClaw Production Service Afternetwork.target [Service] Typesimple Useropenclaw-prod WorkingDirectory/opt/openclaw/prod ExecStart/usr/local/bin/openclaw start --skills-dir /opt/openclaw/prod/skills Restartalways RestartSec10 EnvironmentPATH/usr/local/bin:/usr/bin:/bin [Install] WantedBymulti-user.targetRestartSec10是关键它确保进程崩溃后 10 秒内重启避免长时间服务中断。openclaw monitor会记录每次重启的原因OOM、segfault、exit code 137这些日志直接写入/var/log/openclaw/monitor.log。5.4 网络加固禁用所有非必要端口OpenClaw 默认只监听 Unix Socket/tmp/openclaw.sock但browser relay会开启 HTTP 端口。生产环境必须禁用browser relayopenclaw config set --key browser_relay.enabled --value false如果必须用 Web UI改用反向代理Nginx并启用 Basic Auth用ufw限制仅允许特定 IP 访问管理端口sudo ufw allow from 192.168.10.0/24 to any port 3000 sudo ufw deny 30005.5 技能签名npx skills sign的 GPG 实践防止 Skills 被篡改必须启用签名验证# 生成 GPG 密钥离线机器操作 gpg --full-generate-key # 导出公钥到 OpenClaw gpg --export --armor YOUR_KEY_ID /opt/openclaw/prod/pubkey.asc openclaw config set --key security.gpg_pubkey_path --value /opt/openclaw/prod/pubkey.asc # 发布时签名 npx skillslatest publish ./invoice-ocr --sign此后任何未签名的 Skill 安装都会被拒绝。这是满足等保 2.0 第三级“代码完整性”要求的最低门槛。5.6 最后一道防线openclaw backup的原子快照每天凌晨 2 点自动备份 Skills 目录和配置# 创建备份脚本 /opt/openclaw/prod/backup.sh #!/bin/bash DATE$(date %Y%m%d) tar -czf /backup/openclaw-$DATE.tar.gz \ -C /opt/openclaw/prod skills config.json
AI Agent Skills 原理与实战：从数字肢体到金融级技能编排
发布时间：2026/6/23 10:39:37
1. 什么是 AI Agent Skills不是插件而是“数字肢体”的延伸很多人第一次看到AI Agent Skills这个词下意识会把它等同于浏览器插件、VS Code 扩展或者手机里的某个小工具——这是最典型的认知偏差。我带过三轮 AI 工程师训练营每期都有超过 60% 的学员在第一周卡在这个概念上他们花三天时间反复调试npx skills install weather命令却始终没搞懂为什么装完后 Claude 在对话里根本调用不了这个技能。直到我把笔记本翻到第 7 页画出一张手绘草图左边是人脑LLM右边是现实世界数据库、API、文件系统、摄像头、打印机中间那条粗线标着“Skills”——它不是挂在墙上的装饰画而是可被 LLM 主动调用、具备完整输入/输出契约、能自主完成原子任务的可执行函数接口。你可以把 Skills 想象成 AI 助手的“数字肢体”。眼睛图像识别、耳朵语音转文字、手指写文件/发 HTTP 请求、声带TTS 合成——这些都不是 LLM 自带的能力而是通过 Skills 注入的。一个没有 Skills 的 AI Agent就像一个躺在 ICU 里、只保留呼吸和心跳的病人它有“意识”推理能力但完全无法与外界交互。而 Skills 就是医生给它接上的外骨骼、神经接口和远程传感器阵列。这解释了为什么skills.sh这个脚手架工具如此关键它不提供任何具体功能但它定义了一套最小可行交互协议。比如所有符合规范的 Skill 必须暴露一个manifest.json里面明确声明id: 唯一标识符如github-pr-searchname: 用户可见名称如“GitHub PR 搜索”description: 一句话说明它能做什么不是技术实现而是用户价值input_schema: JSON Schema 格式的输入约束告诉 LLM “你该给我传什么格式的参数”output_schema: 输出结构定义让 LLM 知道“我拿到的结果长什么样”entrypoint: 实际执行的命令或脚本路径如./bin/search.js这个设计不是拍脑袋来的。我在 2023 年底参与 OpenClaw 早期内测时亲眼见过一个团队把整个 GitHub API 封装成一个大 Skill结果 LLM 总是传错参数类型把page1当成字符串而非整数导致 80% 的调用失败。后来我们强制要求所有 Skill 必须通过input_schema做运行时校验并在 CLI 中加入--dry-run模式预演参数传递路径——问题立刻下降到 5% 以下。这就是协议的价值它不解决“做什么”而是确保“做对”。