分类：博客

一文读懂 Skills｜从概念到实操的完整指南
Agent 正在经历从“聊天机器人”到“得力干将”的进化，而 Skills 正是这场进化的关键催化剂。

你是否曾被 Agent 的“不听话”、“执行乱”和“工具荒”搞得焦头烂额？

本文将带你一文弄懂 Skills ——这个让 Agent 变得可靠、可控、可复用的“高级技能包”。

我们将从 Skills 是什么、如何工作，一路聊到怎样写好一个 Skills，并为你推荐实用的社区资源，带领大家在 TRAE 中实际使用 Skills 落地一个场景。

无论你是开发者还是普通用户，都能在这里找到让你的 Agent “开窍”的秘诀。

你是否也经历过或者正在经历这样的“ Agent 调教”崩溃时刻？
- 规则失效：在 Agent.md 里写下千言万语，Agent 却视若无睹，完全“已读不回”。
- 执行失控：精心打磨了无数 Prompt，Agent 执行起来依旧像无头苍蝇，混乱无序。
- 工具迷失：明明集成了强大的 MCP 工具库，Agent 却两手一摊说“没工具”，让人摸不着头脑。
如果这些场景让你感同身受，别急着放弃。终结这场混乱的答案，可能就是 Skills。

1、什么是 Skills

“Skills” 这个概念最早由 Anthropic 公司提出，作为其大模型 Claude 的一种能力扩展机制。简单来说，它允许用户为 Claude 添加自定义的功能和工具。随着这套做法越来越成熟，并被社区广泛接受，Skills 如今已成为大多数 Agent 开发工具和 IDE 都支持的一种标准扩展规范。

一个 Skills 通常以一个文件夹的形式存在，里面主要装着三样东西：一份说明书（SKILL.md）、一堆操作脚本（Script）、以及一些参考资料（Reference）。

你可以把一个 Skill 想象成一个打包好的“技能包”。它把完成某个特定任务所需的领域知识、操作流程、要用到的工具、以及最佳实践全都封装在了一起。当 AI 面对相应请求时，就能像一位经验丰富的专家那样，有条不紊地自主执行。

一句话总结：要是把 Agent 比作一个有很大潜力的大脑，那 Skills 就像是给这个大脑的一套套能反复用的“高级武功秘籍”。有了它，Agent 能从一个“什么都略知一二”的通才，变成在特定领域“什么都擅长”的专家。

2、Skill 原理介绍

📚 官方解释：https://platform.claude.com/docs/en/agents-and-tools/agent-skills/overview

Skill 的架构原理：渐进式加载

Skill 的设计很巧妙，它运行在一个沙盒环境里，这个环境允许大模型访问文件系统和执行 bash 命令（可以理解为一种电脑操作指令）。在这个环境里，一个个 Skill 就像一个个文件夹。Agent 就像一个熟悉电脑操作的人，通过命令行来读取文件、执行脚本，然后利用结果去完成你交代的任务。这种“按需取用”的架构，让 Skill 成为一个既强大又高效的“工具箱”。

为了平衡效果和效率，Skill 设计了一套聪明的三层分级加载机制：

Level 1：元数据（始终加载）

元数据就像是 Skill 的“名片”，里面有名称（name）和描述（description），是用 YAML 格式来定义的。Claude 在启动的时候，会把所有已经安装的 Skill 的元数据都加载进来，这样它就能知道每个 Skill 有什么用、什么时候该用。因为元数据很轻量，所以你可以安装很多 Skill，不用担心把上下文占满。

Level 2：说明文档（触发时加载）

SKILL.md 文件的正文就是说明文档，里面有工作流程、最佳实践和操作指南。只有用户的请求和 Skills 元数据里的描述相符时，Claude 才会用 bash 指令读取这份文档，把内容加载到上下文里。这种“触发式加载”能保证只有相关的详细指令才会消耗 Token。

Level 3：资源与代码（按需加载）

Skills 还能打包一些更深入的资源，比如更详细的说明文档（FORMS.md）、可执行脚本（.py）或者参考资料（像 API 文档、数据库结构等）。Claude 只有在需要的时候，才会通过 bash 去读取或执行这些文件，而且脚本代码本身不会进入上下文。这样一来，Skills 就能捆绑大量信息，几乎不会增加额外的上下文成本。

Skills 的调用逻辑：从理解意图到稳定执行

那么，Agent 是如何智能地选择并执行一个 Skill 的呢？整个过程就像一位经验丰富的助理在处理工作：
1. 意图匹配（找到对的人）：Agent 首先聆听你的需求，然后快速扫一眼自己手头所有 Skill 的“名片夹”（元数据），寻找最匹配的那一张。
2. 读取手册（看懂怎么干）：找到合适的 Skills 后，Agent 会像模像样地翻开它的“操作手册”（SKILL.md），仔细研究详细的执行步骤和注意事项。
3. 按需执行（动手开干）：根据手册的指引，Agent 开始工作。如果需要，它会随时从“工具箱”里拿出脚本或工具来完成具体操作。
4. 反馈结果（事毕复命）：任务完成后，Agent 向你汇报最终结果，或者在遇到困难时，及时向你请教。
3、Skills vs. 其他概念的区别

为了更清晰地理解 Skills 的独特价值，我们不妨把它和另外两个容易混淆的概念——快捷指令（Command）和原子工具（MCP）——放在一起做个对比。用一个厨房的例子就很好懂了：

我们也列举了几个大家容易混淆的其他功能，一起来对比看看。

📚 官方博客解释：https://claude.com/blog/skills-explained

4、什么是好的 Skills：从“能用”到“好用”

Good Skills vs Bad Skills

如何写好 Skills

1. 原子性（Atomicity）：坚持单一职责，让每个 Skill 都像一块积木，小而美，专注于解决一个具体问题，便于日后的复用和组合。

2. 给例子（Few-Shot Prompting）：这是最关键的一点，与其费尽口舌解释，不如直接给出几个清晰的输入输出示例。榜样的力量是无穷的，模型能通过具体例子，秒懂你想要的格式、风格和行为。

3. 立规矩（Structured Instructions）：

1) 定角色：给它一个明确的专家人设，比如“你现在是一个资深的市场分析师”。

2) 拆步骤：把任务流程拆解成一步步的具体指令，引导它“思考”。

3) 画红线：明确告诉它“不能做什么”，防止它天马行空地“幻觉”

4. 造接口（Interface Design）：像设计软件 API 一样，明确定义 Skill 的输入参数和输出格式（比如固定输出 JSON 或 Markdown）。这让你的 Skill 可以被其他程序稳定调用和集成。

5. 勤复盘（Iterative Refinement）：把 Skills 当作一个产品来迭代。在实际使用中留心那些不尽如人意的“Bad Case”，然后把它们变成新的规则或反例，补充到你的 Skills 定义里，让它持续进化，越来越聪明、越来越靠谱。

📚 一些官方最佳实践指南：https://platform.claude.com/docs/zh-CN/agents-and-tools/agent-skills/best-practices

5、社区热门 Skills 推荐

刚开始接触 Skills，不知从何下手？不妨从社区沉淀的这些热门 Skills 开始，寻找灵感，或直接在你的工作流中复用它们。

Claude 官方提供的 Skills

📚 官方 Skills 仓库：https://github.com/anthropics/skills

学习 Claude 官方的 Skills 仓库可以帮助我们最快的了解 Skills 的最佳实践，便于我们沉淀出自己的 Skills。

如何快速使用官方 Skills？
大多数官方 Skills 都能直接下载，或者通过 Git 克隆到本地。在 TRAE 等工具里，一般只需把这些 Skills 的文件夹放到指定的 Skills 目录，接着重启或刷新 Agent，它就会自动识别并加载这些新能力。具体操作可参考工具的使用文档。
更多细节可参考下面这部分内容：如何在 TRAE 里快速用起来

Claude 官方提供的 Skills 列表

社区其他最佳实践

6、如何在 TRAE 里快速使用

理论说再多，不如亲手一试。我们先讲一下如何在 TRAE SOLO 中创建并应用一个 Skill 并以基于飞书文档的 Spec Coding 为例讲解一下如何利用 Skills 快速解决一个实际问题。

Skill 创建

方式一：设置中直接创建

TRAE 支持在设置页面可以快速创建一个 Skill

按下快捷键 Cmd +/ Ctrl + 通过快捷键打开设置面板。

在设置面板左侧找到「规则技能」选项

找到技能板块，点击右侧的「创建」按钮。

你会看到一个简洁的创建界面，包含三要素：Skill 名称、Skill 描述、Skill 主体。我们以创建一个“按规范提交 git commit”的 Skill 为例，填入相应内容后点击「确认」即可。

填入我们需要的内容「确认」即可

方式二：直接解析 SKILL.md

在当前项目目录下，新增目录.trae/Skills/xxx 导入你需要文件夹，和 TRAE 进行对话，即可使用。

可以在「设置 – 规则技能」中看到已经成功导入

方式三：在对话中创建

目前 TRAE 中内置了 Skills-creator Skills ，你可以在对话中直接和 TRAE 要求创建需要的 Skills

Skill 使用

在 TRAE 里使用技能很容易，你加载好需要的技能后，只需在对话框中用日常语言说明你的需求就行。
- 例如，输入“帮我设计一个有科技感的登录页面”，系统就会自动调用“frontend-design”技能。
- 例如，输入“帮我提取这个 PDF 里的所有表格”，系统会自动调用“document-Skills/pdf”技能。
- 例如，输入“帮我把这片技术文档转为飞书文档”，系统会自动调用“using-feishu-doc”技能。
系统会自动分析你的需求，加载技能文档，还会一步步指导你完成任务！

实践场景举例

还记得引言里提到的那些问题吗？比如说，项目规则文件（project_rules）有字符数量的限制；又或者，就算你在根规则文件里明确写好了“在什么情况下读取哪个文件”，Agent 在执行任务时也不会按照要求来做。

这些问题的根本原因是，规则（Rules）对于 Agent 而言是固定不变的，它会在任务开始时就把所有规则一次性加载到上下文中，这样既占用空间，又不够灵活。而 技能（Skill）采用的是“逐步加载”的动态方式，刚好可以解决这个问题。所以，我们可以把之前那些复杂的规则场景，重新拆分成一个个独立的技能。

接下来，我们通过一个基于飞书文档的“Spec Coding”简单流程，来实际操作一下如何用技能解决问题。

什么是 Spec Coding？

Spec Coding 提倡“先思考后行动”，也就是通过详细定义可以执行的需求规范（Specification）来推动 AI 开发。它的流程包含“需求分析、技术设计、任务拆解”的文档编写过程，最后让 AI 根据规范来完成编码。这种一步步的工作流程能保证每一步都有依据，实现从需求到代码的准确转化。

让我来分析一下这个场景

上面提到将开发过程划分为四个关键阶段，所以要完成 “需求分析、技术设计、任务拆解” 的飞书文档撰写，还有最终的代码实现。为此，我们需要不同的技能来满足不同场景下的文档编写需求，并且要教会 Agent 如何使用飞书工具进行创作协同。

