“Skills”在 2025–2026 年的語境里，已不僅是“可復(fù)用提示詞模板”，而逐漸演化為一種可移植的、可工程化治理的“過程性能力包”：以文件夾為最小分發(fā)單元，包含 SKILL.md（YAML frontmatter + Markdown 指令）、可選的 references/（按需加載知識/規(guī)程）、assets/（模板/靜態(tài)資源）與 scripts/（可執(zhí)行腳本），并以“漸進式信息披露（progressive disclosure）”降低上下文成本、提升可維護性與可審計性。AgentSkills 規(guī)范將這一模式標(biāo)準(zhǔn)化：啟動時僅加載元數(shù)據(jù)（name/description），觸發(fā)后加載 SKILL.md 正文，執(zhí)行時再按需讀取資源或運行腳本。

OpenClaw（開源、可自托管的常駐 Agent 平臺）把“Skills”作為核心擴展機制，并顯式實現(xiàn)了：多目錄技能加載與覆蓋優(yōu)先級、基于 metadata 的加載時過濾（OS / binaries / env / config 依賴）、將“可用技能清單”以緊湊 XML 形式注入系統(tǒng)提示、以及與 Slash Commands（/...）的聯(lián)動（可選擇繞過模型，直接把命令分發(fā)到工具以獲得確定性）。同時，圍繞 Skills 的開放生態(tài)（ClawHub 注冊中心、第三方 skills）也帶來了顯著的供應(yīng)鏈與提示注入風(fēng)險，促使社區(qū)與安全廠商提出“把 Skills 當(dāng)作不可信代碼”的運行與隔離建議。

本文從 Prompt 到 Scripts的譜系，逐層給出定義、作用、示例與誤區(qū)；進一步系統(tǒng)分解 Skill 的組成成分、運行流程與 LLM 交互模式（同步/異步、流式/批量），并給出可落地的偽碼與 Mermaid 序列圖；隨后給出兩張對比表（Prompt/Memory/MCP/Skills；以及 LLM→工具調(diào)用→Agent→多 Agent→增強記憶→Workflow/Manus→OpenClaw），最后用兩個端到端示例展示從 prompt 到 skill 觸發(fā)、執(zhí)行、結(jié)果整合的完整鏈路。

1.從 Prompt 到 Scripts：可操作上下文的分層譜系

1.1 Prompt

定義：Prompt 是一次模型推理的“輸入上下文集合”，通常包含：系統(tǒng)級指令、用戶輸入、對話歷史、工具/函數(shù)定義與工具返回、以及（可能的）外部檢索片段或記憶摘要等。它不是單一字符串，而是多段結(jié)構(gòu)化內(nèi)容在運行時拼裝后的整體。

作用：Prompt 的核心作用是把“任務(wù)意圖 + 約束 + 可用能力邊界 + 證據(jù)”對齊到一次或多次模型調(diào)用中。提示工程研究與實踐普遍認(rèn)為：結(jié)構(gòu)更清晰、約束更明確的輸入，通常能降低幻覺與偏航概率，但過度復(fù)雜的提示也可能帶來收益遞減。

示例（偽碼）：

prompt = [ 
system("你是一個工程助理。遵循安全與權(quán)限規(guī)則。"),  
system("可用工具: search_web, fetch_url, run_script"),  
user("總結(jié)最近的 OpenClaw skills 安全事件，并給出緩解建議。"),  
tool_result("search_web", {...}),  // 后續(xù)回填]response = LLM.generate(prompt)

最佳實踐：把 Prompt 當(dāng)作“輸入合約（input contract）”來設(shè)計：明確角色、目標(biāo)、不可做的事、以及可用工具邊界；將可變信息（證據(jù)、運行參數(shù)）從不可變規(guī)范（策略、格式）中分離，減少“提示耦合”。

常見誤區(qū)：把 Prompt 等同于“幾段話術(shù)”；把所有背景一次性塞進上下文導(dǎo)致窗口膨脹；在缺乏證據(jù)時要求模型“給出權(quán)威結(jié)論”，誘發(fā)編造。

1.2 普通提示詞

定義：普通提示詞指以自然語言為主的指令/問答式輸入，輸出期望也通常是自然語言。它強調(diào)“人類可讀”，但對模型而言約束較松。

作用：快速表達意圖與評估模型能力；適合探索性對話、創(chuàng)意生成、粗略方案討論。

示例：

請用中文解釋 
OpenClaw 的 skills 機制，
說明它與 MCP、工具調(diào)用的關(guān)系，并給出工程化最佳實踐。

最佳實踐：用“任務(wù) + 受眾 + 約束 + 輸出格式”四件套寫法減少歧義；把不可妥協(xié)的約束（安全、權(quán)限、引用）寫成顯式規(guī)則。

常見誤區(qū)：把復(fù)雜工作流交給一個“長句”提示；把“過程”隱藏，只要“結(jié)果”，導(dǎo)致模型在中間步驟難以自糾錯。

1.3 結(jié)構(gòu)化提示詞

定義：結(jié)構(gòu)化提示詞是指把輸入/輸出組織為明確結(jié)構(gòu)（如分隔區(qū)塊、YAML/JSON、表格約束、或直接使用函數(shù)/工具調(diào)用的 JSON Schema 合約）。在現(xiàn)代 API 里，它往往與“工具調(diào)用（tool/function calling）”與“結(jié)構(gòu)化輸出（structured outputs）”綁定。