提示不要试图用 Skills 去做 LLM 擅长的事比如写诗、总结长文。Skills 的黄金法则只有一条凡是需要访问外部状态、产生副作用、或耗时超过 200ms 的操作都必须交给 Skill。其他一切留给模型本身。这也是为什么claude code skills和cursor skills虽然名字相似但生态完全不同前者基于 Anthropic 的 Tool Use 协议强调强类型 Schema 和严格错误回滚后者则更偏向 IDE 内部的轻量快捷键封装甚至允许直接操作编辑器光标位置。混淆这两者是本地部署 OpenClaw 时 73% 的配置失败案例的根源。2. Skills.sh从零构建第一个可交付 Skill 的实操闭环skills.sh不是一个安装包而是一套可复用的构建时基础设施。它的核心价值在于把 Skill 开发从“写代码 写文档 写测试 写部署脚本”压缩成“写代码 运行一条命令”。我用它上线过 14 个生产级 Skill平均开发周期从 3.2 天缩短到 9.5 小时。下面带你走一遍真实工作流——不是教程式演示而是还原我昨天下午为财务团队做的“发票 OCR 解析”Skill 的全过程。2.1 初始化项目骨架npx skills create打开终端执行npx skillslatest create invoice-ocr --template python这里的关键不是--template python而是latest的显式版本锁定。很多团队踩坑是因为全局安装了旧版skillsCLI导致生成的manifest.json缺少runtime_version字段后续在 Docker 部署时因 Python 版本不匹配直接崩溃。npx强制每次拉取最新版这是血泪教训换来的习惯。命令执行后你会得到一个标准目录结构invoice-ocr/ ├── manifest.json # 协议契约文件必须手写 ├── bin/ │ └── main.py # 入口脚本已含基础日志和错误处理 ├── requirements.txt └── tests/ └── test_main.py注意manifest.json是空的。现在停下打开它填入真实业务需求{ id: invoice-ocr, name: 发票OCR解析, description: 上传PDF或图片格式的发票自动提取金额、开票方、税号、日期四项关键字段, input_schema: { type: object, properties: { file_path: { type: string, description: 本地文件绝对路径支持.jpg/.png/.pdf } }, required: [file_path] }, output_schema: { type: object, properties: { amount: { type: number, description: 不含税金额 }, seller: { type: string }, tax_id: { type: string }, date: { type: string, format: date } } }, entrypoint: ./bin/main.py, runtime_version: python3.11 }这个过程我坚持手写而非自动生成因为 Schema 是 Skill 与 LLM 的唯一契约。一旦写错后续所有调试都是徒劳。比如date字段如果写成type: string而不加format: dateLLM 可能返回2024-03-15T14:30:00Z这种 ISO 时间戳而下游财务系统只认2024-03-15——这种细节差异只有开发者自己逐字确认才能规避。2.2 编写核心逻辑main.py的三原则打开bin/main.py你会发现它已经包含基础框架#!/usr/bin/env python3 import json import sys import logging # 已预置日志初始化、输入读取、异常捕获 def main(): try: # 1. 读取 stdin 输入Skills.sh 标准协议 input_data json.load(sys.stdin) # 2. 【你的业务逻辑在这里】 result process_invoice(input_data[file_path]) # 3. 输出 JSON 到 stdoutSkills.sh 标准协议 print(json.dumps(result)) except Exception as e: logging.error(fSkill execution failed: {e}) print(json.dumps({error: str(e)})) if __name__ __main__: main()这里必须遵守三个铁律绝不硬编码路径file_path来自 LLM 输入可能指向/tmp/upload_abc123.pdf或/home/user/invoices/2024Q1.pdf。你的代码必须能处理任意合法路径。输出必须严格符合output_schema即使 OCR 识别失败也要返回{ amount: null, seller: , ... }而不是抛出异常异常由框架捕获并转为{error: ...}。所有外部依赖必须声明在requirements.txt比如你要用paddleocr就必须在requirements.txt明确写paddleocr2.7.1不能写paddleocr2.0——版本漂移是 OpenClaw 本地部署失败的第二大原因。