1. 从一只龙虾说起为什么我劝你别再卷 OpenClaw 了OpenClaw 这只红色小龙虾在 2026 年春节后彻底出圈一键部署、24 小时自动干活、大厂变异版满天飞身边做后端、做运维、做产品的朋友几乎人手一个实例。但真上手折腾两周你会发现大部分人卡在同一个地方装是装上了可它只会干些通用活儿一旦遇到公司内部那套「查数仓、跑口径、出日报」的重复需求还是得自己手动点。问题不在模型而在你没有把业务经验沉淀成 Skill。OpenClaw 的 Skill 不是简单的 MCP 工具调用它是把原子化能力封装成场景化解决方案的关键。一个 Skill 就是一个文件夹里面装着SKILL.md指令、references/参考文档、scripts/脚本和assets/资源。它的核心设计思想是渐进式披露启动时只扫描元信息模型按语义匹配到才加载完整内容避免把全量 Skill 塞进 system prompt 把上下文撑爆。加载流程大致是读取元数据、注入环境变量、构建 system prompt、执行后恢复现场缺环境变量的 Skill 会被静默跳过。我接的这个活儿就是帮老板把「企业数仓探查」这套每天重复的流程封装成一个可复用 Skill。需求很朴素让大模型自动找出产品文档里提到的所有数据源表探查源表是否可用、加工口径是否可用最后生成可执行的探查 SQL。交付验收后老板直接按项目结了 3 万因为这套东西在团队里一装三个人一周的重复劳动直接归零。下面我把从需求拆解到本地验证的完整路径写清楚你照着做就能复刻。2. 前置准备TaoToken 接入与 OpenClaw 环境对齐Skill 本身只是指令和脚本真正跑起来还得靠模型。我这边统一用 TaoToken 做模型接入层好处是 API Key 和模型路由集中管理OpenClaw 的openclaw.json里只要配好 base_url 和 key 就能直接调不用在每个 Skill 里硬编码。如果你还没建 Key先去控制台创建一个再对照接入文档把 base_url 填对。具体操作路径是这样打开 https://taotoken.net/api-keys 生成一个 API Key然后到 https://taotoken.net/doc 确认当前支持的模型名和请求格式。OpenClaw 侧只需要在openclaw.json的env字段里注入TAOTOKEN_API_KEYSkill 声明需要这个变量后系统会在加载时自动注入缺了就会被跳过。这一步很关键很多人 Skill 写对了但一直不触发就是环境变量没对齐。模型选择上数仓探查这种需要读文档、写 SQL、判断口径的活儿建议用推理能力强的模型。你可以先在 https://taotoken.net/models 里对比一下再定。我实测下来探查类任务用中等偏上的模型就够没必要上最贵的因为 Skill 已经把 SOP 固化住了模型主要负责按指令执行和生成 SQL。3. 可复制配置SKILL.md 骨架与 Agent 调用3.1 目录结构与元信息先在 OpenClaw 的 skills 目录下建文件夹比如.claude/skills/dw-probe/然后新建SKILL.md。元信息部分要写清楚名称、描述、触发条件和所需环境变量这是模型判断「什么时候该用你」的唯一依据。--- name: dw-probe description: 企业数仓数据探查从产品文档提取数据源表探查源表可用性与加工口径生成探查SQL trigger: 当用户提到数仓探查、数据源表、口径验证、探查SQL时触发 env: - TAOTOKEN_API_KEY --- # 数仓探查 Skill ## 目标 从产品文档中提取所有数据源表逐表探查可用性与加工口径输出可执行SQL。 ## 步骤 1. 读取 references/doc-index.md 中的文档清单 2. 按表名逐条提取字段与口径描述 3. 调用 scripts/executeSql.py 执行探查SQL 4. 汇总结果标注不可用项与原因元信息写完后第一版技能先把「探查什么」描述清楚别急着堆细节。我第一版只写了目标和步骤跑通后再迭代。3.2 细化探查项与判断标准第二版把日常探查的基本项和判断标准列进references/checklist.md让模型按清单逐项打分。这一步是 Skill 从「能用」到「好用」的分水岭因为判断标准一旦固化输出就稳定了。# 探查清单 ## 源表可用性 - 表是否存在查询 information_schema.tables - 是否有数据count(*) 0 - 分区是否最新max(dt) 昨日 ## 加工口径可用性 - 字段是否齐全对照文档字段清单 - 口径是否一致抽样比对文档描述与实际值 - 是否有空值异常null 比例 30% 标记3.3 增加 SQL 执行脚本光生成 SQL 不够还得能跑。在scripts/executeSql.py里封装一个执行入口让模型通过脚本拿到查询结果。脚本从环境变量读连接信息不要硬编码。