下面我们就一起完成上面提到的 Skills 的设计实现。

多角色专家 Skills

通过实现多角色 Skills 通过创建多个交付物过程文档，约束后续的编码，为编码提供足够且明确的上下文，每个Skill 专注完成一件事
- 下面让我们进一步详细设计
按照上述的表格我们就可以大致明确我们需要的 Skills 该如何实现了。
- 本次只作为一个例子大家可以参考上面创建 Skill 的教程自己完成一下这个多角色 Skills 的创建和调试，当然正如上面所述好的 Skill 需要在实践中逐渐优化并通过场景调用不断进行优化的
飞书文档使用 Skill

飞书文档的格式是 markdown 的超集，我们 Skill 的目的则是教会 Agent 飞书文档的语法，便于 Agent 写出符合格式的 md 文件。并通过约束 Agent 行为，充分利用飞书文档的评论的读写完成多人协作审阅的过程，用户通过在飞书文档评论完成相关建议的提出，Agent 重新阅读文档和评论，根据建议进一步优化文档，实现文档协作工作流。

Spec Coding Skill

上面我们实现了多个角色 Skills 和一个功能 Skill，但实际使用时，还需要有一个能统筹全局的技能，来实现分工协作。把上述多个技能组合起来，告诉智能体（agent）整体的规格编码（spec coding）流程，完成工具技能和角色技能的组合与调度。

如此我们就能快速搭建一个规格编码工作流程，完成基础开发。当然也可以参考上面的逻辑，用技能来重新复刻社区里的规格编码实践（如 SpecKit、OpenSpec 等）。

总结

上述场景提到了两种不同风格的 Skill（角色型，工具型），利用 Skill 的动态加载机制（取代固定规则的一次性加载方式），完成了复杂场景下的任务分解；通过 不同角色技能的分工协作（避免 Agent 什么都做导致执行混乱）；尝试借助飞书文档形成协作闭环（打通人机交互的最后一步），有效解决了 Agent “不听话、执行乱、工具少” 的问题，让 AI 从 “对话助手” 真正转变为 “可信赖的实干家”，实现从需求提出到代码产出的高效、精准、协作式交付。
2026年4月7日
给我的 OpenClaw 小龙虾装上声音，感觉它活了过来。
我在 GitHub 上发现了一个刚刚开源的 Skill，它能让你的小龙虾 OpenClaw 开口说话，甚至克隆任何人的音色。

我已经用上瘾了，一点停不下来了。

一旦小龙虾拥有了声音，在心理层面上感受到了它的存在，这种变化很微妙。

而且安装很简单，一句话让小龙虾自己安装。后面会给教程。
```
开源地址：https://github.com/NoizAI/skills
```
01

听听效果

先来听听实际的效果。哈哈哈哈哈哈

我装了 NoizAI 的 Skill 后，丢了一段川普的音频给我的 OpenClaw 小龙虾「钱多多」。

它立即对川普的音色进行了克隆，并且转化成了自己的音色。

而且我告诉它，后面这个就是它的音色了。

哈哈哈哈哈哈。

听到我的小龙虾说话的时候，我笑死了。

我脑海里，我的小龙虾是一个说中文的贱兮兮嬉皮笑脸的特朗普。

我看有其它网友也都纷纷接入这个 NoizAI Skill，在飞书、whatsapp、telegram 中用了起来。

尤其是最近 Agent Teams 很火，配置了一群小龙虾帮你干活。

有的做运营、有的做客服、有的写代码啥的。

就有人让 OpenClaw🦞根据不同的角色用不同的音色回复，感觉有了一群不同的小蜜在你旁边叽叽喳喳。

特别是在开车、做家务等不便看屏幕的场景下，小龙虾能通过声音传递人设。

不同 AI 助理对应不同声线，无需视觉确认，听声音就知道是谁在和你对话，这种高辨识度的交互才是真正的智能。

02

怎么安装？

特别简单，如果你的小龙虾能够读取网页，你直接把下面这段话丢给你的龙虾就行了：

帮我装这个 Skill：https://github.com/NoizAI/skills

当你装完这个 Skill，会发现它支持两种模式，一种是本地 Kokoro 和云端 Noiz。

根据自己的需求让小龙虾自己配置就行了：

Kokoro 支持纯本地化运行，需要下载一个模型，但是没办法克隆音色。

也可以使用 Noiz 云端，我用的就是 Noiz云端的能力，大额免费额度。整个过程你需要问其它 AI，遇到卡点直接问你的小龙虾就行了.

配置了 Noiz API Key 后，你就能让你小龙虾说话了。

你想让龙虾具备什么音色，可以去官方的音色类别选。或者直接丢给它一个参考音频就行了，它会自己克隆。

然后小龙虾会告诉你已经克隆成功啦。

你给它说：记住刚刚你克隆的这个音色就是你的音色了。后面我让你发语音的时候，你就用这个音色给我发语音。当然如果在某些场景或某些时刻你觉得发语音合适，也可以直接发。

有一个提示，如果你的小龙虾没办法给你发语音。你就和他对话，让它学习就行了。

实在不行，就发下面这句话给它，再试试。

飞书语音条正确的发送方式：上传文件：file_type=opus（不是 mp3），需要 receive_id_type=chat_id 和 receive_id</span>发送消息：msg_type=audio，receive_id_type=chat_id，content 包含 file_key 和 duration

03

开源 Skill 简介

这个开源项目是 Noiz AI 平台开源的。

Noiz AI 本身是一个专注于语音 AI 的平台，它具备高质量的语音克隆、情感化 TTS 以及高效的 YouTube 视频摘要功能。

刚刚开源的 NoizAI/skills 项目提供了 5 个核心 SKill：几乎涵盖了 AI Agent 和 AI 语音结合的方方面面。
```
开源地址：https://github.com/NoizAI/skills
```
① 文本转语音 Skill：支持 Kokoro / Noiz，简单模式、时间轴精确渲染、精确时长控制与参考音频音色克隆。

② 用目标人物的声音进行对话：自动在线寻找其语音、提取干净参考样本，并生成语音回复。

③ 特色语音 SKill：通过语气词、情绪参数和场景预设，让生成语音更有陪伴感和人格化表达。

④ 视频翻译 Skill：将视频语音翻译成另一种语言，用 TTS 生成配音并替换原始音轨，同时保留视频画面。
```
# 查看 GitHub 仓库可安装技能npx skills add NoizAI/skills --list --full-depth# 从 GitHub 仓库安装指定技能npx skills add NoizAI/skills --full-depth --skill tts -y# 从 GitHub 仓库安装npx skills add /# 本地开发调试（在仓库目录执行）npx skills add . --list --full-depth
```
NoizAI 把高级音视频 AI 处理能力转化为开发者可调用的原子化技能。

如果你想让你的 AI 机器人不再仅仅是一个聊天框，而是会用人声说话的情感助手，可以试试。
2026年4月2日

LLM模型部署与微调

已经了解了大模型的基础概念、RAG、Agent、Transformer架构等核心知识。今天，我们将学习如何将预训练模型适配到自己的业务场景（微调），并将其稳定、高效地部署到生产环境（部署）。

微调让模型更懂你的业务，部署让模型真正服务于用户。两者结合，是AI应用落地的最后一公里。

一、为什么需要微调？

预训练大模型（如GPT-4、LLaMA）已经具备通用能力，但在特定场景下可能表现不佳：

● 风格不符：回答不够专业、语气不匹配。

● 知识缺失：不了解你的产品、公司内部术语。

● 结构要求：需要输出特定格式（JSON、表格）。

● 成本考量：频繁调用API成本高，微调小模型更划算。

1.1 微调 vs 提示工程 vs RAG

方法	适用场景	优点	缺点
提示工程	临时、简单任务	无需训练，即时生效	复杂任务不稳定，Token消耗大
RAG	知识问答、私有数据	实时更新，可解释	依赖检索质量，延迟稍高
微调	风格、格式、特定领域	深度定制，性能稳定	需要训练数据，成本较高

三者常结合使用：微调让模型“学会”你的领域知识，RAG提供实时信息，提示工程优化交互。

二、微调的核心流程

微调是在预训练模型的基础上，用少量任务相关数据继续训练，调整模型参数。

2.1 微调步骤

1. 数据准备：收集、清洗、格式化训练数据。

2. 选择基座模型：根据需求选择合适模型（如LLaMA、ChatGLM、Qwen）。

3. 微调方法：全量微调或参数高效微调（PEFT）。

4. 训练：设置超参数，启动训练。

5. 评估与迭代：用验证集评估效果，调整数据或参数。

6. 导出与部署：保存模型，量化优化，部署服务。

2.2 数据准备

● 数据格式：通常采用“指令-回答”对（instruction-input-output）或对话格式。

● 数量要求：几百条可看到初步效果，数千条以上效果更稳定。

● 质量优先：清洗数据，保证答案准确、风格一致。

示例数据（JSONL格式）：

{"instruction": "解释什么是RESTful API", "output": "RESTful API是一种基于HTTP的架构风格，使用资源概念和标准HTTP方法（GET、POST、PUT、DELETE）进行通信。"}
{"instruction": "将以下英文翻译成中文：Hello world", "output": "你好世界"}

2.3 微调方法

方法	说明	优点	缺点
全量微调	更新所有参数	效果最好	需要大量显存，训练慢
LoRA	低秩适配，只训练少量额外参数	显存占用小，训练快，易切换	效果略逊于全量
QLoRA	LoRA + 量化	4-bit量化，单卡可微调几十B模型	精度略有损失
Adapter	插入小型网络层	参数少，易插拔	推理略增开销

目前LoRA/QLoRA是主流，尤其适合资源有限的环境。

三、微调实战：用LLaMA-Factory微调Qwen

LLaMA-Factory是一个易用的微调框架，支持多种模型和方法。以下示例使用Qwen-7B进行LoRA微调。

3.1 环境准备

git clone 
            https://github.com/hiyouga/LLaMA-Factory.git

cd LLaMA-Factory
pip install -r 
            requirements.txt

3.2 数据准备

将训练数据放在 data 目录，格式为JSON，并在 data/ dataset_info.json 中注册。

3.3 启动微调

python src/
            train_bash.py
           \
    --stage sft \
    --model_name_or_path Qwen/Qwen-7B \
    --dataset my_dataset \
    --template qwen \
    --finetuning_type lora \
    --lora_target q_proj,v_proj \
    --output_dir ./output \
    --per_device_train_batch_size 4 \
    --gradient_accumulation_steps 4 \
    --learning_rate 5e-5 \
    --num_train_epochs 3 \
    --fp16