作用：把部分“語言問題”變成“接口問題”：模型只負(fù)責(zé)選擇工具與生成參數(shù)，運行時負(fù)責(zé)執(zhí)行與校驗，從而提升確定性與可測試性。

示例（OpenAI 風(fēng)格工具定義，JSON Schema）（示意）：

{ 
"tool":
{    
"name": "search_web",   
"description": "在互聯(lián)網(wǎng)上檢索最新信息并返回結(jié)果列表",    
"parameters": 
{      
"type": "object",      
"properties": {        
"q": { "type": "string" },        
"recency_days": { "type": "integer" }      
},      
"required": ["q"]    
}  
}}

這類“用 schema 定義工具輸入”的機制是 entity [“company”,“OpenAI”,“ai research company”] 與 entity [“company”,“Anthropic”,“ai safety company”] 文檔中共同強調(diào)的能力形態(tài)：工具輸入可被校驗，非法參數(shù)可直接失敗并回傳給模型進入下一輪修正。

最佳實踐：
把“結(jié)構(gòu)”用在真正需要確定性的地方（工具參數(shù)、輸出格式、可審計報告）；對 schema 做“向后兼容”設(shè)計（可選字段、版本號）；將工具返回做成“短而有效”的上下文，不把大段日志原封不動塞回模型。

常見誤區(qū)：以為“給了 JSON schema 就必然嚴(yán)格遵守”；在流式場景下把工具調(diào)用 JSON 當(dāng)作字符串拼接，造成半截 JSON/非法 JSON；把“結(jié)構(gòu)化提示”誤用為“更長的模板”，反而增加 token 負(fù)擔(dān)。

1.4 Command

定義：Command 是“繞過自然語言推理、直接驅(qū)動控制流”的輸入形式。典型表現(xiàn)是 Slash Commands（/...）或 CLI 子命令，其語義更接近“操作系統(tǒng)命令/協(xié)議幀”而不是問答。OpenClaw 的文檔將其明確為由 Gateway 處理：多數(shù)命令必須是以 / 開頭的獨立消息；并存在“directives”（如 /think、/model、/exec）這類會在進入模型前被剝離的控制指令。

作用：

1. 把“會話狀態(tài)”（模型選擇、推理強度、是否允許 exec、隊列模式等）顯式化；
2. 在安全與可預(yù)期性要求更高的場景下，把路徑從“模型決定”改為“確定性分發(fā)”。OpenClaw 甚至允許 skill 聲明 command-dispatch: tool，使某些 skill 命令直接路由到工具而完全不經(jīng)模型。

示例（OpenClaw）：

/status/skill 
pdf-processing ./input.pdf/think 
high/exec 
host=sandbox 
security=allowlist 
ask=on-miss

最佳實踐：把命令系統(tǒng)當(dāng)作“控制平面 API”：做授權(quán)（allowlist）、審計、以及“默認(rèn)拒絕”（deny wins）的策略；讓普通自然語言只走“數(shù)據(jù)平面”（模型推理與工具組合），避免把權(quán)限控制混進 prompt。

常見誤區(qū)：把 commands 當(dāng)作“更強 prompt”，把敏感信息與權(quán)限開關(guān)暴露在群聊或不可信入口；把“命令執(zhí)行成功”誤判為“任務(wù)已安全完成”，忽視命令鏈路帶來的副作用（例如環(huán)境被修改、憑據(jù)常駐、配置漂移）。

1.5 Metadata description

定義：Metadata description 是“給模型/運行時用于發(fā)現(xiàn)、篩選、觸發(fā)與治理”的緊湊描述層。在 AgentSkills/Skill 體系里，它通常落在 SKILL.md 的 YAML frontmatter（至少 name 與 description），決定“這個 skill 何時該被使用”。

OpenClaw 在此基礎(chǔ)上擴展了更強的運行時 metadata：其技能解析器要求 frontmatter key 多為單行，并建議 metadata 為單行 JSON 對象；metadata.openclaw 可聲明依賴（需要哪些 bins/env/config）、平臺限制（OS）、安裝器規(guī)格、以及與 skills.entries.<name> 的注入與配置綁定。

作用：

• 發(fā)現(xiàn)與觸發(fā)：啟動時只加載 name/description，讓模型用低成本“知道有哪些技能”，再在匹配時加載正文。
• 過濾與治理：運行時據(jù) metadata 決定 skill 是否“eligible”（可用），例如缺少二進制依賴或環(huán)境變量則不加載，避免“模型看到不可執(zhí)行能力”導(dǎo)致失敗循環(huán)。
• 安全與權(quán)限邊界：通過 disable-model-invocation 讓 skill 不進入模型提示，僅允許用戶顯式調(diào)用；或通過 command-dispatch: tool 走確定性路徑。

示例（一個合并“規(guī)范 + OpenClaw gating”的 SKILL.md 頭部）：

---name:web-researchdescription:面向技術(shù)調(diào)研的證據(jù)檢索與引用匯總。
用戶提到“最新/近況/對比/引用來源”時使用。
metadata:{"openclaw":{"os":["darwin","linux"],"requires":{"config":["web.enabled"]}}}
user-invocable:truedisable-model-invocation:false---