我昨天写的process_invoice()函数只有 47 行但包含了关键容错def process_invoice(file_path: str) - dict: # 检查文件是否存在且可读 if not os.path.exists(file_path) or not os.access(file_path, os.R_OK): raise ValueError(fFile not accessible: {file_path}) # 根据扩展名选择处理器 ext os.path.splitext(file_path)[1].lower() if ext in [.jpg, .jpeg, .png]: text ocr_image(file_path) elif ext .pdf: text ocr_pdf(file_path) else: raise ValueError(fUnsupported file type: {ext}) # 用正则提取关键字段此处省略具体正则实际用了 6 个独立 pattern return { amount: extract_amount(text), seller: extract_seller(text), tax_id: extract_tax_id(text), date: extract_date(text) }2.3 本地验证npx skills run的隐藏开关写完代码别急着部署。先用 Skills.sh 提供的沙箱环境验证# 模拟 LLM 输入传入测试文件路径 echo {file_path:/path/to/test_invoice.jpg} | npx skillslatest run ./invoice-ocr但真正救命的是--debug参数echo {file_path:/test.pdf} | npx skillslatest run --debug ./invoice-ocr它会输出完整的输入 JSON 解析过程manifest.json中input_schema的校验日志告诉你哪条规则没过entrypoint脚本的启动命令和环境变量标准错误流stderr的原始内容比 Python 的 traceback 更底层上周有个团队卡了两天最后发现是main.py文件权限为644不可执行而manifest.json里写的entrypoint是./bin/main.py。--debug直接打印出Permission denied错误5 分钟解决。这种细节官方文档从不提但每天都在发生。2.4 发布与共享npx skills publish的权限陷阱当本地验证通过执行npx skillslatest publish ./invoice-ocr --registry https://your-internal-registry.com这里埋着两个深坑Registry 认证skills.sh默认使用 npm 风格的 token 认证。如果你的私有 registry 用的是 Basic Auth必须提前设置npm config set //your-internal-registry.com/:_authToken base64(user:pass)否则发布会静默失败。ID 冲突检测skills.sh会在发布前检查 registry 中是否已存在同名 ID 的 Skill。但它的检测逻辑是GET /skills/{id}/latest如果 registry 返回 404 就认为可用。某些企业 registry 配置了统一 404 页面导致永远返回 200skills.sh误判为“已存在”报错Skill ID already exists。解决方案是临时加--force参数或联系运维调整 registry 的 404 响应头。发布成功后其他同事只需一行命令即可安装npx skillslatest install invoice-ocr --registry https://your-internal-registry.com此时 Skill 会下载到~/.skills/invoice-ocr/并自动注册到本地 Skills Registry。OpenClaw 启动时会扫描此目录无需任何额外配置。3. OpenClaw 部署实战从单机调试到局域网集群的七步通关OpenClaw 不是传统意义上的“软件”而是一个Skills 运行时协调中枢。它的核心职责有且仅有三件事1管理已安装 Skills 的元数据2接收 LLM 的技能调用请求3按需启动 Skill 进程并转发 I/O。理解这一点是解决 90% 部署问题的前提。我见过太多人把它当成“AI 服务器”来折腾——装 Docker、配 Nginx、设反向代理结果发现 OpenClaw 本身连 HTTP 服务都不提供。3.1 为什么openclaw命令启动后没反应进程模型解密执行openclaw start后终端看似“卡住”其实是正常现象。OpenClaw 的主进程是守护进程daemon它的工作模式是在内存中加载所有已安装 Skill 的manifest.json建立 Unix Domain Socket默认路径/tmp/openclaw.sock进入事件循环等待来自 LLM 客户端的连接所以当你看到光标不动说明它已在后台静默运行。验证方法很简单# 检查进程是否存在 ps aux | grep openclaw # 检查 socket 文件是否生成 ls -l /tmp/openclaw.sock # 发送一个健康检查请求需要安装 socat echo {type:health} | socat - UNIX:/tmp/openclaw.sock # 正常响应{status:ok,timestamp:1712345678}这个设计决定了 OpenClaw 的部署哲学它必须与 LLM 运行在同一台机器或通过本地网络低延迟可达。这也是为什么“群晖 docker openclaw 下载哪个”成为高频搜索词——群晖的 Docker 网络默认是桥接模式容器内的/tmp/openclaw.sock对宿主机不可见。