3.4 合并权重并导出

训练完成后，将LoRA权重合并到基座模型，便于部署：

from peft import PeftModel
from transformers import AutoModelForCausalLM, AutoTokenizer

base_model = 
            AutoModelForCausalLM.from_pretrained("Qwen/Qwen-7B")
          
tokenizer = 
            AutoTokenizer.from_pretrained("Qwen/Qwen-7B")
          
model = 
            PeftModel.from_pretrained(base_model,
           "./output")
merged_model = 
            model.merge_and_unload()
          

            merged_model.save_pretrained("./merged_model")
          

            tokenizer.save_pretrained("./merged_model")

四、模型部署：从训练到服务

部署的目标是将模型以API或服务的形式提供给其他系统调用。

4.1 部署方式对比

方式	适用场景	优点	缺点
模型API服务	通用，快速上线	简单，无需管理硬件	依赖第三方，成本可控性差
自托管（GPU）	高频调用、数据敏感	完全控制，长期成本低	需运维GPU集群
边缘端	离线、低延迟	无网络依赖	模型需压缩，性能受限
Serverless	间歇调用	按需付费，免运维	冷启动延迟

4.2 常用部署工具

工具	特点	适用场景
vLLM	高吞吐、PagedAttention	高并发生产环境
TGI	Hugging Face出品，功能全	企业级部署
FastAPI + Transformers	简单灵活	原型、内部工具
Ollama	一键运行，本地友好	开发测试
TensorRT-LLM	NVIDIA优化，极致性能	大规模生产

4.3 部署实战：使用vLLM部署微调后的模型

安装vLLM：

pip install vllm

启动服务：

python -m 
            vllm.entrypoints.openai.api_server
           \
    --model ./merged_model \
    --port 8000

调用API：

import openai

            openai.api_base
           = "http://localhost:8000/v1"

            openai.api_key
           = "EMPTY"

response = 
            openai.ChatCompletion.create(
          
    model="./merged_model",
    messages=[{"role": "user", "content": "解释什么是微调"}]
)
print(
            response.choices[0].message.content)

4.4 部署优化要点

● 量化：使用GPTQ、AWQ等量化技术，减少显存占用，提升推理速度。

● 批处理：动态批处理提高吞吐量。

● 缓存：对常见问题缓存结果，降低负载。

● 流式输出：提升用户体验，尤其对于长文本生成。

五、后端开发视角：集成微调模型

作为后端工程师，将微调模型集成到系统时需考虑：

● API设计：统一封装模型调用接口，便于前端和服务调用。

● 异步处理：耗时任务放入消息队列，避免阻塞。

● 监控与日志：记录请求、响应、耗时，用于质量分析和成本核算。

● 灰度发布：新模型先小流量验证，再全量切换。

● 版本管理：保存多个模型版本，支持回滚和A/B测试。

三、微调实战：用LLaMA-Factory微调Qwen

LLaMA-Factory是一个易用的微调框架，支持多种模型和方法。以下示例使用Qwen-7B进行LoRA微调。

3.1 环境准备

git clone 
            https://github.com/hiyouga/LLaMA-Factory.git
          
cd LLaMA-Factory
pip install -r 
            requirements.txt

3.2 数据准备

将训练数据放在 data 目录，格式为JSON，并在 data/ dataset_info.json 中注册。

3.3 启动微调

python src/
            train_bash.py
           \
    --stage sft \
    --model_name_or_path Qwen/Qwen-7B \
    --dataset my_dataset \
    --template qwen \
    --finetuning_type lora \
    --lora_target q_proj,v_proj \
    --output_dir ./output \
    --per_device_train_batch_size 4 \
    --gradient_accumulation_steps 4 \
    --learning_rate 5e-5 \
    --num_train_epochs 3 \
    --fp16

3.4 合并权重并导出

训练完成后，将LoRA权重合并到基座模型，便于部署：

from peft import PeftModel
from transformers import AutoModelForCausalLM, AutoTokenizer

base_model = 
            AutoModelForCausalLM.from_pretrained("Qwen/Qwen-7B")
          
tokenizer = 
            AutoTokenizer.from_pretrained("Qwen/Qwen-7B")
          
model = 
            PeftModel.from_pretrained(base_model,
           "./output")
merged_model = 
            model.merge_and_unload()
          

            merged_model.save_pretrained("./merged_model")
          

            tokenizer.save_pretrained("./merged_model")

四、模型部署：从训练到服务

部署的目标是将模型以API或服务的形式提供给其他系统调用。

4.1 部署方式对比

方式	适用场景	优点	缺点
模型API服务	通用，快速上线	简单，无需管理硬件	依赖第三方，成本可控性差
自托管（GPU）	高频调用、数据敏感	完全控制，长期成本低	需运维GPU集群
边缘端	离线、低延迟	无网络依赖	模型需压缩，性能受限
Serverless	间歇调用	按需付费，免运维	冷启动延迟

4.2 常用部署工具

工具	特点	适用场景
vLLM	高吞吐、PagedAttention	高并发生产环境
TGI	Hugging Face出品，功能全	企业级部署
FastAPI + Transformers	简单灵活	原型、内部工具
Ollama	一键运行，本地友好	开发测试
TensorRT-LLM	NVIDIA优化，极致性能	大规模生产

4.3 部署实战：使用vLLM部署微调后的模型

安装vLLM：

pip install vllm

启动服务：

python -m 
            vllm.entrypoints.openai.api_server
           \
    --model ./merged_model \
    --port 8000

调用API：

import openai

            openai.api_base
           = "http://localhost:8000/v1"

            openai.api_key
           = "EMPTY"

response = 
            openai.ChatCompletion.create(
          
    model="./merged_model",
    messages=[{"role": "user", "content": "解释什么是微调"}]
)
print(
            response.choices[0].message.content)

4.4 部署优化要点

● 量化：使用GPTQ、AWQ等量化技术，减少显存占用，提升推理速度。

● 批处理：动态批处理提高吞吐量。

● 缓存：对常见问题缓存结果，降低负载。

● 流式输出：提升用户体验，尤其对于长文本生成。

五、后端开发视角：集成微调模型

作为后端工程师，将微调模型集成到系统时需考虑：

● API设计：统一封装模型调用接口，便于前端和服务调用。

● 异步处理：耗时任务放入消息队列，避免阻塞。

● 监控与日志：记录请求、响应、耗时，用于质量分析和成本核算。

● 灰度发布：新模型先小流量验证，再全量切换。

● 版本管理：保存多个模型版本，支持回滚和A/B测试。

六、总结与展望

核心要点

维度	关键内容
微调	用业务数据让模型更贴合场景，常用LoRA/QLoRA
数据准备	指令-回答对，质量重于数量
部署工具	vLLM（高吞吐）、TGI（企业级）、Ollama（本地）
优化	量化、批处理、缓存、流式输出
后端集成	API设计、异步、监控、灰度、版本管理

2026年3月30日

如何用微信接入小龙虾保姆教程！
微信，正式接入了 OpenClaw。

一句话翻译就是：你的微信，可以直接操控一个 AI 助手了。不是聊天机器人那种简单问答，而是——帮你写东西、查资料、改代码、做任务，甚至远程帮你操作电脑。说实话，这一步，比很多人想象的要大得多。

话不多说，我们赶紧尝鲜一下。

1.先升级微信

这个新的功能必须在新的微信上可以用，而且是ios系统，苹果的手机上是可以的（电脑端我们没有试），在app store找到最新的这个版本

2.找到微信插件

在最新的微信里面，点击我的，然后在设置/插件找到小龙虾的插件

可以看到插件里面增加微信clawBot这个插件，其实就是一个跟openclaw连接的工具，点击详细可以看到这样的页面：

然后我们需要到运行的openclaw的服务器上去安装一些这个微信插件。

3.打开你的openclaw服务器

我用的是腾讯云的openclaw服务器（具体如何零基础安装openclaw和配置这个我们星球都有详细的教程），然后在你的服务器上敲下面的命令：

1).首先要看一下你的服务器必须有 Node.js

先执行：
```
node -v
npm -v
```
会出现类似这样的：
```
[root@VM-0-15-opencloudos ~]# node -v
v22.22.0
[root@VM-0-15-opencloudos ~]# npm -v
10.9.4
[root@VM-0-15-opencloudos ~]#
```
如果有版本号（比如 v22）说明你的服务器已经安装了nodejs，否则需要安装一下。好，我们这个服务器已经安装好了，我们下面继续：

2).安装微信openclaw插件

敲：npx -y @tencent-weixin/openclaw-weixin-cli@latest install

敲了命令之后就会开始安装了

4.打开微信扫码

把微信打开，然后扫一下这个服务器上的二维码即可（注意扫描有时间限制，二维码会过期），如果过期会继续生成二维码，然后再扫一下即可。

扫完之后，点击链接即可，就可以连上小龙虾了。

有兴趣的赶紧试一下。目前微信这个动作非常大，毕竟是14亿人使用的app 相信微信后面还有更大的动作，商业价值非常大。目前还不会使用小龙虾的可以赶紧学起来！
2026年3月24日
GPT-5.4×OpenClaw：从模型升级到可落地的智能体生产力

这不是一篇比拼参数的技术评测，而是聚焦「AI落地实战」的生产力观察。过去一周，GPT-5.4的相关新闻与测评密集释出，主流媒体和科技评测机构的结论高度一致：它的推理与长任务处理能力显著增强，针对智能体（Agent）的优化方向清晰可见，事实性输出准确率也有明显提升——当然，仍需人工校验确保严谨性。但如果仅把GPT-5.4当作「更会聊天的AI」，你只挖掘到了它30%的价值。真正的价值分水岭，在于它能否嵌入稳定的业务工作流，持续、可靠地交付可复用结果。而这，正是OpenClaw的核心强项。

为什么说OpenClaw是GPT-5.4的「生产力放大器」？

很多企业已经引入了优秀的大模型，但团队生产力并未真正提升，根源往往在于三个「断点」： – 模型在网页端，业务在IM工具里，能力与场景割裂； – 任务流程只存在于员工脑子里，没有固化为标准流程，无法复用； – 多是临时对话式的零散使用，缺乏可持续的运营机制。 OpenClaw的价值，就是把这些断点串联成闭环：

1. 多渠道统一入口

无需切换不同平台，在Telegram、Discord、WhatsApp、iMessage等主流即时通讯渠道，都能直接触发同一个智能体的能力，让AI能力与业务场景无缝对接。

2. 会话与记忆可管理

告别「每次对话从零开始」的低效模式，通过会话（session）管理、上下文记忆、工具链调用和可追踪状态，让AI能承接有延续性的复杂任务。

3. 原生自动化能力

借助定时任务（cron）、心跳监测（heartbeat）、触发钩子（hooks）等机制，把「偶发的人工提问」转化为「自动触发的持续交付」，让AI主动完成工作。

4. 支持多智能体隔离

针对销售助理、财务助理、技术助理等不同角色，可设置独立工作区、专属配置和权限体系，让不同智能体各司其职，避免能力冲突。一句话总结：GPT-5.4让单点AI能力更聪明，OpenClaw则把单点能力整合成了可落地、可复用、可持续的生产力系统。