最佳實踐：把 description 寫成“可檢索的觸發(fā)器”（包含用戶可能說的關(guān)鍵詞 + 明確的使用邊界）；把平臺/依賴寫入 metadata 而不是正文；為 metadata 加版本號與作者信息，便于審計與回滾。元數(shù)據(jù)質(zhì)量直接影響“技能檢索是否被投毒/誤選”，屬于治理重點。

常見誤區(qū)：description 過于抽象（“幫助你更高效”）導(dǎo)致檢索泛化；metadata 與實際行為不一致（“只讀”卻要求執(zhí)行腳本）；將復(fù)雜 JSON 放入 OpenClaw 不支持的多行 frontmatter，導(dǎo)致解析失敗。

1.6 Reference

定義：Reference 是“技能執(zhí)行時按需加載的補充材料”，典型形態(tài)是獨立 Markdown 文檔、表單填寫指南、API 參考、政策/規(guī)范等。AgentSkills/Claude 的最佳實踐明確建議：SKILL.md 類似目錄（table of contents），詳細(xì)材料放到 reference.md、FORMS.md、examples.md 等文件里，必要時再加載。

作用：

1. 把上下文窗口當(dāng)作“公共資源”：只在需要時消耗 token；
2. 讓參考資料成為可審計資產(chǎn)（版本控制、diff、評審）；
3. 讓技能正文保持短小，降低觸發(fā)成本。

示例（目錄結(jié)構(gòu)）（來自 Claude 最佳實踐示意）：

pdf/├── SKILL.md├── FORMS.md├── reference.md├── examples.md└── scripts/   
├── analyze_form.py    
├── fill_form.py    
└── validate.py

最佳實踐：reference 以“可定位、可檢索”為第一原則：短段落、強標(biāo)題、明確輸入輸出示例；在 SKILL.md 中用相對路徑鏈接引用文件；把組織級 SOP/安全策略放進 references 而不是寫進 prompt 模板里。

常見誤區(qū)：把 reference 當(dāng)作“知識倉庫傾倒點”，導(dǎo)致加載成本巨大；把敏感信息（密鑰、內(nèi)網(wǎng)地址）放入 reference，形成泄漏面；引用鏈過深（reference 里再引用 reference）使 agent 在執(zhí)行時迷失。

1.7 Scripts

定義：Scripts 是技能包內(nèi)的可執(zhí)行代碼（Python/Bash/JS 等），其關(guān)鍵點在于：腳本應(yīng)被“執(zhí)行”而不是“加載進上下文”。Claude 的技能目錄示例明確標(biāo)注 scripts 為“executed, not loaded”。AgentSkills 規(guī)范也把 scripts/resources 放在漸進式披露的第 3 層：僅在需要時才使用。

作用：把確定性步驟外包給傳統(tǒng)程序：解析/校驗/格式化/批處理等；從而提升可測試性、可復(fù)現(xiàn)性，并降低“讓模型憑 token 模擬執(zhí)行”的錯誤率。

示例（SKILL.md 中聲明可用腳本）：

## Available scripts- scripts/extract_citations.py — 從網(wǎng)頁抓取結(jié)果中抽取主張與證據(jù)片段- scripts/normalize_md.py — 把輸出歸一化為團隊博客模板執(zhí)行規(guī)則：優(yōu)先運行腳本，不要嘗試在對話中“腦補執(zhí)行”。

最佳實踐：

• 運行腳本前先做輸入校驗與最小權(quán)限（workspace-only、deny-by-default）；
• 將腳本視作供應(yīng)鏈依賴：需要簽名、審計、鎖版本與 CI 驗證；
• 把“驗證步驟”寫進 skill（例如 validate.py），形成反饋閉環(huán)，避免錯誤一路傳播到最后一步。

常見誤區(qū)：把 scripts 當(dāng)作“更強的 prompt”，允許其在宿主機任意執(zhí)行；從不審計第三方 skills/scripts；將“安裝依賴”寫成一條不透明的 curl | bash 指令，制造典型社會工程入口。

2.Skill：最新概念、組成與運行機制

2.1 “Skill”在 2026 語境下的嚴(yán)格定義

從規(guī)范與主流實現(xiàn)看，一個“Skill”更接近如下定義：

Skill = 可發(fā)現(xiàn)的元數(shù)據(jù) + 可執(zhí)行/可操作的過程性指令 + 可選資源（references/assets/scripts） + 漸進式加載策略 +（可選）權(quán)限/環(huán)境門控。

AgentSkills 規(guī)范給出了最小合約：skill 是包含 SKILL.md 的目錄；啟動時加載 name/description，激活時加載正文，運行時按需加載 resources。 Claude、GitHub Copilot、VS Code 等實現(xiàn)都圍繞這一文件系統(tǒng)布局展開，并強調(diào)“目錄名與 name 匹配、description 要寫清何時使用”。 OpenClaw 明確聲明其 skills 文件夾兼容 AgentSkills，并在運行時做額外 gating 與命令聯(lián)動。