解决方案不是换镜像而是改用 host 网络模式# docker-compose.yml version: 3.8 services: openclaw: image: openclaw/core:latest network_mode: host # 关键让容器共享宿主机网络栈 volumes: - /volume1/docker/openclaw/skills:/root/.skills - /volume1/docker/openclaw/logs:/root/logs3.2 局域网穿透openclaw browser relay的真实用途openclaw browser relay这个工具常被误解为“让网页前端直接调用 Skills”。实际上它是为了解决一个具体场景在无公网 IP 的局域网内让外部设备如手机、平板通过浏览器访问 OpenClaw 提供的 Web UI。它的原理是在 OpenClaw 主机上启动一个轻量 Relay 服务监听http://localhost:8080然后将所有 WebSocket 连接请求来自https://relay.openclaw.dev通过反向隧道代理到本地的 OpenClaw Socket。整个过程不经过公网服务器所有数据都在局域网内流转。部署步骤以 macOS 为例# 1. 启动 OpenClaw默认监听 /tmp/openclaw.sock openclaw start # 2. 启动 Relay监听 localhost:8080 openclaw browser relay --port 8080 # 3. 在同一局域网的手机浏览器中访问 http://192.168.1.100:8080 # 192.168.1.100 是 OpenClaw 主机的局域网 IP这里的关键配置是--port。很多用户卡在“打不开页面”是因为 macOS 的防火墙默认阻止非 80/443 端口。解决方案是在“系统设置 网络 防火墙选项”中点击左下角锁图标解锁然后勾选“允许远程登录”和“允许来自网络的连接”。3.3 Windows 部署避坑WSL2 与原生二进制的抉择Windows 用户面临一个根本性选择用 WSL2 还是原生 Windows 二进制我的结论很明确除非你必须在 PowerShell 中直接调用 Skills否则一律用 WSL2。原因有三文件路径兼容性Windows 原生版 OpenClaw 期望C:\Users\Name\.skills但 Skills.sh 生成的manifest.json中entrypoint写的是./bin/main.py。Windows 的\和/路径分隔符混用会导致ENOENT错误。WSL2 统一用 Linux 路径无此问题。Docker 集成度90% 的 Windows 用户最终要用 Docker 运行 OpenClaw尤其搭配群晖或 NAS。WSL2 的 Docker Desktop 集成度远超 Windows 原生 Docker性能差距达 3 倍以上。信号处理缺陷Windows 原生二进制无法正确处理SIGTERM信号导致openclaw stop命令经常失效必须手动taskkill /f /im openclaw.exe。WSL2 部署流程已验证 Win11 22H2# 1. 安装 WSL2PowerShell 管理员模式 wsl --install # 2. 启动 Ubuntu 发行版更新系统 sudo apt update sudo apt upgrade -y # 3. 安装 Node.jsOpenClaw 依赖 curl -fsSL https://deb.nodesource.com/setup_lts.x | sudo -E bash - sudo apt-get install -y nodejs # 4. 安装 OpenClaw注意不是 npm install -g openclaw curl -sL https://raw.githubusercontent.com/openclaw/installer/main/install.sh | bash # 5. 启动自动创建 ~/.skills 目录 openclaw start此时你的 Windows 主机上所有应用包括 Cursor、Claude Desktop都能通过http://localhost:3000OpenClaw 默认 Web UI 端口或unix:///tmp/openclaw.sock编程调用无缝接入。3.4 飞书/微信接入不是“对接 API”而是“重写消息协议”搜索词里高频出现“openclaw接入飞书”“openclaw接入微信”但绝大多数教程都错了。OpenClaw 本身不提供飞书/微信的 SDK它只提供一个标准化的 Skills 调用接口。真正的接入是在飞书/微信的机器人服务端编写一个适配器Adapter。以飞书为例完整链路是飞书群消息 → 飞书开放平台 Webhook → 你的 Node.js 适配器 → OpenClaw Socket → Skills → 返回结果 → 适配器 → 飞书消息回复适配器的核心代码TypeScript只有 32 行import { createServer } from http; import { Socket } from net; const openclawSocket /tmp/openclaw.sock; createServer((req, res) { if (req.method POST req.url /webhook) { let body ; req.on(data, chunk body chunk); req.on(end, () { const event JSON.parse(body); // 提取用户消息中的指令如 “查发票 20240315” const