可直接复制的落地案例：GPT-5.4+OpenClaw打造内容运营自动化

我们以微信公众号运营/内容团队的「每周AI行业快评」为例，拆解一套可直接复用的落地流程：

Step1：自动化采集

通过OpenClaw的定时任务功能，自动抓取行业重点媒体新闻、权威机构评测、官方技术文档等信息源，同时过滤重复内容与低质量信息，确保素材的精准性。

Step2：模型智能归纳

调用GPT-5.4对采集到的素材进行处理，按照「3条核心行业变化+2条行业争议点+1条实操建议」的固定框架，生成面向普通读者的通俗版本，避免技术术语堆砌。

Step3：人工审稿把关

对GPT-5.4的输出进行事实核验，调整过于夸张的表述，并加入团队的业务视角与行业判断，确保内容的严谨性和实用性。

Step4：多渠道智能分发

基于同一核心内容，OpenClaw自动生成适配不同场景的版本：微信公众号完整正文、社群传播的精简摘要、供团队内部参考的策略版，同步分发到对应渠道。这套流程的核心，不是「写一篇文章」，而是每周稳定输出高质量内容——把偶发的创意工作，变成可标准化的持续生产力。

给团队的三个实操建议：避免AI落地「高开低走」

建议1：先定义「输出格式」，再追求「模型效果」

如果输出格式不稳定，团队就无法复用AI结果。在测试模型能力前，先统一输出模板，比如固定为「开场结论+三点核心拆解+反方观点+行动建议」的结构，让AI的输出能直接对接业务需求。

建议2：把「审稿规则」转化为系统规则

将人工审稿的经验固化为可执行的系统规则：比如涉及数据必须标注来源、所有结论需明确适用边界、预测类内容必须标注「仅为判断，非既定事实」，用规则降低人工校验的成本。

建议3：用OpenClaw实现「流程资产化」

不要把AI能力绑定在某个人身上，而是通过OpenClaw沉淀可复用的「流程资产」：包括定时任务配置、标准提示词模板、多渠道触达规则、全流程版本记录，让新人也能快速承接工作，避免人员变动导致的能力断层。

结语：2026年的竞争，是「AI生产力系统」的竞争

现在仍有很多人在争论「哪个模型参数更高、能力更强」，但企业真正应该思考的是：你是否已经把模型能力，转化为可持续、可复制、可审计的业务流程？ GPT-5.4代表了当前AI能力的「上限」，决定了团队的想象力边界；而OpenClaw代表了AI落地的「下限」，决定了想象力能否转化为实际结果。如果你已经在使用GPT-5.x系列模型，现在最有价值的下一步，不是继续比拼模型跑分，而是把你的内容、运营、分析、协作流程，接入一个稳定的智能体网关（Agent Gateway）。只有走完这一步，AI才真正从「辅助工具」，变成驱动业务增长的「生产力系统」。

2026年3月14日

OpenClaw 源码架构深度解析

引言

OpenClaw（原Clawdbot）作为当前全球最炙手可热的开源AI Agent框架，其GitHub星标数已超越Linux和React，登顶全球榜首。它的爆火绝非偶然——这套架构完美解决了AI Agent落地的“最后一公里”问题，实现了从云端大脑到本地肢体的无缝协同。

本文将深入OpenClaw源码，从四层架构、插件化重构、三级记忆系统、Gateway-Pi执行链路四个维度，彻底拆解这套系统的设计哲学与实现细节。

一、整体架构：四层解耦设计

OpenClaw采用经典的四层解耦架构，从外到内依次是：交互层、网关层、智能体层、执行层。这种分层设计确保了各模块职责清晰、可独立演进。

┌─────────────────────────────────────────────────────────────┐
│                        交互层 (Channels)                      │
│  ┌──────────┐ ┌──────────┐ ┌──────────┐ ┌──────────┐      │
│  │ WhatsApp │ │ Telegram │ │  飞书    │ │  iMessage │  ...  │
│  └──────────┘ └──────────┘ └──────────┘ └──────────┘      │
└─────────────────────────────────────────────────────────────┘
                              │
                              ▼
┌─────────────────────────────────────────────────────────────┐
│                     网关层 (Gateway)                          │
│             路由 · 排队 · 调度 · 鉴权 · 协议转换                │
└─────────────────────────────────────────────────────────────┘
                              │
                              ▼
┌─────────────────────────────────────────────────────────────┐
│                     智能体层 (Agent)                           │
│  ┌────────────┐ ┌────────────┐ ┌────────────┐              │
│  │会话管理器   │ │上下文组装器 │ │ 记忆系统   │              │
│  └────────────┘ └────────────┘ └────────────┘              │
│  ┌────────────┐ ┌────────────┐                              │
│  │执行循环     │ │工具调用     │                              │
│  └────────────┘ └────────────┘                              │
└─────────────────────────────────────────────────────────────┘
                              │
                              ▼
┌─────────────────────────────────────────────────────────────┐
│                      执行层 (Execution)                       │
│  ┌──────────┐ ┌──────────┐ ┌──────────┐ ┌──────────┐      │
│  │ 本地节点  │ │ 远端节点  │ │  技能    │ │  沙箱    │      │
│  └──────────┘ └──────────┘ └──────────┘ └──────────┘      │
└─────────────────────────────────────────────────────────────┘

1.1 交互层：抹平所有IM差异

交互层的核心职责是协议适配。OpenClaw内置支持8个核心通道（Telegram、WhatsApp、Discord等），并通过插件系统支持超过50个扩展通道。

源码中，每个通道都是一个独立的插件，必须实现统一的ChannelPlugin接口：

export type ChannelPlugin = {
  id: ChannelId;              // 通道唯一标识
  meta: ChannelMeta;          // 通道元信息
  capabilities: ChannelCapabilities; // 能力声明
  config: ChannelConfigAdapter;      // 配置管理

// 可选实现
  outbound?: ChannelOutboundAdapter;  // 发送消息
  pairing?: ChannelPairingAdapter;    // 配对逻辑
  messaging?: ChannelMessagingAdapter; // 消息处理
// ...
}

这种设计的精妙之处在于：核心模块不面向任何具体IM编程，只面向接口编程。无论未来出现什么新的IM工具，只要实现这套接口，就能无缝接入OpenClaw生态。

1.2 网关层：系统的控制中枢

Gateway是整个OpenClaw的核心服务，作为一个常驻的Node.js进程，它承担着：

路由：根据消息来源分配给对应的会话
排队：实现“车道式队列”（Lane Queue），默认串行、显式并行
调度：管理定时任务（Heartbeat）
鉴权：验证请求合法性
协议转换：将不同通道的消息统一成内部格式

网关层的核心实现在src/gateway/server.py中，关键代码片段：

# gateway/dispatcher.py
def dispatch_task(payload):
    # 提取意图，过滤无用的对话历史
    intent = extractor.analyze(payload.content)
    # 匹配最合适的执行节点
    node_id = registry.get_active_node(payload.affinity)
    return forward_to_node(node_id, intent)

Gateway还维护着节点的心跳机制（默认使用Redis），如果节点失联，指令会被正确路由到其他可用节点。

二、插件化重构：从单体到生态

2026年初，OpenClaw通过PR #661完成了重大插件化重构，这是架构演进的分水岭。

2.1 单体架构的技术债务

重构前，添加一个新模型提供商需要修改4个核心文件：

继承BaseProvider抽象类
在providers/index.ts手动注册
在model-router.ts添加路由分支
更新配置Schema

路由文件充斥着大量的else-if分支，代码复杂度随提供商数量线性增长：

// 重构前的路由逻辑
exportclass ModelRouter {
async route(model: string, ...args) {
    if (model.startsWith('anthropic/')) {
      returnthis.anthropicProvider.call(...args);
    } elseif (model.startsWith('openai/')) {
      returnthis.openaiProvider.call(...args);
    } elseif (model.startsWith('gemini/')) {
      returnthis.geminiProvider.call(...args);
    }
    // ... 还有15+个else-if
  }
}

2.2 插件化架构设计

重构后的架构核心是接口标准化+动态加载：

// packages/core/src/provider-interface.ts
export interface Provider {
  readonly name: string;
  readonly version: string;
  
  chat(messages: Message[], options: ChatOptions): AsyncIteratorstring>;
  estimateTokens(text: string): number;
  getSupportedFeatures(): ProviderFeatures;
}

动态加载机制通过ProviderLoader实现：

export class ProviderLoader {
private providers = new Mapstring, Provider>();

async loadFromPackage(packageName: string): Promisevoid> {
    constmodule = await import(packageName);  // 动态导入
    if (!this.validateProvider(module.default)) {
      thrownewError(`Invalid provider: ${packageName}`);
    }
    const provider = newmodule.default();
    this.providers.set(provider.name, provider);
  }
}

重构后的路由逻辑从O(n)降为O(1)：

export class ModelRouter {
  async route(model: string, ...args) {
    const [providerName] = model.split('/');
    const provider = this.loader.getProvider(providerName);
    if (!provider) throw new Error(`Provider not found: ${providerName}`);
    return provider.chat(...args);
  }
}

2.3 插件化的四大优势

依赖隔离：核心框架从45MB降至8MB
并行开发：社区可独立开发插件，无需等待核心迭代
版本自治：各插件独立版本，可单独更新
安全增强：沙箱机制+权限声明，风险可控

三、记忆系统：三级存储架构

OpenClaw的记忆系统是其最惊艳的设计之一。它采用三级记忆架构，模拟人类记忆的分层特性。

3.1 工作区结构

每个Agent对应一个独立的工作区：

~/.openclaw/workspace/
├── MEMORY.md                # 长期记忆
├── memory/
│   ├── 2026-03-10.md        # 今日日志（短期）
│   └── 2026-03-09.md        # 昨日日志
├── sessions/                 # 会话存档（近端）
├── USER.md                   # 用户身份
└── SOUL.md                   # Agent人格设定

3.2 存储层：SQLite + 向量

每个Agent对应一个独立的SQLite数据库，表结构设计精巧：

-- 文件元数据
CREATETABLE files (
idINTEGER PRIMARY KEY,
pathTEXTUNIQUE,
  mtime INTEGER,    -- 修改时间，用于增量索引
hashTEXT         -- 内容哈希，去重
);

-- 文本块存储
CREATETABLE chunks (
idINTEGER PRIMARY KEY,
  file_id INTEGER,
textTEXT,
hashTEXTUNIQUE, -- 文本哈希，跨文件去重
  embedding TEXT    -- JSON序列化的向量
);

-- 全文搜索（FTS5）
CREATEVIRTUALTABLE chunks_fts USING fts5(text, content=chunks);

-- 向量搜索（sqlite-vec）
CREATEVIRTUALTABLE chunks_vec USING vec0(embedding float[1536]);

3.3 混合检索策略

OpenClaw的核心检索工具memory_search实现了BM25 + 向量的混合检索：

async function hybridSearch(query, options = {}) {
const vecWeight = 0.7;   // 向量权重
const bm25Weight = 0.3;  // BM25权重