2.2 Skill 的組成成分拆解

下面給出一個面向工程實現(xiàn)的“Skill 組件清單”（不是唯一標(biāo)準(zhǔn)，但與主流規(guī)范兼容）。

接口（Interface）：Skill 對外至少暴露“何時使用（trigger）”與“如何調(diào)用（instructions）”。在實踐里，接口由兩層構(gòu)成：

• 發(fā)現(xiàn)接口：name/description（以及可選 trigger hints、兼容性信息）；
• 執(zhí)行接口：正文指令 + 告訴 agent 需要哪些工具、需要讀哪些 reference、要運行哪些 scripts。

Schema（合約/結(jié)構(gòu)）：

• 對“工具調(diào)用”的 schema：通常是 JSON Schema（OpenAI/Anthropic 工具接口）或 MCP 的 tool schema；
• 對“skill 輸入”的 schema：行業(yè)里有兩種常見做法：

1. 輕量做法：讓 skill 在指令中要求模型先提取字段并以固定格式呈現(xiàn)；
2. 強約束做法：將 skill 暴露為一個 tool（SkillTool），用 JSON Schema 約束 skill 的輸入?yún)?shù)，再由運行時裝載 skill 正文與資源。

能力描述（Capability description）：description 是核心，決定檢索命中質(zhì)量。學(xué)術(shù)綜述將其視為“Pattern-1：Metadata-Driven Disclosure”的關(guān)鍵風(fēng)險面：元數(shù)據(jù)寫錯會導(dǎo)致誤檢索或被投毒。

輸入/輸出（I/O）：

• 輸入：用戶原始意圖 +（可選）從對話中結(jié)構(gòu)化提取的槽位參數(shù) +（可選）執(zhí)行上下文（workspace 路徑、會話狀態(tài)、工具權(quán)限）；
• 輸出：對用戶的自然語言結(jié)果 +（可選）結(jié)構(gòu)化產(chǎn)物（JSON、補丁、文件、外部系統(tǒng)狀態(tài)變更）。OpenAI 的 Responses API 設(shè)計把“tool call”與“tool output”作為可關(guān)聯(lián)的 item（call_id），便于回放與評估。

狀態(tài)/上下文（State/Context）：技能執(zhí)行往往依賴會話狀態(tài)（已檢索到的證據(jù)、已生成的 artifacts、已運行的命令與返回碼）。在工程實現(xiàn)上，常見做法是將其放入 Agent state（LangGraph/LangChain 語境）或 SDK 提供的內(nèi)置 agent loop 狀態(tài)。

錯誤處理（Error handling）：技能的價值之一是“把錯誤處理流程也固化下來”：例如命令失敗時要收集 stderr、調(diào)整參數(shù)重試、或回退到保守策略。SoK 指出：把“恢復(fù)（recovery）”當(dāng)作一等技能，會帶來可治理性與可信度上的要求（恢復(fù) skill 必須至少與被恢復(fù) skill 同等可信）。

2.3 Skill 的運作流程：觸發(fā)、解析、執(zhí)行、回調(diào)與結(jié)果整合

下面用一個“兼容 AgentSkills/OpenClaw”的通用流水線描述技能生命周期（階段名與 OpenClaw/AgentSkills 的術(shù)語做了對齊）。（圖在評論區(qū)置頂）

flowchart TD  A[Discover: 掃描技能目錄] --> B[Index: 僅加載name/description等元數(shù)據(jù)]  B --> C{Match: 與用戶意圖匹配?}  C -- 否 --> D[繼續(xù)普通對話/工具調(diào)用]  C -- 是 --> E[Activate: 加載SKILL.md正文]  E --> F{Need refs/assets?}  F -- 是 --> G[Load refs/assets: 按需讀取文件]  F -- 否 --> H[Execute: 進入Agent Loop]  G --> H  H --> I{Need scripts/tool calls?}  I -- 工具調(diào)用 --> J[Tool call -> 執(zhí)行 -> tool result回填]  I -- 運行腳本 --> K[Run script -> stdout/stderr -> 回填]  J --> H  K --> H  H --> L[Integrate: 匯總結(jié)果與證據(jù)]  L --> M[Respond: 輸出給用戶 + 可選產(chǎn)物]

這一流程與 AgentSkills 的“漸進式披露三層結(jié)構(gòu)”一致：先元數(shù)據(jù)，再正文，再資源；也與 OpenClaw 的“加載/過濾/注入/執(zhí)行/回填”相吻合。

在 OpenClaw 中，上述階段還會疊加若干運行時細(xì)節(jié)：

• 多來源與覆蓋優(yōu)先級：bundled → ~/.openclaw/skills → <workspace>/skills，同名 skill 可被更高優(yōu)先級覆蓋。
• Load-time gating：讀取 metadata.openclaw.requires（bins/env/config）決定 skill 是否 eligible；并支持在一次 agent run 內(nèi)注入 env、結(jié)束后還原。
• Prompt 注入策略：把“可用技能清單”以緊湊 XML 列表注入系統(tǒng)提示，并給出確定的字符成本公式，便于估算 token 開銷。
• Slash command 聯(lián)動：user-invocable skill 會暴露為 slash command；并可選擇“轉(zhuǎn)發(fā)給模型”或“command-dispatch: tool”確定性執(zhí)行。