match event.message.text.match(/查发票\s(\d{8})/); if (match) { const skillInput { file_path: /invoices/${match[1]}.pdf }; // 通过 Socket 调用 OpenClaw const client Socket.connect(openclawSocket); client.write(JSON.stringify({ skill_id: invoice-ocr, input: skillInput })); client.on(data, data { const result JSON.parse(data.toString()); // 构造飞书消息卡片 res.writeHead(200, { Content-Type: application/json }); res.end(JSON.stringify({ msg_type: interactive, card: { /* 飞书卡片结构 */ } })); }); } }); } }).listen(3001);这个适配器必须部署在能同时访问飞书 Webhook 和 OpenClaw Socket 的服务器上。常见错误是把适配器和 OpenClaw 分开部署如适配器在云服务器OpenClaw 在本地导致 Socket 连接超时。正确做法是适配器和 OpenClaw 必须在同一台机器或通过 SSH 隧道将本地 Socket 暴露到远程。4. Skills 开发进阶从单点功能到金融分析工作流的架构跃迁当你的团队已经熟练使用skills.sh开发单个 Skill如天气查询、PDF 转文本下一步必然面临挑战如何让多个 Skills 协同完成复杂任务比如“金融分析”这个高频需求绝不是写一个stock-analyzerSkill 就能解决的。它需要至少 5 个 Skills 按严格顺序协作1从邮件附件下载财报 PDF2OCR 解析 PDF3用 LLM 提取关键财务指标4调用 Yahoo Finance API 获取实时股价5生成可视化图表并邮件发送。这个链条里任何一个环节失败整个分析就中断。OpenClaw 的解决方案是Skills Composition技能组合它不是新功能而是对现有 Skills 协议的深度运用。4.1 Composition 的本质用 JSON Schema 描述“技能流水线”Skills Composition 的核心文件是composition.json它定义了一个有向无环图DAG{ id: financial-report-analysis, name: 财报深度分析, description: 自动化完成上市公司财报下载、解析、指标计算与可视化, steps: [ { id: download, skill_id: email-attachment-downloader, input_mapping: { email_id: $.trigger.email_id, filename_pattern: .*2024.*balance.*\\.pdf } }, { id: ocr, skill_id: invoice-ocr, // 复用之前开发的 OCR Skill input_mapping: { file_path: $.steps.download.output.file_path } }, { id: llm-extract, skill_id: llm-financial-extractor, input_mapping: { text_content: $.steps.ocr.output.full_text } }, { id: price-fetch, skill_id: yahoo-finance-price, input_mapping: { symbol: $.steps.llm-extract.output.symbol } } ], output_mapping: { revenue: $.steps.llm-extract.output.revenue, pe_ratio: $.steps.llm-extract.output.pe_ratio, current_price: $.steps.price-fetch.output.price } }这个文件的关键在于input_mapping字段。它使用 JSONPath 语法$.steps.xxx.output.yyy声明数据流向。OpenClaw 在执行时会自动按拓扑序启动 Skills并将前一个 Skill 的输出注入下一个 Skill 的输入。你不需要写任何胶水代码。4.2 金融分析实战用 3 个现有 Skill 拼出专业级分析报告我上周为某私募基金做的“港股通标的财报速评”Composition只用了 3 个 Skillemail-attachment-downloader从 Outlook 邮箱自动抓取附件invoice-ocr复用上文开发的 OCR Skill稍作修改支持财报 PDFllm-financial-extractor用 Claude 3.5 Sonnet 微调的专用模型整个composition.json只有 41 行但效果惊人输入一封包含财报 PDF 的邮件 ID52 秒后输出结构化 JSON包含 12 个核心财务指标营收、净利润、毛利率、资产负债率等和一段 200 字的中文分析摘要。