OpenClaw 的核心开发并非传统意义上的“代码编写”，而是以 **Skill** 为中心，通过结构化的 **Markdown** 文件定义能力，并结合相应的 **Python 脚本** 或 **Shell 命令** 来实现具体逻辑 [ref_1]。其使用方式主要分为**技能开发**与**平台部署运行**两大维度。 ### 一、Skill 开发：基于 Markdown 与 Python 的“低代码”实现 Skill 是 OpenClaw 的功能单元，其本质是一个遵循特定规范的 Markdown 文件（`SKILL.md`），而非传统的代码插件 [ref_4]。开发一个完整的 Skill 主要包含以下步骤： #### 1. 编写 `SKILL.md` 核心描述文件 此文件是 Skill 的“说明书”，用于向 AI 模型清晰地描述该技能的能力、用法和调用方式。它必须包含几个关键部分 [ref_1]： | 部分 | 功能描述 | 编写要点与示例 | | :--- | :--- | :--- | | **`description`** | 技能的自然语言描述，是 AI 理解和调用的关键。 | 需清晰说明技能功能、适用场景和输入输出。例如：“这是一个任务管理技能，可以添加、列出和删除待办事项。” [ref_4] | | **`Commands`** | 定义技能可执行的命令列表，每个命令对应一个函数或操作。 | 每个命令需有 `name` 和 `description`。例如一个 `add_todo` 命令，描述为“添加一个新的待办事项” [ref_4]。 | | **`requires`** | 声明技能运行所需的外部依赖或权限。 | 例如依赖 `python`、`requests` 库，或需要访问 `github`、`文件系统` 等权限 [ref_1]。 | | **`Cron`** | (可选) 定义定时触发任务。 | 使用标准的 cron 表达式，如 `“*/5 * * * *”` 表示每 5 分钟执行一次 [ref_4]。 | 一个简化的 `SKILL.md` 示例如下： ```markdown ### description 这是一个获取当前天气的技能。 ### Commands - name: get_weather description: 根据城市名称查询实时天气信息。 ### requires - python - requests ``` #### 2. 实现技能后端逻辑 根据 `Commands` 中的定义，需要编写对应的执行代码。OpenClaw 支持两种主要方式： * **纯文本/Shell 命令型**：适用于简单操作，直接在 `SKILL.md` 的命令部分关联 bash 命令 [ref_4]。 * **Python 代码型（主流）**：这是实现复杂逻辑的标准方式。需要创建一个与 Skill 同名的 Python 文件（如 `weather.py`），并实现对应的异步函数 [ref_1]。 以下是一个实现 `get_weather` 命令的 Python 代码示例： ```python # weather.py import asyncio import aiohttp # 需要先在`requires`中声明 # 函数名必须与Commands中定义的`name`一致，且必须是异步函数 async def get_weather(city: str): """ 根据城市名查询天气。 Args: city: 城市名称，例如“北京”。 Returns: str: 格式化后的天气信息字符串。 """ # 这里调用一个模拟的天气API api_url = f"https://api.weather.com/v1/current?city={city}" async with aiohttp.ClientSession() as session: async with session.get(api_url) as response: if response.status == 200: data = await response.json() # 解析并返回结果 return f"{city}的天气是：{data['condition']}，温度{data['temp']}℃。" else: return f"无法获取{city}的天气信息。请检查城市名或网络。" # 本地测试代码块 if __name__ == "__main__": # 本地测试时，可以同步调用异步函数 result = asyncio.run(get_weather("上海")) print(result) ``` #### 3. 本地测试与发布 完成开发后，可以在本地通过命令行或脚本直接运行 Python 函数进行测试，确保逻辑正确 [ref_1]。测试无误后，可以将整个 Skill 文件夹（包含 `SKILL.md` 和 `.py` 文件）发布到 **ClawHub** 社区，供其他用户共享和使用 [ref_1]。 ### 二、OpenClaw 平台部署与使用方法 要让开发好的 Skill 运行起来，需要先部署 OpenClaw 网关，并为其配置大模型。 #### 1. 环境部署（以 Windows 为例） 在 Windows 上无需 WSL 即可原生部署，主要步骤如下 [ref_5]： 1. **安装前置依赖**：确保系统已安装 **Node.js**（版本需满足要求）和 **Git** [ref_5]。 2. **安装 OpenClaw**：通过 `npm` 或 `yarn` 进行全局安装。 ```bash npm install -g @openclaw/cli ``` 3. **初始化与配置**： * 运行 `openclaw init` 初始化项目。 * 在配置过程中，选择或输入大模型的连接信息。例如，要接入阿里云千问，需要提供相应的 **API Key** 和 **Base URL** [ref_5]。 #### 2. 对接大模型 OpenClaw 支持云端和本地大模型。 * **对接云端模型（如千问）**：在初始化配置或后续的 `openclaw.json` 配置文件中，填入从云服务商处获取的 API 密钥和端点地址即可 [ref_5]。 * **对接本地模型（如通过 Ollama）**：这是实现完全本地化、隐私安全运行的关键 [ref_2]。 1. 首先，在本地部署 **Ollama** 服务，并拉取所需模型（如 `qwen2.5:0.5b`）[ref_6]。 2. 在 OpenClaw 配置中，选择 **Custom Provider**，并将 **Base URL** 指向 Ollama 的本地 API 地址（通常是 `http://localhost:11434/v1`）[ref_6]。 3. 根据需要，在 `openclaw.json` 文件的 `models` 和 `providers` 字段中配置模型列表和详细信息，然后重启网关使配置生效 [ref_6]。 #### 3. 使用方式：自然语言驱动 部署配置完成后，即可通过 OpenClaw 的管理面板或 API 与 AI 交互。其核心使用方法是 **自然语言驱动** [ref_1]。例如： * 在聊天界面输入：“`帮我用 weather 技能查一下北京的天气`”。 * OpenClaw 的 AI 模型（无论是云端千问还是本地 Ollama 模型）会理解你的意图，自动匹配并调用已加载的 `weather` 技能中的 `get_weather` 命令，执行后返回结果 [ref_1]。 更进一步的“零代码”应用，体现在用户无需关心技能的实现细节。例如，参考发送邮件的教程，用户只需在 OpenClaw 中配置好 SMTP 服务器、端口、授权码等信息，即可直接通过自然语言指令“`给同事发一封关于项目进度的邮件`”来触发邮件发送功能，整个过程无需编写任何 JavaScript 或 Python 代码 [ref_3]。这标志着开发范式从编写具体代码向编排和定义智能体（Agent）能力转变，开发者更像是一名 **“智能体架构师”**（Orchestrator），专注于设计 Skill 的描述与组合，而非底层实现 [ref_2]。