// 分别检索（取并集）
const vectorResults = await vectorSearch(query);
const bm25Results = await bm25Search(query);

// 合并并计算综合得分
const allChunkIds = new Set([
    ...vectorResults.map(r => r.id),
    ...bm25Results.map(r => r.id)
  ]);

// 加权平均后排序返回
}

这套算法的关键在于并集而非交集——只要任一方法认为相关，就有机会进入候选池。

3.4 优雅降级

如果sqlite-vec扩展未安装，系统会自动回退到JS暴力计算：

try {
// 快速路径：数据库内计算余弦距离
returnawait db.all(`SELECT ... vec_distance_cosine(...)`);
} catch (err) {
// 回退路径：全量加载到内存暴力计算
const allChunks = await db.all("SELECT * FROM chunks");
return allChunks.map(chunk => ({
    ...chunk,
    dist: cosineSimilarity(queryVector, JSON.parse(chunk.embedding))
  })).sort((a, b) => a.dist - b.dist).slice(0, limit);
}

四、执行层：Gateway-Pi 架构

OpenClaw最硬核的部分是其云端大脑+本地肢体的设计。

4.1 三层执行链路

Orchestrator（大脑）：云端部署，负责LLM推理和任务拆解
Gateway（协议桥）：鉴权、流量整形、指令翻译
Pi-embedded（执行端）：运行在本地设备，真正执行脚本

4.2 沙箱隔离机制

Pi-embedded实现了一套名为 “Cell Isolation” 的沙箱机制：

# packages/pi-embedded/runtime/executor.py
class ExecutionEngine:
    def execute(self, skill_code):
        # 环境快照
        snapshot = self.take_snapshot()
        
        # 在独立venv中运行
        with self.isolated_venv() as venv:
            # 动态安装依赖
            self.install_dependencies(skill_code.dependencies)
            # 执行技能
            result = venv.run(skill_code)
        
        # 恢复环境
        self.restore_snapshot(snapshot)
        return result

4.3 完整调用链追踪

以“查CPU温度并生成图表”为例，完整调用链如下：

1. Orchestrator → 识别技能需求 → 生成JSON指令
2. Gateway → 验证签名 → 查找在线Pi节点 → Protobuf封装 → WebSocket发送
3. Pi-embedded → 接收消息 → 解包
4. Sandbox → 启动临时Python进程 → 挂载传感器权限
5. Skill Execution → 执行get_temp.py
6. Callback → 结果（图片二进制）原路返回

五、Agent核心配置

每个Agent的workspace中包含多个核心配置文件：

文件	作用
`AGENTS.md`	Agent职责声明，决定工具权限
`SOUL.md`	个性化提示词，注入system prompt
`TOOLS.md`	工具白名单/黑名单，安全边界
`IDENTITY.md`	身份标识（name/avatar），通道展示
`USER.md`	用户偏好，上下文先验
`HEARTBEAT.md`	定时任务配置
`MEMORY.md`	长期记忆文档（RAG源）

源码中通过loadWorkspaceBootstrapFiles方法加载这些文件：

// src/agents/workspace.ts:498-555
export async function loadWorkspaceBootstrapFiles(dir: string) {
  const entries = [
    { name: "AGENTS.md", filePath: path.join(resolvedDir, "AGENTS.md") },
    { name: "SOUL.md", ... },
    { name: "TOOLS.md", ... },
    // ...
  ];
  // 动态检测MEMORY.md
}

六、架构设计的优缺点

6.1 核心优势

零运维：SQLite单文件，无需复杂数据库
数据私有：全本地存储，不上云
可审计：记忆透明，Markdown文件可读
增量索引：只处理变更文件，效率高
优雅降级：从向量→BM25→纯文本，逐级回退
插件生态：60+官方技能，社区持续贡献

6.2 现存挑战

Token消耗偏高：记忆系统是主要原因
向量检索不懂关系：能找到个体但推不出关系
维护成本线性增长：文件越多，索引维护越复杂
长连接抖动：WebSocket 1006错误常见
小白门槛：虽零运维，但需懂文件结构

七、实战建议

7.1 定期记忆体检

长期记忆文件会随时间膨胀，建议每月手动过一遍MEMORY.md，删过时、并重复。

7.2 教会Agent分类

在系统提示词中引导分类：

“我喜欢/习惯” → preferences.md
“我要做一个” → projects.md
“解决了” → learnings.md

7.3 善用Heartbeat

openclaw cron add --name "记忆维护" 
  --cron "0 3 *" 
  --system-event "运行记忆整理：合并相似项，删除低价值项，生成摘要"

7.4 显式限定搜索范围

memory_search({ query: "...", scope: ["learnings.md"] })

结语

OpenClaw的架构设计给我最大的启发是：AI的记忆和执行不应该是黑盒。用Markdown存真相，用SQLite建索引，用BM25+向量做检索，用Gateway-Pi做执行——这套组合拳既保证了功能强大，又让一切透明可控。

在这个所有AI都想“记住你”的时代，OpenClaw让你能随时打开文件、看清它记住了什么、知道它在哪执行、怎么执行。这种清醒的设计哲学，或许正是它能够超越Linux和React，登顶全球的原因。

参考资料

OpenClaw三级记忆系统实现揭秘
2026年OpenClaw插件化重构技术解析
OpenClaw核心源码解读：从Gateway到Pi-embedded
不会写代码也能懂：OpenClaw四层架构图解
吃龙虾咯！万字拆解OpenClaw的架构与设计
关于OpenClaw，你需要了解的：核心架构、运作原理
OpenClaw Architecture Deep Dive 2025

2026年3月12日

OpenClaw 使用 DeepSeek 官方 API_KEY 配置教程
前言

找遍全网也没找到如何在openclaw配置deepseek官方apikey，那我自己整一个，以下内容为Claude Code根据我的聊天记录总结生成，希望对想在openclaw使用deepseek官方apikey的人提供帮助。

系统要求
- 操作系统: macOS / Linux / Windows (WSL)
- Node.js: 版本 22+ (推荐使用 nvm 管理)
- 网络: 需要访问 DeepSeek API (http://api.deepseek.com)
安装 OpenClaw

1. 全局安装 OpenClaw
```
npm install -g openclaw@latest
```
安装过程可能需要 3-5 分钟，会下载约 674 个依赖包。

2. 验证安装
```
openclaw --version
```
应该显示类似：🦞 OpenClaw 2026.3.8

初始化配置

1. 运行配置向导
```
openclaw onboard --install-daemon --non-interactive --accept-risk
```
说明:
- --install-daemon: 安装后台服务
- --non-interactive: 非交互模式
- --accept-risk: 接受安全风险声明
2. 检查服务状态
```
openclaw status
```
确认 Gateway 服务正在运行。

配置 DeepSeek 官方 API

1. 获取 DeepSeek API Key

访问 DeepSeek 官网注册并获取 API Key。

API Key 格式类似：sk-xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx

2. 配置 DeepSeek 提供商

执行以下命令（将 你的API_KEY 替换为实际的 API Key）：
```
openclaw config set models.providers.deepseek '{
  "baseUrl": "https://api.deepseek.com/v1",
  "apiKey": "你的API_KEY",
  "api": "openai-completions",
  "models": [
    {
      "id": "deepseek-chat",
      "name": "DeepSeek Chat (V3)"
    },
    {
      "id": "deepseek-reasoner",
      "name": "DeepSeek Reasoner (R1)"
    }
  ]
}'
```
3. 设置默认模型
```
openclaw config set agents.defaults.model.primary "deepseek/deepseek-chat"
```
4. 创建模型别名（可选）
```
openclaw models aliases add deepseek-v3 "deepseek/deepseek-chat"
openclaw models aliases add deepseek-r1 "deepseek/deepseek-reasoner"
```
5. 重启 Gateway 服务
```
openclaw gateway restart
```
等待 3-5 秒让服务完全启动。

测试与使用

1. 命令行测试
```
openclaw agent --session-id test --message "你好，请介绍一下你自己"
```
如果配置成功，DeepSeek 会用中文回复。

2. 打开 Web 控制面板
```
openclaw dashboard
```
浏览器会自动打开控制面板，URL 格式：
```
http://127.0.0.1:18789/#token=你的gateway_token
```
3. 查看配置状态
```
openclaw models status
```
应该显示：
- Default: deepseek/deepseek-chat
- Configured models: 包含 deepseek 模型
常用命令

服务管理
```
# 启动 Gateway
openclaw gateway

# 重启 Gateway
openclaw gateway restart

# 停止 Gateway
openclaw gateway stop

# 查看服务状态
openclaw status

# 查看详细状态
openclaw status --all

# 查看实时日志
openclaw logs --follow
```
模型管理
```
# 列出所有可用模型
openclaw models list --all

# 查看当前模型配置
openclaw models status

# 切换模型（在聊天中使用）
/model deepseek-v3

# 设置默认模型
openclaw config set agents.defaults.model.primary "模型ID"

# 添加模型别名
openclaw models aliases add 别名 "模型ID"

# 查看所有别名
openclaw models aliases list
```
对话交互
```
# 发送单条消息
openclaw agent --session-id 会话ID --message "你的问题"

# 指定超时时间（秒）
openclaw agent --session-id test --message "问题" --timeout 60

# 使用本地模式（不通过 Gateway）
openclaw agent --local --session-id test --message "问题"
```
配置管理
```
# 查看配置
openclaw config get 配置路径

# 设置配置
openclaw config set 配置路径 "值"

# 删除配置
openclaw config unset 配置路径

# 运行配置向导
openclaw configure
```
故障排除

问题 1: Gateway Token 错误

错误信息: disconnected (1008): unauthorized: gateway token missing

解决方法:
```
# 打开带 token 的控制面板
openclaw dashboard
```
或手动获取 token：
```
openclaw config get gateway.auth.token
```
问题 2: 模型不可用

错误信息: Unknown model: xxx

解决方法:
1. 检查模型配置：
  openclaw models status
2. 确认模型 ID 正确：
  openclaw models list –all | grep deepseek
3. 重启 Gateway：
  openclaw gateway restart
问题 3: API Key 无效

错误信息: HTTP 401 或 Unauthorized

解决方法:
1. 验证 API Key 是否正确
2. 检查 API Key 是否过期
3. 重新配置提供商：
  openclaw config set models.providers.deepseek.apiKey “新的API_KEY” openclaw gateway restart
问题 4: 连接超时

错误信息: Request timed out 或 No reply from agent

解决方法:
1. 检查网络连接
2. 测试 DeepSeek API 可达性：
  curl -I https://api.deepseek.com/v1/models
3. 增加超时时间：
  openclaw agent –session-id test –message “测试” –timeout 120
问题 5: Gateway 无法启动

解决方法:
1. 检查端口占用：
  lsof -i :18789
2. 强制重启：
  openclaw gateway –force
3. 查看日志：
  openclaw logs
4. 运行诊断：
  openclaw doctor openclaw doctor –fix
高级配置