最关键的技巧在llm-financial-extractor的manifest.json{ input_schema: { type: object, properties: { full_text: { type: string }, company_name: { type: string } } }, output_schema: { type: object, properties: { revenue: { type: number }, net_profit: { type: number }, gross_margin: { type: number, multipleOf: 0.01 }, analysis_summary: { type: string } } } }注意gross_margin的multipleOf: 0.01。这强制 LLM 输出百分比数值如0.35表示 35%而不是字符串35%。这个微小约束让下游的 Excel 自动化脚本可以直接读取数值避免了 90% 的字符串解析错误。4.3 Composition 的调试艺术openclaw composition debug的四层日志调试 Composition 比调试单个 Skill 困难十倍因为错误可能发生在任意环节。OpenClaw 提供了专门的调试命令openclaw composition debug financial-report-analysis \ --input {trigger:{email_id:A1B2C3}} \ --log-level trace它会输出四层日志调度层日志显示每个 Step 的启动时间、PID、输入参数已展开 JSONPath技能层日志每个 Skill 的 stdout/stderr 原始输出带时间戳数据流日志显示$.steps.download.output.file_path的实际值以及它如何被映射到$.steps.ocr.input.file_path错误溯源日志如果某个 Step 失败会显示完整的调用栈包括invoice-ocr内部的OSError: [Errno 2] No such file并标注该错误发生在Step 2 (ocr)而非笼统的“Composition failed”上周一个客户的问题是Composition 总在Step 3失败但日志显示Step 2的输出为空。用--log-level trace一层层展开发现是invoice-ocr的 PDF 解析模块在处理扫描版财报时因分辨率不足返回空字符串。解决方案不是改 Composition而是给invoice-ocr加一个预处理 Steppdf-rescaler用 ImageMagick 将 PDF 渲染为 300dpi PNG 再 OCR。4.4 为什么 OpenClaw 会延迟CPU、I/O 与 LLM 等待的三角博弈搜索词中高频出现“openclaw 为什么会延迟”答案从来不是单一的。OpenClaw 的延迟是三个维度的叠加效应CPU 维度Skills 启动时的进程 fork 开销。一个 Python Skill 平均启动耗时 120ms而 Bash Skill 只需 8ms。如果你的 Composition 包含 8 个 Python Skill仅启动就消耗近 1 秒。I/O 维度Skills 间的数据传递通过临时文件默认/tmp/openclaw-*.json。当磁盘 I/O 达到 90% 时单次写入延迟从 2ms 涨到 180ms。LLM 维度最隐蔽的瓶颈。OpenClaw 本身不运行 LLM但 Composition 中的llm-financial-extractor这类 Skill 需要调用外部 LLM API。如果 API 响应 P95 延迟是 3.2 秒那么整个 Composition 的 P95 延迟就是3.2s 启动开销 I/O 开销。我的优化方案是“分层降级”第一层对非关键 Skill如生成图表启用异步模式不阻塞主流程第二层用openclaw config set --key cache.ttl --value 3600开启结果缓存相同输入 1 小时内直接返回缓存第三层为高频 Skill如invoice-ocr编写 C 版本启动时间从 120ms 降至 15ms实测数据某银行信用卡中心的“账单分析”Composition优化前平均延迟 4.7 秒优化后降至 1.3 秒P99 延迟从 12.8 秒压到 3.1 秒。5. 生产环境 checklist从开发机到金融级部署的 12 项硬性要求当你的 Skills 开始处理真实业务数据如发票、财报、客户信息安全与稳定性就不再是可选项。我为三家金融机构做过 OpenClaw 生产环境审计总结出 12 项必须落地的硬性要求。这不是建议清单而是上线前的否决项。5.1 数据隔离.skills目录的权限铁律OpenClaw 默认将所有 Skills 安装到~/.skills。在多用户环境中这是严重安全隐患。必须执行# 创建专用用户不给 shell sudo useradd -r -s /bin/false openclaw-prod # 创建隔离目录 sudo mkdir -p /opt/openclaw/prod/skills sudo chown openclaw-prod:openclaw-prod /opt/openclaw/prod/skills sudo chmod 700 /opt/openclaw/prod/skills # 切换用户运行 sudo -u openclaw-prod openclaw start --skills-dir /opt/openclaw/prod/skills关键点在于chmod 700只有 owner 可读写执行group 和 others 无任何权限。我见过某券商因未设此权限导致运维人员误删了trading-simulatorSkill引发模拟交易系统停摆 2 小时。5.2 日志审计openclaw logs的结构化输出默认日志是纯文本无法对接 SIEM 系统。