2.4 Skill 與大模型的交互模式：同步/異步、流式/批量

同步 vs 異步：

• 同步：模型發(fā)起工具調(diào)用，運行時立即執(zhí)行并回填，再讓模型生成最終結(jié)果；這是傳統(tǒng)函數(shù)調(diào)用/agent loop 的默認(rèn)形態(tài)。
• 異步：長耗時任務(wù)（爬取、編譯、批處理）常被放入后臺隊列/進程；OpenClaw 的 exec 支持前臺/后臺以及配套的 process 工具來管理后臺會話。 工程建議是：把異步當(dāng)成“第一類控制流”，否則技能一旦遇到長任務(wù)就會出現(xiàn)超時、截斷或上下文漂移。

流式 vs 批量：

• 流式：模型邊生成邊產(chǎn)出工具調(diào)用片段、或邊生成邊匯總結(jié)果；流式對“結(jié)構(gòu)化輸出”更苛刻，容易出現(xiàn)半截 JSON，需要修復(fù)策略。
• 批量：將多個 tool call 規(guī)劃好后批量執(zhí)行，再一次性把關(guān)鍵結(jié)果回填；在強調(diào)效率與可復(fù)現(xiàn)的技能里更常見。

與 MCP 的關(guān)系：MCP（在 LLM 生態(tài)中通常指 Model Context Protocol）把“工具/資源/提示”等能力以標(biāo)準(zhǔn)化的 JSON-RPC 客戶端/服務(wù)器架構(gòu)暴露給 Host 應(yīng)用，并支持多種傳輸；它解決的是“怎么連工具與數(shù)據(jù)源”的 N×M 集成問題，而 Skills 更偏“教 agent 怎么用這些工具完成 SOP”。

2.5 示例實現(xiàn)：一個最小 Skill 引擎（偽碼）與序列圖

下面給一個“最小技能引擎”偽碼：它體現(xiàn) AgentSkills 的 5 步最小要求（discover → load metadata → match → activate → execute）。

class SkillIndexItem:  
name: string  description: string  
path: string  metadata: mapclass SkillEngine:def discover(skills_dirs) -> list[SkillIndexItem]:    
items = []    
for dir in skills_dirs:     
for skill_dir in list_subdirs(dir):        
if exists(skill_dir+"/SKILL.md"):          
fm = parse_yaml_frontmatter(skill_dir+"/SKILL.md")          
items.append(SkillIndexItem(           
name=fm.name,            
description=fm.description,            
metadata=fm.metadata,            
path=skill_dir          
))    
return itemsdef eligible(item, runtime_env) -> bool:    # OpenClaw 風(fēng)格：按 OS/bins/env/config 門控    
return satisfies(item.metadata, runtime_env)def match(user_msg, index_items) -> SkillIndexItem?:    # 最簡：embedding/關(guān)鍵詞；工程上應(yīng)加投毒防護與閾值    
return best_semantic_match(user_msg, index_items)def run(user_msg):    
index = [i for i in discover(dirs) if eligible(i, env)]    
skill = match(user_msg, index)    
ifnot skill:      
return llm_generate(normal_prompt(user_msg, index))    
full = read_file(skill.path+"/SKILL.md")          # Activate    
prompt = build_prompt(user_msg, index, full)      # 注入 skill 清單 + 正文   
whileTrue:                                       # Agent loop      
out = llm_generate(prompt, stream=True)      
if out.is_tool_call:       
result = execute_tool(out.tool_name, out.args)        
prompt.append(tool_result(out.call_id, result))      
else:        
return out.final_text

對應(yīng)的交互序列如下：（圖在評論區(qū)置頂）

sequenceDiagram  
participant U as User  
participant G as Gateway/Agent Runtime  
participant M as LLM  
participant T as Tools/Sandbox  
U->>G: message  G->>G: discover+load metadata (name/description)  
G->>G: match & activate (load SKILL.md)  
G->>M: prompt (skills index + skill body)  
M-->>G: tool_call(args)  G->>T: execute tool / script  
T-->>G: tool_result(stdout/stderr/data)  
G->>M: tool_result (call_id關(guān)聯(lián))  
M-->>G: final answer (integrated)  
G-->>U: response

該序列與 OpenAI 的“tool calls 與 outputs 通過 call_id 關(guān)聯(lián)”的實踐一致，也符合 OpenClaw 的“Gateway 組裝 prompt、工具在 sandbox/host 執(zhí)行、結(jié)果回填”的形態(tài)。

3.機制對比：Prompt / Memory / MCP / Skills

• Prompt 更像“當(dāng)前對話的瞬時指令”，優(yōu)勢是低門檻與即時性，劣勢是不可持久與難治理；Skills 像“可版本化 SOP 包”，在一致性、可復(fù)用、可審計上更強，但引入供應(yīng)鏈與權(quán)限治理成本。
• MCP 的核心價值在“標(biāo)準(zhǔn)化連接外部工具/數(shù)據(jù)（協(xié)議層）”，而 Skills 的核心價值在“標(biāo)準(zhǔn)化可復(fù)用過程（方法層）”；二者互補：MCP 給“手”，Skill 給“操作手冊”。