配置备用模型

当主模型不可用时，自动切换到备用模型：
```
openclaw config set agents.defaults.model.fallbacks '["deepseek/deepseek-reasoner"]'
```
配置环境变量

将以下内容添加到 ~/.zshrc 或 ~/.bashrc：
```
# DeepSeek API Key (可选，如果已在配置文件中设置)
export DEEPSEEK_API_KEY="你的API_KEY"

# OpenClaw Gateway Token (可选)
export OPENCLAW_TOKEN="你的gateway_token"
```
然后重新加载配置：
```
source ~/.zshrc  # 或 source ~/.bashrc
```
配置工作空间
```
openclaw config set agents.defaults.workspace "/自定义/工作空间/路径"
```
相关资源
- OpenClaw 官方文档: docs.openclaw.ai/
- DeepSeek 官网: platform.deepseek.com/
- DeepSeek API 文档: platform.deepseek.com/api-docs/
- OpenClaw GitHub: github.com/anthropics/…
提示: 如果遇到其他问题，可以运行 openclaw doctor --deep 进行深度诊断，或访问官方文档获取更多帮助。
2026年3月9日
OpenClaw最佳工具榜来了，这6款龙虾最受欢迎
龙虾火出圈后，各类生态工具如雨后春笋般冒头，部署、插件、托管工具五花八门，挑得人眼花缭乱。

早前ChatGPT GPT Store有趋势榜等各大榜单，现在OpenClaw也有专属的最佳工具榜了。

最近，一个由第三方搭建的OpenClaw生态工具目录网站——OpenClaw Directory，在多个专业开发者/工具社区获得了曝光和认可。

目前该网站共收录了39个OpenClaw相关工具，按照功能做了精细化的分类梳理，包括：

AI Agent Teams（Agent团队协同工作方案）、AI Agent Trigger（触发Agent执行任务的机制/工具）、Boilerplate（代码模板）、Command Centre（控制面板）、Deployer（部署工具）、Hosting（托管服务）、Token Optimizer（Token优化工具）、Skills（扩展特定功能的技能模块）、Plugins（增强OpenClaw能力的插件）。

支持按“必备”、“可定制”、“开源”等标签筛选，也可按“流行”、“最新”、“评分最高”、“A-Z字母序”等方式排序。

每个工具还清晰标注了工具简介、核心功能、用户评分等关键信息，可以帮助大伙儿快速判断是否适配自己的使用场景。

OpenClaw最佳工具榜

话不多说，一起来看这个目录里列举的最受欢迎的OpenClaw工具都有哪些。

以下是不区分功能类别的综合总榜中，排名前六的精选工具：

排在第一位的是Claw for All。

简介介绍，Claw for All是一款面向开发者以及普通用户的主打简化OpenClaw部署与管理流程的工具平台，支持在线端和移动应用双端访问。

核心功能包括：
- 部署轻松便捷：只需几步点击，即可一键启动你的OpenClaw实例
- 移动随心管理：专属移动应用，让你随时随地管理账户与实例
- 界面简洁友好：清爽直观的操作界面，零基础也能轻松上手
- 支持全面完善：丰富的配套支持资源，助你排查问题、优化OpenClaw使用体验
工具介绍末尾还列举了与其相似的其它工具。

排在第二位的是OpenClaw Launch。

OpenClaw Launch同样是一款部署类工具，主打极速、30秒内完成OpenClaw应用的一键部署：
- 一键部署：告别复杂配置，点击即可启动
- 极速执行：30秒内完成应用部署，效率拉满
- 友好界面：无论技术水平如何，都能轻松操作
- 稳定性能：架构可靠，保障项目平稳运行
- 全面支持：随时获取实用资源与专属协助
接下来，排在第三位的是一款AI Agent Teams类工具——ClawTeam。

ClawTeam提供专为OpenClaw打造的预制智能体配置方案，核心功能有：
- 预制配置方案：采用专家级定制的AI智能体配置，开箱即用，大幅节省部署时间
- 深度适配OpenClaw：基于OpenClaw平台量身打造配置，助力应用程序性能优化
- 操作简单友好：即便你并非技术专家，也能快速上手，全程无繁琐操作，效率拉满
- 应用场景丰富：适用于企业、开发者与科研人员，可满足多领域的AI能力落地需求
排在第四位的vibeclaw就更极限了，号称可以1秒内在浏览器沙箱中本地运行OpenClaw。

据介绍，Vibeclaw专为需要快速、可靠调用OpenClaw的开发者打造，核心优势如下：
- 瞬时启动：1秒内即可完成部署，彻底告别漫长的安装流程
- 本地运行：支持OpenClaw本地执行，大幅提升运行速度与性能表现
- 浏览器沙箱：提供安全隔离环境，有效规避潜在威胁，保障工作安全
- 界面友好易用：简洁直观的设计适配各技术水平用户，操作毫无门槛
第五位Tinkerclaw，被分类到了Boilerplate、Deployer一栏。

关于Tinkerclaw的介绍比较详细。据称，这是一款一站式服务平台，旨在帮助创业者与团队零技术门槛地部署、管理并扩展其OpenClaw AI助手。

该平台将代配置部署、工作流定制、工具支持、社区权限与持续学习资源整合为一套完整的生态系统。

官方列举的核心优势包括：
- 专属定制化OpenClaw部署服务：60-90分钟内完成实时部署；企业级安全加固防护；量身定制契合业务需求的工作流；支持电子邮件、日历、Slack及Composio集成；14天专属跟进支持，提供手把手指导服务；部署失败全额退款保障。
- 代配置部署对比自主部署核心优势：节省12-20小时以上的手动配置时间；规避Docker配置、安全防护与系统参数设置等常见问题；大幅降低创业者的机会成本；配套提供持续技术支持与详尽文档。
- OpenClaw管理器：原生桌面端聊天交互界面；可视化文件管理器，支持SOUL.md与HEARTBEAT.md文件管理；技能插件一键安装；基于自然语言的智能定时任务调度；实时会话日志与性能监控追踪。
- 定制工作流与自动化支持：每次部署可配置最多3套个性化工作流；实现邮件处理、报告生成、站会管理与收件箱运维的自动化；基于业务场景优化的配置方案，提升生产力与运营效率；安全访问权限管控与数据加密存储。
- 预置模板库：开箱即用的OpenClaw模板；预制智能体角色与自动化流程；覆盖从入门到高阶的全层级配置方案；支持复制模板快速部署工作流。
- ClawKraft专业社区：面向高阶用户的付费社区；定期举办实时项目搭建专场与专题研讨会；支持同行反馈交流与工作流分享；聚焦实操教学与真实业务场景落地。
- 行业通讯与生态动态更新：每日OpenClaw前沿资讯速递；每周更新工作流模板方案；系统优化实用技巧分享；产品迭代与社区活动播报。
- 限量席位专属入驻服务：每月开放限量部署服务名额；提供一对一个性化入驻指导；重质轻量，专注保障服务质量与系统稳定性。
最后来看排在第六位的ClawWrapper。

ClawWrapper旨在简化OpenClaw工具的封装与上线流程，具体有以下特点：
- 极速封装上线：大幅缩短工具打包、发布的流程，让你的OpenClaw工具快速落地使用
- 高质量封装模板：以优质框架为基础，保障封装后的工具稳定、安全，避免运行故障
- 操作流程友好：通过简洁直观的网站界面，轻松完成工具封装与进度追踪
- 专属客户支持：专业团队随时响应，解决封装过程中的各类疑问与问题
以上便是平台精选的多款高评分核心工具。另外，开发者还可以在网站提交自己的OpenClaw工具。

还有保姆级教程库

值得一提的是，这个网站不仅是一个工具目录，还打造了专属的Blog板块，系统性覆盖了从入门科普到进阶优化的各种指南、教程。

有部署选型指南，也有针对常见故障推出的修复方案，还有Token用量优化、AI API性价比选型等进阶内容。

甚至还有最最基础的那种：

什么是OpenClaw、它是如何运作的以及为什么重要？

教程还是很有必要的，毕竟现在连上门驯服龙虾的服务都横空出世了（doge）。

目录里的工具，大伙儿有用过的吗？欢迎评论区交流讨论～
2026年3月8日
GPT-5.4 全整理：非常好用，非常贵
这次同步发布两个版本：5.4 和 5.4 Pro

GPT-5.4 是主力版本，在 ChatGPT 里以「GPT-5.4 Thinking」的名字出现，面向 Plus、Team、Pro 用户，同步上线 API 和 Codex，标准 API 定价 $2.50/M 输入，$15/M 输出

在 ChatGPT 里，这俩模型是这样的

GPT-5.4 Pro 针对最复杂的任务场景，仅限 ChatGPT Pro 和 Enterprise 用户，API 定价 $30/M 输入，$180/M 输出，是标准版的 12 倍，贵的理由后面细讲，先说模型本身

GPT-5.4 把三件事合并进了同一个模型：代码能力、通用推理，原生 Computer Use 能力

这是 OpenAI 第一次在通用模型里内置 Computer Use，之前这个能力只在专门版本里有

模型上下文窗口 1M tokens，最大输出 128K tokens，知识截止日 2025 年 8 月 31 日

对此，我给做了个图

GPT-5.4 对比

专业工作能力

OpenAI 有一个叫 GDPval 的内部评测，设计逻辑是：让模型做美国 GDP 前 9 大行业里实际存在的工作任务，覆盖 44 种职业，任务包括销售演示文稿、会计电子表格、急诊排班表、制造业图表、短视频等等，然后由人工评估者判断模型输出是否能和行业从业者持平或更好

GPT-5.4 在这个评测上得了 83.0%，GPT-5.2 是 70.9%，GPT-5.4 Pro 是 82.0%

在电子表格方向，OpenAI 用了一组模拟投行初级分析师日常建模任务的内部测试，GPT-5.4 得分 87.3%，GPT-5.2 是 68.4%，提升了 19 个百分点

演示文稿方向，拿 GPT-5.4 和 GPT-5.2 的输出做盲测，人工评审在 68% 的对比里更偏好 GPT-5.4 的结果，主要原因是视觉更多样，图片生成用得更到位

这次随模型同步发布了 ChatGPT for Excel 插件，Codex 和 API 也更新了电子表格和演示文稿的技能包（Skill）

https://openai.com/index/chatgpt-for-excel/

下面三张图是 GPT-5.2 和 GPT-5.4 在电子表格、文档、演示文稿三个场景的输出对比：

电子表格输出对比：GPT-5.2 vs GPT-5.4

文档输出对比：GPT-5.2 vs GPT-5.4

演示文稿输出对比：GPT-5.2 vs GPT-5.4

幻觉控制方面，GPT-5.4 是目前 OpenAI 旗下事实准确性最高的模型

测试方法是拿一批用户真实举报过事实错误的 prompt，对比两个模型的输出：单条声明出错概率比 GPT-5.2 低 33%，完整回复包含错误的概率低 18%

Computer Use 和视觉感知

OSWorld-Verified 75.0%，人类基准 72.4%

OSWorld 是一个桌面操作评测，测的是模型能不能通过截图来控制真实的桌面环境，包括鼠标点击、键盘输入、跨应用操作等等。GPT-5.4 得了 75.0%，GPT-5.2 是 47.3%，人类测试者的基准是 72.4%。GPT-5.4 已经超过了人类水平