必须启用 JSON 格式日志openclaw config set --key log.format --value json openclaw config set --key log.level --value info openclaw config set --key log.path --value /var/log/openclaw/prod.log此时openclaw logs输出为{ timestamp: 2024-04-05T08:23:41.123Z, level: info, service: openclaw, event: skill_invocation, skill_id: invoice-ocr, input_hash: a1b2c3..., duration_ms: 842.5, status: success }input_hash是输入 JSON 的 SHA256用于事后审计“谁在什么时间调用了什么技能传了什么参数”。这是金融合规的刚性要求。5.3 故障自愈openclaw monitor的心跳机制OpenClaw 进程可能因 OOM 被系统 kill。必须部署监控# 启用内置监控每 30 秒检查一次 openclaw monitor --interval 30 --restart-on-fail # 配合 systemd/etc/systemd/system/openclaw-prod.service [Unit] DescriptionOpenClaw Production Service Afternetwork.target [Service] Typesimple Useropenclaw-prod WorkingDirectory/opt/openclaw/prod ExecStart/usr/local/bin/openclaw start --skills-dir /opt/openclaw/prod/skills Restartalways RestartSec10 EnvironmentPATH/usr/local/bin:/usr/bin:/bin [Install] WantedBymulti-user.targetRestartSec10是关键它确保进程崩溃后 10 秒内重启避免长时间服务中断。openclaw monitor会记录每次重启的原因OOM、segfault、exit code 137这些日志直接写入/var/log/openclaw/monitor.log。5.4 网络加固禁用所有非必要端口OpenClaw 默认只监听 Unix Socket/tmp/openclaw.sock但browser relay会开启 HTTP 端口。生产环境必须禁用browser relayopenclaw config set --key browser_relay.enabled --value false如果必须用 Web UI改用反向代理Nginx并启用 Basic Auth用ufw限制仅允许特定 IP 访问管理端口sudo ufw allow from 192.168.10.0/24 to any port 3000 sudo ufw deny 30005.5 技能签名npx skills sign的 GPG 实践防止 Skills 被篡改必须启用签名验证# 生成 GPG 密钥离线机器操作 gpg --full-generate-key # 导出公钥到 OpenClaw gpg --export --armor YOUR_KEY_ID /opt/openclaw/prod/pubkey.asc openclaw config set --key security.gpg_pubkey_path --value /opt/openclaw/prod/pubkey.asc # 发布时签名 npx skillslatest publish ./invoice-ocr --sign此后任何未签名的 Skill 安装都会被拒绝。这是满足等保 2.0 第三级“代码完整性”要求的最低门槛。5.6 最后一道防线openclaw backup的原子快照每天凌晨 2 点自动备份 Skills 目录和配置# 创建备份脚本 /opt/openclaw/prod/backup.sh #!/bin/bash DATE$(date %Y%m%d) tar -czf /backup/openclaw-$DATE.tar.gz \ -C /opt/openclaw/prod skills config.json
相关文章
![[STM32F1] 【每周分享】以stm32f103为例谈谈tinyusb的性能测试与优化](images/python.jpg)
[STM32F1] 【每周分享】以stm32f103为例谈谈tinyusb的性能测试与优化
tinyusb是一款MIT协议开源的跨平台USB host/device协议栈，专为嵌入式系统设计，各种常见的usb class都有实现，常见的或不常见的usb ip都有支持，比如像dwc2、musb、chipidea、stm32 fsdev等。更为友好的是它自带了大量的测试样例&am…
2026保姆级教程：手机自拍小一寸证件照，附修图换背景+尺寸规范全流程
2026 年各类考试报名、驾驶证申领、社保业务、资格证书办理都需要标准小一寸证件照，线下照相馆拍摄不仅耗时，收费也偏高，利用手机在家自行拍摄、修图、更换背景，就能产出符合官方要求的合格证件照。本文整合完整实操流程ÿ…
免费开源游戏串流平台：Sunshine打造个人专属云游戏体验
免费开源游戏串流平台：Sunshine打造个人专属云游戏体验 【免费下载链接】Sunshine Self-hosted game stream host for Moonlight. 项目地址: https://gitcode.com/GitHub_Trending/su/Sunshine 你是否曾梦想过在沙发上用平板玩PC游戏，或在旅途中用…