備注：這里的 “MCP” 在 LLM 場景下通常指 Anthropic 提出的 Model Context Protocol。

4.框架演進：從 LLM 到 OpenClaw

• 從 LLM → Tool Calling → Agent 的演進，本質(zhì)是在把“控制流”從人類手工（寫提示、點按鈕）轉(zhuǎn)移到運行時（agent loop），再用更強的結(jié)構(gòu)（skills/workflow）把不確定性收束到可治理范圍。
• OpenClaw 的“產(chǎn)品化差異”在于：它把 agent 變成常駐基礎(chǔ)設(shè)施（多入口聊天應(yīng)用 + 本地執(zhí)行 + 可安裝技能市場），因此其主要挑戰(zhàn)從“能不能做事”轉(zhuǎn)向“能不能在開放生態(tài)里安全地做事”。

4.1 重點：OpenClaw 的機制解剖、信息來源與不確定性

信息來源（相對確定）：

• OpenClaw 官方倉庫與文檔明確其定位：運行在用戶自有設(shè)備上、通過已有聊天渠道交互；并強調(diào) Gateway 是控制平面（control plane）。
• Skills 文檔明確：兼容 AgentSkills；多目錄加載與覆蓋優(yōu)先級；load-time gating（bins/env/config）；會話快照/熱更新；以及把技能清單注入系統(tǒng) prompt 的方式。
• Slash Commands 文檔明確：命令由 Gateway 處理；directives 會在模型看到消息前被剝離；skill 可作為命令暴露，并可配置為直接 dispatch 到工具。
• ClawHub 文檔明確：作為公開 registry，提供版本化存儲與發(fā)現(xiàn)；支持 install/update/publish/sync；并描述了默認(rèn)開放上傳與“GitHub 賬號至少 1 周”之類的 moderation 策略。
• Plugins 文檔明確：插件加載的目錄/ID 規(guī)則、配置 schema 校驗、以及若干安全護欄（例如路徑不能逃逸、安裝依賴時 --ignore-scripts）。

公開資料稀少或仍在變化的部分（需要保留不確定性）：

• “技能匹配/檢索”具體算法（embedding、關(guān)鍵詞、閾值、是否有對抗投毒防護）通常不會在產(chǎn)品文檔里詳述；SoK 提到 metadata-driven disclosure 的風(fēng)險，但具體實現(xiàn)策略依賴各平臺。
• 多 agent/遠(yuǎn)程節(jié)點/沙箱與權(quán)限的組合細(xì)節(jié)在快速迭代，且安全修復(fù)頻繁（這類系統(tǒng)高度時變）；因此任何“架構(gòu)推斷”都應(yīng)以源碼與版本為準(zhǔn)，并配套驗收測試。

在不完整信息下的合理架構(gòu)推斷（可驗證）：
基于官方文檔，“OpenClaw 的核心循環(huán)”可以被驗證性地理解為：

1. Gateway 接收消息并先做 command/directive 解析；
2. 構(gòu)建會話級上下文（含技能清單 XML、工具策略、可選激活 skill 正文）；
3. 調(diào)用外部模型；
4. 若模型發(fā)起工具調(diào)用，則在 sandbox/host 執(zhí)行并回填；
5. 進入下一輪直到產(chǎn)出最終響應(yīng)；
6. 會話狀態(tài)與技能快照在 session 維度管理。

你可以用兩類“可驗證建議”來驗證/替代上述推斷：

• 驗收測試（黑盒）：構(gòu)造一個只含 2 個 skill 的環(huán)境（一個可用、一個因缺少 bin/env 被 gating），觀察系統(tǒng)提示內(nèi) skills list 是否包含/不包含它，并用 /context detail（OpenClaw 提供的上下文可視化命令）確認(rèn) token 分布與注入內(nèi)容。
• 替代實現(xiàn)（白盒）：若不使用 OpenClaw，也可用“OpenAI Agents SDK + MCP + AgentSkills 文件夾”搭建同構(gòu)系統(tǒng)：SDK 提供 agent loop 與 handoffs，MCP 提供工具/數(shù)據(jù)接入，AgentSkills 提供可移植 SOP 包。

安全重點：OpenClaw 及其 skills 生態(tài)的公開事件顯示：開放 registry 與“markdown 指令 + 可執(zhí)行腳本”的組合會形成供應(yīng)鏈攻擊面；多家安全報告與新聞指出了惡意 skills、信息竊取與隔離建議； entity [“company”,“Microsoft”,“software company”] 的安全博客也明確建議將 OpenClaw 視為“帶持久憑據(jù)的不可信代碼執(zhí)行”，僅在隔離環(huán)境中運行。

5.端到端示例：兩個完整場景

下面兩個示例分別覆蓋：

• 示例一：信息檢索 + 工具調(diào)用（強調(diào)結(jié)構(gòu)化工具與證據(jù)匯總）；
• 示例二：多步驟任務(wù)自動化（強調(diào) command 顯式觸發(fā) + scripts 確定性執(zhí)行 + 結(jié)果整合）。

5.1 示例一：技術(shù)調(diào)研與證據(jù)匯總（自動觸發(fā) Skill）

目標(biāo)：用戶問“最近 OpenClaw Skills 的安全事件有哪些？我該如何安全使用？”系統(tǒng)自動觸發(fā) web-research skill：先檢索、再抓取、再抽取證據(jù)、最后按模板輸出“主張-證據(jù)-建議”。這一類 workflow 對“可信引用”敏感，適合用 skill 固化流程并用工具做檢索與抓取。