这个能力现在通过标准 API 的 computer 工具直接提供，开发者不需要再路由到独立模型

模型支持两种操控方式：用 Playwright 这类库写代码来操作浏览器，或者直接接收截图然后发出鼠标键盘指令。开发者可以通过 developer message 调整模型行为，也可以配置自定义的确认策略来控制高风险操作的审批门槛

这个方向和 OpenClaw（一个已经能稳定操控电脑、执行复杂任务的 Agent 框架）在路线上是收拢的。GPT-5.4 把同等量级的 Computer Use 能力做进了通用 API，降低了集成门槛

下面两个视频是 GPT-5.4 做 Computer Use 任务的演示，视频没有加速：

现实这个，AI 通过通过坐标点击来发邮件、排日历，全程截图驱动

GPT-5.4 操控浏览器界面处理邮件和日历

然后是这个：用 Playwright 自动化，把一批记录依次提交到十个表单里

GPT-5.4 批量填写十个 web 表单

浏览器操作方向，WebArena-Verified 是一个专门测浏览器控制能力的评测，同时支持 DOM 分析和截图两种交互方式，GPT-5.4 得了 67.3%，GPT-5.2 是 65.4%

视觉理解方面，MMMU-Pro 是一个测多模态理解和推理的综合评测，GPT-5.4 在不使用外部工具的情况下得了 81.2%，GPT-5.2 是 79.5%

文档解析方面，OmniDocBench 测的是模型从图片或扫描件里还原文本的准确度，用归一化编辑距离衡量误差，数字越小越好。GPT-5.4 是 0.109，GPT-5.2 是 0.140

图像输入这次新增了 original 精度级别，支持最高 10.24M 像素或 6000 像素边长的全分辨率输入。high 级别也从原来的上限提升到 2.56M 像素。OpenAI 内测发现这对定位准确率和点击精度有明显改善，对需要处理高分辨率截图的 Computer Use 场景帮助最大

代码能力

GPT-5.4 在代码上的做法是把 GPT-5.3-Codex 的编程能力继承进来，同时让它在更长周期的任务里跑得更稳

SWE-Bench Pro 是目前代码能力最主流的评测之一，测的是模型处理真实 GitHub 问题的能力，GPT-5.4 得了 57.7%，GPT-5.3-Codex 是 56.8%，GPT-5.2 是 55.6%

Terminal-Bench 2.0 测的是终端操作能力，GPT-5.4 是 75.1%，这里有一个需要说的点：GPT-5.3-Codex 是 77.3%，GPT-5.4 在这个子项上小幅回退了

Codex 里新增了 /fast 模式，token 生成速度最多提升 1.5 倍，模型本身不变。开发者通过 API 用 Priority Processing 可以达到同等速度

还有一个实验性的新技能叫 Playwright Interactive，允许 Codex 在写 web 应用或 Electron 应用的时候，边写边启动浏览器做视觉调试，可以在构建过程中直接拿正在开发的应用跑测试、验证交互

下面几个视频是用 Playwright Interactive 配合 GPT-5.4 从单条 prompt 出发跑出来的 Demo：

主题公园模拟游戏，从一条 prompt 生成，Playwright 用于浏览器游玩测试

含路径、景点建造、游客 AI、队列、骑乘状态，Playwright 用于多轮次游玩验证

战棋 RPG，多轮对话迭代生成，配合 Playwright 调试界面和着色器

回合制战斗、格子地图、移动和动作系统，人物图片用 imagegen 生成

金门大桥三维飞越体验，Playwright 用于验证飞行控制和视角控制

下面的视频，也讲了下 GPT-5.4 Thinking 做 Computer Use 和前端开发的综合演示

问就是一把梭

Tool Search 与 Agent 工具链

Tool Search 让 token 消耗减少了 47%

之前 API 里如果系统挂了很多工具，每次请求都要把所有工具的定义完整塞进 prompt，工具一多这个开销就很大。GPT-5.4 改成了按需检索：模型收到一个轻量的工具列表，需要用某个工具时再主动查询它的完整定义，临时追加进对话

MCP Atlas 是一个测模型使用 MCP（Model Context Protocol）服务器能力的评测，测的是模型在大量工具生态下的任务完成率。在这个测试的 250 个任务里，Tool Search 让 token 用量减少 47%，准确率没有下降，GPT-5.4 整体得分 67.2%，GPT-5.2 是 60.6%

MCP Atlas benchmark 结果

Toolathlon 是一个覆盖多种工具使用场景的综合评测，涵盖搜索、代码执行、文件操作等各类工具的混合使用，GPT-5.4 得了 54.6%，GPT-5.3-Codex 是 51.9%，GPT-5.2 是 45.7%

Toolathlon benchmark 结果

BrowseComp 是一个专门测 Agent 在网络里搜索和浏览信息能力的评测，任务通常需要跨多个页面反复检索才能找到答案，GPT-5.4 得了 82.7%，Pro 版 89.3%，GPT-5.2 是 65.8%

BrowseComp benchmark 结果

τ2-bench Telecom 是一个测 Agent 在电信客服场景里完成多步骤任务能力的评测，场景设定是模拟真实的用户诉求和后台工具调用。GPT-5.4 在带推理模式下得了 98.9%，GPT-5.2 是 98.7%，两者差距不大；在不启用推理的轻量模式下，GPT-5.4 得了 64.3%，GPT-5.2 是 57.2%，GPT-4.1 是 43.6%，这个提升更明显

τ2-bench Telecom benchmark 结果

ChatGPT 侧的变化

在 ChatGPT 里，GPT-5.4 Thinking 新增了一个「先给计划再干活」的交互模式：对于复杂任务，模型会先展示执行思路，用户可以在这个阶段插入指令调整方向，不需要等它跑完再重来

这个东西，本周在 Android 和 Web 端上线，iOS 近期跟进

GPT-5.4 在长时间推理时的上下文保持有明显改善，复杂问题跑到后段不容易跑偏。深网研究（针对高度具体的查询）的质量也比 GPT-5.2 提升了

长上下文

Codex 里支持 1M token 上下文窗口，目前是实验性功能，通过配置 model_context_window 和 model_auto_compact_token_limit 来启用。超过 272K 的 input token 按 2 倍输入价格、1.5 倍输出价格计费

MRCR v2 是 OpenAI 自己的长上下文检索评测，测的是在超长文档里找到多个特定信息的能力：
- • 0 到 128K token 范围：准确率在 86% 到 97% 之间
- • 128K 到 256K：79.3%
- • 256K 到 512K：57.5%
- • 512K 到 1M：36.6%
512K 到 1M 这段的 36.6% 说明超长上下文目前还不稳，这点官方没有回避

学术基准

ARC-AGI-2 是目前公认较难的抽象推理评测，测的是模型能否从少量样本里推出规律，GPT-5.4 得了 73.3%，Pro 版 83.3%，GPT-5.2 是 52.9%，跳幅在所有评测里最大

GPQA Diamond 是一个研究生级别的多学科问答评测，GPT-5.4 得了 92.8%

FrontierMath 是一个数学竞赛级别的推理评测，其中 Tier 4 是最高难度题目，GPT-5.4 得了 27.1%，Pro 版 38.0%，GPT-5.2 是 18.8%

Humanity’s Last Exam 是一个跨学科极难题库，GPT-5.4 在不使用外部工具时得了 39.8%，带工具时 52.1%

Frontier Science Research 是测科研能力的评测，GPT-5.4 得了 33.0%，Pro 版 36.7%，GPT-5.2 是 25.2%

需要单独说一下 HealthBench 这个健康问答评测。GPT-5.4 是 62.6%，GPT-5.2 是 63.3%，小幅退步了。Hard 子集 40.1% vs 42.0%，同样略有下降。不过 Consensus 子集（测的是答案和专家共识的吻合程度）提升了，96.6% vs 94.5%。回复平均长度从 2676 字符增加到了 3311 字符，模型在信息充足时更倾向于直接给答案而不是先问一圈澄清问题。这个回退官方没有隐瞒，写在 System Card 里了

安全分级与 CoT 特性

GPT-5.4 在 OpenAI 的 Preparedness Framework（一个评估前沿模型风险能力的框架）下被评为两个领域的高能力模型：网络安全（Cyber）High 和 生物化学（Bio/Chem）High，对应部署了两套防护体系

网络安全方向有一个叫 Cyber Range 的内部测试，模拟真实网络环境里的端到端攻击任务，测的是模型能否完成完整的渗透流程。GPT-5.4 综合通过率 73.33%，GPT-5.3-Codex 是 80%，GPT-5.2 是 47%。GPT-5.4 没能通过 EDR 防御规避、Firewall 绕过、Token 泄露利用、CA/DNS 劫持这四个场景，GPT-5.3-Codex 除了多通过了 Firewall 绕过之外，其余也一样卡住

评测机构 Irregular 用自己的场景化评测（CyScenarioBench）做了独立测试，GPT-5.4 通过了 11 个长周期攻击场景中的 5 个，GPT-5.2 只通过了 1 个

对应的防护体系：在 Zero Data Retention 表面（即零数据留存用户），未加入 Trusted Access for Cyber 计划的请求会被异步消息级分类器拦截；非零数据留存表面走离线执法机制；账户级违规达到一定阈值会触发人工审核

CoT 可控性极低：10K 字符的推理链里，只有 0.3% 能被用户指令成功控制，和 GPT-5.2 的 0.2% 基本一致

OpenAI 把这个数字当安全的正向指标来讲：模型推理过程难以被外部指令刻意改写，说明它大概率也难以主动隐藏自己的推理逻辑来绕过监控

外部安全机构 Apollo Research 的评估：无诱导条件下整体欺骗率约 1%，和 GPT-5.3-Codex 相当，低于 GPT-5.2。没有观测到模型主动对抗开发者监督的行为（自我外泄、禁用监控、目标守护）。Sandbagging（有意压低表现）只在给出明确工具性目标时才出现，准确率下降约 6 个百分点，不给目标时不发生

Prompt Injection 防护（即防止模型被工具返回内容里的恶意指令劫持）：连接器场景 0.998，较前代改善；函数调用场景 0.978，较前代小幅回退

定价与可用性

API 模型

输入

输出

gpt-5.2

$1.75/M

$0.175/M

$14/M

gpt-5.4 $2.50/M $0.25/M $15/M

gpt-5.2-pro

$21/M

—

$168/M

gpt-5.4-pro $30/M
—
$180/M

批量/Flex 处理半价，Priority 处理 2 倍价格。超过 272K token 的请求，当次完整会话按 2 倍输入、1.5 倍输出计费。Regional Processing（数据驻留）端点额外加收 10%