import os import sys import json def execute_sql(sql: str) - dict: # 从环境变量读取连接配置避免硬编码 host os.environ.get(DW_HOST) user os.environ.get(DW_USER) pwd os.environ.get(DW_PWD) if not all([host, user, pwd]): return {ok: False, msg: 缺少数仓连接环境变量} # 这里替换为实际数仓驱动调用 # result driver.query(host, user, pwd, sql) result {ok: True, rows: [], sql: sql} return result if __name__ __main__: sql sys.argv[1] if len(sys.argv) 1 else print(json.dumps(execute_sql(sql), ensure_asciiFalse))脚本写完后在SKILL.md的步骤里加上「调用 scripts/executeSql.py 执行探查SQL」模型就会在需要时触发脚本。3.4 Agent 调用配置OpenClaw 侧在openclaw.json里把 Skill 目录和环境变量配好模型通过 TaoToken 接入。配置示例如下{ skills: { dir: .claude/skills, enabled: [dw-probe] }, env: { TAOTOKEN_API_KEY: 你的Key, DW_HOST: 数仓地址, DW_USER: 账号, DW_PWD: 密码 }, model: { base_url: https://taotoken.net/api, api_key_env: TAOTOKEN_API_KEY, name: 你的模型名 } }配好后重启 OpenClaw它会扫描 skills 目录、解析元信息、注入环境变量、把可用 Skill 描述写进 system prompt。如果 Skill 没被加载先检查环境变量是否齐全缺变量会被静默跳过这是最常见的坑。4. 验证请求与成功结果配置完成后直接在 OpenClaw 里发一条触发指令比如「帮我探查一下产品文档里提到的订单表是否可用」。正常情况下模型会匹配到 dw-probe Skill加载SKILL.md和checklist.md生成探查 SQL调用executeSql.py执行最后返回结构化结果。验证时可以分三步看第一步看 Skill 是否被触发日志里会有加载记录第二步看 SQL 是否生成内容是否符合清单项第三步看脚本是否执行返回的 JSON 里ok为 true 且rows有数据。我实测下来第一次跑通大概花了二十分钟主要时间花在环境变量对齐和脚本调试上。如果你想先单独验证模型侧是否通可以到 https://taotoken.net/chat 发一条同样的指令确认模型能理解探查意图并生成合理 SQL再回到 OpenClaw 里跑完整链路。这样能把「模型问题」和「Skill 配置问题」分开定位。5. 本篇常见错排查Skill 不触发九成是元信息里的trigger写得太窄或者环境变量缺失被静默跳过。先把trigger放宽再检查openclaw.json的env字段是否包含 Skill 声明的所有变量。脚本执行报错先确认scripts/目录路径和SKILL.md里写的一致再确认脚本有执行权限。Python 脚本建议用绝对路径调用避免工作目录变化导致找不到文件。SQL 生成但跑不出结果多半是数仓连接配置问题检查DW_HOST、DW_USER、DW_PWD是否正确以及网络是否可达。脚本里加个连接测试分支能省很多排查时间。模型不按清单走说明references/checklist.md没有被加载检查SKILL.md里是否明确写了「读取 references/checklist.md」。渐进式披露要求你显式引用模型不会自动去翻目录。返回结果不稳定把判断标准写得更具体比如「null 比例 30% 标记」比「有空值异常就标记」稳定得多。Skill 的价值就在于把模糊经验变成明确规则。6. 从 Skill 到变现把经验沉淀成可复用资产这套数仓探查 Skill 交付后老板直接按项目结了 3 万原因很简单它把三个人一周的重复劳动压缩成了一条指令。更重要的是Skill 一旦写成团队里谁都能装、谁都能用经验不再锁在某个人的脑子里。OpenClaw 的 Skill 本质上是受信任代码安装后拥有和实例相同的权限所以写的时候要把连接信息放环境变量、把执行逻辑放脚本、把判断标准放参考文档别把敏感信息硬编码进SKILL.md。如果你手上也有那种「重复性高、随机性小」的活儿比如日报生成、代码审查、文档结构化都可以按这个路径封装成 Skill。模型侧统一走 TaoToken 接入Key 在 https://taotoken.net/api-keys 管理接入格式看 https://taotoken.net/doc 需要长期跑编码或 Agent 任务的可以了解 https://taotoken.net/coding-plan 。先把一个 Skill 跑通再复制到第二个、第三个慢慢你就有了自己的技能库。