Skill 目錄結(jié)構(gòu)（示例）：

web-research/├── SKILL.md├── references/│   
├── source_policy.md│   
└── output_template.md└── scripts/    
├── extract_claims.py    
└── dedupe_sources.py

SKILL.md（核心片段）：

---name: web-researchdescription: 當(dāng)用戶要求“最新/近況/引用來源/對比”時，執(zhí)行證據(jù)驅(qū)動的技術(shù)調(diào)研并輸出可追溯引用。---# Web Research## Rules1) 先檢索再下結(jié)論；2) 每個關(guān)鍵主張必須對應(yīng)來源；3) 遇到相互矛盾的來源要并列呈現(xiàn)并說明不確定性。## References- references/source_policy.md- references/output_template.md## Procedure1) 用 search_web 獲取候選來源（優(yōu)先官方/論文/權(quán)威媒體）2) 用 fetch_url 抓取全文3) 運行 scripts/dedupe_sources.py 去重4) 運行 scripts/extract_claims.py 抽取“主張-證據(jù)片段”5) 按模板生成最終報告，并附來源列表

該寫法符合“SKILL.md 作為總覽，細(xì)則與模板在 references，確定性處理在 scripts”的最佳實踐。

工具定義（結(jié)構(gòu)化提示的一部分，示意）：

[  {    
"name": "search_web",    
"description": "檢索最新網(wǎng)頁并返回[{title,url,snippet,date}]",    
"parameters": { "type": "object", "properties": { "q": {"type":"string"} }, "required": ["q"] }  },  
{    
"name": "fetch_url",    
"description": "抓取url正文并返回{text,meta}",    
"parameters": { "type": "object", "properties": { "url": {"type":"string"} }, "required": ["url"] }  },  
{    
"name": "run_script",    
"description": "在沙箱內(nèi)運行技能腳本，返回stdout/stderr/exit_code",    
"parameters": { "type": "object", "properties": { "path":{"type":"string"}, "args":{"type":"array"} }, "required":["path"] }  
}]

這對應(yīng)主流“用 JSON Schema 描述工具輸入”的實踐。

端到端時序圖：（圖在評論區(qū)置頂）

sequenceDiagram  
participant U as User  
participant A as Agent Runtime  
participant M as LLM  
participant W as Web Tools  
participant S as Sandbox (scripts)  
U->>A: "總結(jié)最近OpenClaw skills安全事件并給建議（含引用）" 
A->>A: match skills index ->> activate web-research  
A->>M: prompt + web-research(SKILL.md)  
M-->>A: tool_call search_web(q)  
A->>W: search_web  W-->>A: results[]  
A->>M: tool_result(call_id=1) 
M-->>A: tool_call fetch_url(url...) xN  
A->>W: fetch_url xN  W-->>A: pages{text} xN  
A->>S: run_script(dedupe_sources.py)  S-->>A: deduped list 
A->>S: run_script(extract_claims.py)  S-->>A: claims+citations  
A->>M: tool_results merged  M-->>A: final report (claims + sources + mitigation) 
A-->>U: response

關(guān)鍵實現(xiàn)片段（處理 OpenAI Responses 工具回填的思路，偽碼）：

resp = responses.create(input=prompt, tools=tools, stream=true)for item in resp.items:  
if item.type == "tool_call":    
result = exec_tool(item.name, item.arguments)   
responses.submit_tool_output(call_id=item.call_id, output=result)

這里的關(guān)鍵是“tool call 與 tool output 分離，并用 call_id 關(guān)聯(lián)”，便于可觀測與評估。

5.2 示例二：多步驟任務(wù)自動化（顯式 Command + 確定性 Scripts）

目標(biāo)：用戶在 OpenClaw 里用命令觸發(fā)一個“發(fā)布說明自動生成”流程：從倉庫拉取最近變更 → 根據(jù)模板生成 release notes → 寫入 workspace 文件并回傳摘要。該例故意用 /skill <name> 顯式觸發(fā)，以展示“command 作為控制平面”的作用。

Skill 目錄結(jié)構(gòu)（示例）：

release-notes/├── SKILL.md├── references/│   
└── notes_template.md└── scripts/    
├── git_log.sh    
└── render_notes.py

SKILL.md（含 command 相關(guān) frontmatter 的 OpenClaw 風(fēng)格示例）：

---name:release-notesdescription:為代碼倉庫生成發(fā)布說明；當(dāng)用戶說“發(fā)版說明/變更日志/releasenotes”或執(zhí)行/release-notes時使用。user-invocable:truecommand-dispatch:toolcommand-tool:execcommand-arg-mode:raw---

command-dispatch: tool 表示：當(dāng)用戶用 /release-notes ... 觸發(fā)時，不走模型推理路徑，而是直接把命令分發(fā)到指定工具，以獲得確定性（例如直接執(zhí)行腳本入口）。此能力在 OpenClaw 的 skills 與 slash commands 文檔中明示。

命令觸發(fā)：

/release-notes repo=. since="7 days"