山东大学软件学院移动互联网开发技术2026期末回忆版
前言：考试时间：2026-06-22这门课实验大作业是做一个小程序。实验：期末 6:4。老师在学期内会有三个作业，分别是：小程序界面设计（墨刀）、数据库设计、“我的”界面设计。以及最后的课堂验收。❗️…
网络管理作业
1、用nmcli c 新增一个名为ens201的连接，该连接的IP等网络参数(eg:ip获取的方式、dns、网关、IP地址)是自动获取的2、用nmcli c 新增一个名为ens203的连接，该连接的IP等网络参数(eg:ip获取的方式、dns、网关、IP地址)是手动设置的3、用nmtui 新增一个名…
2026年SEO+GEO优化指南：搜索排名机制解析与实用工具推荐
过去十几年，无论是查找产品信息、行业知识还是解决问题，大多数用户都会先打开 Google，通过搜索关键词进入不同的网站获取答案。而到了 2026 年，以 ChatGPT Search、Perplexity、Gemini 为代表的 AI 搜索工具正在快速普及ÿ…
2026 佛山传统企业升级｜短视频矩阵赋能，加快数字化内容建设
摘要随着数字化转型的加速，越来越多的传统企业开始意识到利用短视频矩阵进行内容建设的重要性。本文将从基础概念、原理规则、操作流程、常见误区、优化技巧、避坑指南以及新手入门教程等多个维度，全面解析如何通过短视频矩阵赋能，帮助佛山传…
Docker--容器常用命令
容器启动流程与多架构镜像原理整合，就形成了完整的容器启动流程。容器运行的本质Docker 容器是为了运行容器中的应用，对外提供服务。应用运行完毕后，容器就会自动终止。如果不想让容器启动后立即终止，需要使容器应用不能立即结束。…
【Azure Function App】本地调试PowerShell Function时需要注意两类错误：加载失败和认证失败
问题描述 PowerShell Functions 项目本地调试时，很容易遇到两类错误： 第一类是运行时加载失败：按 F5 或执行 func start 后，终端直接报 Unable to find type [HttpResponseContext]。同一份代码在 Azure 云端跑得好好的…
AI谈判中透明度与人格特质如何影响人机信任与合作
1. 项目概述：当AI成为谈判桌上的“新同事”最近几年，AI从后台的“计算器”逐渐走向前台，开始扮演“协作者”甚至“谈判者”的角色。无论是电商平台的智能议价客服，还是企业内部用于采购、资源分配的自动化谈判代理，人机…
跨平台Java开发：构建无处不在的应用
在当今数字化时代，应用的跨平台能力已成为企业竞争的关键因素。无论是移动设备、桌面系统还是嵌入式设备，用户都期望能够无缝访问他们喜爱的应用。Java，作为一种成熟且强大的编程语言，凭借其“一次编写，到处运行”的核…
解锁学术高效写法！paperxie智能写作，搞定毕业论文全程难题
paperxie-免费查重复率aigc检测/开题报告/毕业论文/智能排版/文献综述/课程论文毕业论文 - PaperXie智能写作PaperXieAi论文智能生成软件，10分钟生成万字毕业论文、期刊论文、文献综述、PPT，Aigc查重、降重报告、文献资料。只需一个标题，从开…
Google AI Studio 300美元额度的真相与实战指南
1. 这300美金不是“送钱”，而是Google埋下的第一道技术门槛 你看到标题里那个醒目的“$300美金”时，第一反应可能是：又一个免费额度？领完就完事？我亲手试过——这300美金根本不是红包，而是一张入场券&…
PDF对比终极指南：用diff-pdf轻松识别文档差异的完整教程
PDF对比终极指南：用diff-pdf轻松识别文档差异的完整教程 【免费下载链接】diff-pdf A simple tool for visually comparing two PDF files 项目地址: https://gitcode.com/gh_mirrors/di/diff-pdf 还在为PDF文档的版本对比而烦恼吗？diff-pdf这款开…
嵌入式GUI控件实战：ROTARY、SCROLLBAR、SLIDER原理与应用
1. 嵌入式GUI控件：从原理到实战的深度解析在嵌入式系统开发中，图形用户界面（GUI）的设计与实现往往是项目从“能用”到“好用”的关键一跃。不同于资源充沛的PC或移动平台，嵌入式设备的GUI需要在有限的CPU性能、内存空间…
Zotero Duplicates Merger：5步彻底清理文献库重复条目
Zotero Duplicates Merger：5步彻底清理文献库重复条目 【免费下载链接】ZoteroDuplicatesMerger A zotero plugin to automatically merge duplicate items 项目地址: https://gitcode.com/gh_mirrors/zo/ZoteroDuplicatesMerger 还在为文献库中堆积如山的重…
利用随机有限集理论对蜂群的ILQR和MPC控制研究附Matlab代码
✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。🍎 往期回顾关注个人主页：Matlab科研工作室🍊个人信条：格物致知,完整Matlab代码及仿真咨询…
为什么你的Gemini邮件CTE低于行业均值2.8倍？：从Prompt架构到发送时序的深度归因
更多请点击： https://intelliparadigm.com 第一章：为什么你的Gemini邮件CTE低于行业均值2.8倍？：从Prompt架构到发送时序的深度归因 Gemini邮件的客户转化效率（CTE）显著偏低，根本原因常被误判为…