端到端時序圖：（圖在評論區(qū)置頂）

sequenceDiagram  participant U as User  
participant G as OpenClaw Gateway  
participant X as Exec Tool (sandbox/host)  
participant P as Process Tool  
participant F as Filesystem Tools  
U->>G: /release-notes repo=. since="7 days"  
G->>G: command parsing + authz  
G->>X: exec("scripts/git_log.sh --since '7 days'")  
X-->>G: stdout (commit list) + exit_code  alt long running    
G->>P: track background session    
P-->>G: status/result  end  G->>X: exec("python scripts/render_notes.py --template references/notes_template.md")  
X-->>G: release_notes.md content  
G->>F: write("release_notes.md", content)  
F-->>G: ok  G-->>U: 摘要 + 文件路徑 + 可選 diff

這里用到了 OpenClaw 文檔中描述的 exec（前臺/后臺）與 process（管理后臺會話）思路，以及 slash command 解析由 Gateway 執(zhí)行。

腳本片段示例（簡化版）：

# scripts/git_log.shgit log --since="$1" --pretty=format:"- %s (%h) by %an"
``````plaintext
# scripts/render_notes.py (偽代碼風(fēng)格)import syscommits = sys.stdin.read().splitlines()template = open("references/notes_template.md").read()notes = template.replace("{{COMMITS}}", "\n".join(commits))print(notes)

工程要點：這個例子刻意讓“關(guān)鍵步驟都在 scripts 里”，把模型扮演的角色降到最低：模型不需要“幻想執(zhí)行 git”，而是讀取腳本輸出并做輕量整合。

6.結(jié)論與后續(xù)研究清單

6.1 結(jié)論

“Skills”的最新含義可以概括為：用標(biāo)準(zhǔn)化目錄結(jié)構(gòu)把“方法（SOP）”產(chǎn)品化，并用漸進式披露把上下文成本最小化；它與工具調(diào)用、MCP、記憶共同構(gòu)成“Agent 工程棧”的不同層次：MCP 解決連接，工具調(diào)用解決接口與參數(shù)，Skills 解決方法與一致性，記憶解決跨時延續(xù)。

OpenClaw 則是這一工程棧的一種“平臺化落地”：它把 skills、commands、plugins、registry、沙箱/工具策略與多入口聊天整合為常駐系統(tǒng)；其優(yōu)勢是“非常接近真實生產(chǎn)力”，其風(fēng)險也同步放大為“真實的權(quán)限與供應(yīng)鏈安全問題”。因此，對技術(shù)團隊而言，OpenClaw 更像一個值得研究的“參照架構(gòu)”，而不是不加隔離就能直接引入企業(yè)內(nèi)網(wǎng)的通用解。

6.2 進一步研究與實現(xiàn)建議清單

1. 為 Skills 引入 CI/CD 與評估飛輪：把每個 skill 當(dāng)作軟件包，建立版本號、變更日志、lint/validate（如 skills-ref validate）與回歸評估；可參考評估框架與“把技能納入 Evals”類實踐，形成持續(xù)改進閉環(huán)。
2. 把“元數(shù)據(jù)安全”當(dāng)作一等問題：對 description 做質(zhì)量門控（避免過寬、避免誤導(dǎo)、避免注入式關(guān)鍵詞堆砌），并對 skill 檢索加入防投毒策略（閾值、白名單、交叉驗證、多路檢索）。
3. 最小權(quán)限與分層隔離：工具策略堅持 deny-wins；高風(fēng)險工具（exec、browser、web_fetch/search）默認(rèn)關(guān)閉或僅 allowlist；運行時盡量 sandbox；把憑據(jù)注入限制為“會話內(nèi)、最小集合、可輪換”。
4. 把 Scripts 當(dāng)作供應(yīng)鏈依賴治理：強制審計第三方 scripts；拒絕不透明安裝指令；對 curl | bash 等模式在執(zhí)行層直接攔截或需要人工批準(zhǔn)；對外部依賴鎖版本并記錄 SBOM。
5. 優(yōu)先“確定性外包”：對解析、驗證、格式化、diff、patch 這類任務(wù)，優(yōu)先寫腳本而不是讓模型憑 token 模擬；并在 skill 中固化驗證步驟與失敗恢復(fù)路徑。
6. MCP + Skills 的組合設(shè)計：用 MCP 暴露標(biāo)準(zhǔn)化工具/資源，把 Skills 作為“如何用這些工具”的 SOP；在企業(yè)內(nèi)可先做私有 MCP server 與私有 skills registry，避免直接接入開放市場。
7. 對 OpenClaw 做“可驗證的漸進式采用”：先在隔離環(huán)境驗證 commands/tool policy/sandbox；只引入少量自研 skills；對 ClawHub/第三方 skills 采取默認(rèn)禁止策略；通過 /context detail 或類似可觀測命令持續(xù)測量上下文與權(quán)限變化。
8. 替代方案路線圖：如果目標(biāo)是企業(yè)級可控自動化，可考慮“Agents SDK（agent loop）+ LangGraph（可控流程）+ MCP（工具接入）+ AgentSkills（SOP 包）”的組合式自建；用更小的攻擊面獲得 OpenClaw 式能力。

到此這篇關(guān)于一文講清Skills概念與OpenClaw運作機制(最佳實踐)的文章就介紹到這了,更多相關(guān)OpenClaw Skills運作機制內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持腳本之家！

最新評論