GPT-5.4 Pro 的定价是标准版的 12 倍输入、12 倍输出，针对的是最复杂的任务场景

有一个细节值得注意：从 GDPval 来看，Pro 版是 82.0%，标准版是 83.0%，Pro 在这个知识工作综合评测上反而略低。但在 BrowseComp 这个 Agent 工具链任务里，Pro 版 89.3% vs 标准版 82.7%，优势明显。两个版本的适用场景是不一样的

ChatGPT 侧的时间线：GPT-5.4 Thinking 今天起对 Plus、Team、Pro 用户逐步开放，取代 GPT-5.2 Thinking 成为默认模型。GPT-5.2 Thinking 进入 Legacy 列表，再保留三个月，退役日期 2026 年 6 月 5 日

Enterprise 和 Edu 管理员可以在后台提前开启。GPT-5.4 Pro 仅限 Pro 和 Enterprise 用户。Free 用户在系统自动路由时会用到 GPT-5.4，但不能主动选

GPT-5.4 在 Agent 方向把三件分散的事情合并进了一个模型出口：推理、代码、Computer Use

开发者之前要在不同模型之间路由，现在至少在 API 层面不需要了

剩下的事，就交给龙虾了

官方 Blog
openai.com/index/introducing-gpt-5-4

System Card
deploymentsafety.openai.com/gpt-5-4-thinking
2026年3月7日

	API 模型	输入	输出
gpt-5.2	$1.75/M	$0.175/M	$14/M
gpt-5.4	$2.50/M	$0.25/M	$15/M
gpt-5.2-pro	$21/M	—	$168/M
gpt-5.4-pro	$30/M	—	$180/M

手把手教你安装OpenClaw让AI帮你干活

一、什么是 OpenClaw？

OpenClaw（曾用名 Clawdbot）是一款 2026 年爆火的开源个人 AI 助手，GitHub 星标已超过 10 万颗。与传统 AI 聊天机器人的根本区别在于：

真正的执行能力：不仅能回答问题，还能实际操作你的电脑
24/7 全天候待命：在你睡觉时也能主动完成任务
完全开源免费：数据完全掌控在自己手中
支持多种通讯平台：在国外，WhatsApp、Telegram、Discord、Slack、iMessage 等，在国内，飞书，钉钉等各大厂商的即时聊天软件已经支持接入

它能做什么？

它不只是回答问题的聊天机器人，而是真的能在你电脑上动手操作。比如你告诉它“帮我整理一下上个月的邮件”，它就默默去处理了；你睡觉时，它还能继续干活，退订广告、预约行程、甚至找找 Bug。

它完全免费，你的数据都在自己手里。而且可以用钉钉，飞书，WhatsApp、Telegram等各类即时通讯软件来指挥他干活！

简单来说，一句话交给它，从整理桌面文件到控制家里灯光，它都默默帮你搞定。是你电脑里真正的贾维斯！超级智能的AI助理！

二、安装nodejs

后面执行一键安装命令，可以自动安装nodejs，但是如果为了加快速度，防止安装意外，可以先安装nodejs：

官方下载地址：https://nodejs.org/zh-cn/download

三、开始安装

一）设置 PowerShell 执行权限

以管理员身份运行 PowerShell：

按 Win 键，搜索 PowerShell
右键点击 Windows PowerShell
选择 以管理员身份运行
点击是确认

在管理员 PowerShell 窗口中，依次执行以下两条命令：

Set-ExecutionPolicy RemoteSigned -Scope CurrentUser

Set-ExecutionPolicy -Scope Process -ExecutionPolicy Bypass

这是什么意思？

第一条命令：允许当前用户运行本地和下载的脚本
第二条命令：允许当前用户运行本地和下载的脚本

安全提示：这些命令只会影响您自己的账户，不会影响系统安全或其他用户。

二）执行一键安装命令

复制以下命令，粘贴到 PowerShell 窗口中，按 Enter 执行：

iwr -useb https://openclaw.ai/install.ps1 | iex

安装过程会自动完成：

检测系统环境
安装必要依赖（Node.js 等）
下载 OpenClaw 核心文件
配置环境变量
启动配置向导

注意：如果命令执行后，还是报错，可以自己到官网下载node安装包，自己安装node环境，注意版本最好在 node v22.x 以上，node官网下载地址：https://nodejs.org/zh-cn/download

四、初始配置向导

安装完成后，会自动进入配置向导（openclaw onboard）。

一）风险告知

这一步主要是告诉你，使用OpenClaw可能会有一些风险。请问你是否继续？

按向左方向键 ←，选择 Yes，按 Enter 回车确认

二）选择 QiuickStart 模式

三）配置 AI 模型 API Key

OpenClaw 需要连接到大语言模型才能工作。Openclaw 比较费token，国外模型成本高，门槛也高，这里我选择国内的智谱的 GLM 4.7

如果没有智谱的API Key，点击官方地址自己注册账号获取API key：https://www.bigmodel.cn/glm-coding?ic=RBSKXMPNJP

输入自己的 API Key：

四）选择 AI 模型

这里我选择默认的GLM 4.7，也是智普当前的旗舰模型

五）连接即时通讯平台

配置完 AI 模型后，OpenClaw 会询问你要连接哪个通讯平台？

OpenClaw 原生支持的即时通信平台主要是海外的 WhatsApp、Telegram、Discord、Slack、iMessage 等，国内用户不习惯，这里国产即时通信软件大厂也跟进了，现在钉钉，飞书等都已支持接入OpenClaw

后面会带领大家把飞书机器人接入 OpenClaw，使大家可以通过飞书即可指挥OpenClaw为我们干活，但是飞书配置比较复杂，这里我们先选择跳过，后面我们可以通过继续进行配置：

六）选择Skills

这里也选择：No，暂不配置，后面通过UI界面进行配置：

七）是否开启Hooks

操作步骤：先敲空格，表示选中当前项，再敲回车键

八）启动服务并打开UI界面

此时它会自动再打开一个命令窗口来启动服务:

这个过程是在启动服务，可能会需要等一点时间

同时，大约过30秒左右，我们回到刚才的设置窗口，选择 Open the Web UI ，打开 OpenClaw 的UI界面：

浏览器自动打开Web UI界面：

九）测试一下

五、接入飞书机器人

我们需要先到飞书平台创建自己的机器人来接入OpenClaw：

一）来到飞书开发者后台

飞书开放平台地址：https://open.feishu.cn

没有飞书账号的，需要自己注册账号

点击右上角进入 开发者后台：

二）创建应用

三）填写应用信息

四）获取自己的应用凭证

五）给应用添加机器人

六）给应用配置权限

把即时通讯相关的权限全部开通：

七）创建版本并发布

来到飞书客户端进行审批：

八）安装飞书插件

打开powershell，输入以下命令，安装飞书插件：

openclaw plugins install @m1heng-clawd/feishu

安装成功后，再打开一个新的命令窗口，开始配置飞书插件：

输入命令：

openclaw config

选择渠道:

选择配置链接:

输入飞书的AppID，AppSecrect：

域名选择中国的：

接受群组聊天：

选择完成：

选择yes：

选择open：

选择继续，完成配置：

重启服务，使配置生效：

控制可以看到飞书插件已经配置成功

七）回到飞书后台设置事件回调

选择 使用长连接接收事件 ：

可以看到添加事件按钮由原来的灰色不可点击变为可点击：

添加接收消息事件：

给应用开通获取通讯录基本信息的权限：

重新发布版本：

跟前面的步骤一样，发布为在线应用即可。

现在可以在飞书中与 AI 助手对话了！

八）在飞书中与OpenClaw对话

来到飞书客户端或者手机飞书app上：

以下是openclaw文件夹下面的文档内的内容：

现在我跟飞书机器人对话，让他告诉我指定文档内是什么内容：

六、访问 Web 控制面板

配置完成后，PowerShell 窗口底部会显示控制面板链接，格式类似：

Control UI: http://127.0.0.1:18789

复制完整链接
在浏览器中打开
即可看到可视化UI管理界面

七、常用命令速查

命令	功能
`openclaw onboard`	重新进入配置向导
`openclaw status`	查看运行状态
`openclaw health`	健康检查
`openclaw gateway start`	启动服务
`openclaw gateway stop`	停止服务
`openclaw update`	更新到最新版本
`openclaw doctor`	诊断问题
`openclaw uninstall`	卸载 OpenClaw

八、常见问题解答

Q1: 安装飞书插件提示：spawn npm ENOENT

问题原因：这可能是openclaw的一个bug，可以等官方更新，也可以自己去官方仓库提issue

解决步骤：

定位问题代码

文件路径：

C:\Users\Administrator\AppData\Roaming\fnm\node-versions\v22.14.0\installation\node_modules\openclaw\dist\process\exec.js

修改代码

找到 runCommandWithTimeout 函数中的 spawn 调用，修改如下：

修改前：

const stdio = resolveCommandStdio({ hasInput, preferInherit: true });
const child = spawn(argv[0], argv.slice(1), {
    stdio,
    cwd,
    env: resolvedEnv,
    windowsVerbatimArguments,
});

修改后：

const stdio = resolveCommandStdio({ hasInput, preferInherit: true });
// On Windows, npm must be spawned with shell: true or use .cmd extension
let command = argv[0];
let useShell = false;
if (process.platform === "win32" && path.basename(command) === "npm") {
    useShell = true;
}
const child = spawn(command, argv.slice(1), {
    stdio,
    cwd,
    env: resolvedEnv,
    shell: useShell,
});

Q2: 提示 “openclaw 命令找不到”

解决方法：

关闭所有 PowerShell 窗口
重新打开 PowerShell
如果还不行，执行 exec bash 或重启电脑

Q3: 安装卡住不动

解决方法：

按 Ctrl + C 中断当前操作
执行：openclaw doctor 检查问题
如提示网络问题，检查防火墙设置Q4: API Key 配置错误

解决方法：

执行：openclaw onboard
选择重新配置 API Key
确保密钥格式正确

Q5: 端口 18789 被占用

解决方法：

openclaw gateway --port 18790

使用其他端口启动服务。

九、成本说明

OpenClaw 软件本身完全免费，主要成本来自 AI 模型 API 调用，可选择国产大模型，降低成本。

结语

OpenClaw 代表了个人 AI 助理的未来趋势——从”聊天工具”进化为”执行工具”。虽然目前的配置过程对小白用户有一定门槛，但一旦完成设置，您将拥有一个 24/7 待命的超级助手。

2026年2月27日

分类： 博客

1、什么是 Skills

2、Skill 原理介绍

Skill 的架构原理：渐进式加载

Skills 的调用逻辑：从理解意图到稳定执行

3、Skills vs. 其他概念的区别

4、什么是好的 Skills：从“能用”到“好用”

5、社区热门 Skills 推荐

Claude 官方提供的 Skills

社区其他最佳实践

6、如何在 TRAE 里快速使用

Skill 创建

Skill 使用

实践场景举例

什么是 Spec Coding？

下面我们就一起完成上面提到的 Skills 的设计实现。

一、为什么需要微调？

1.1 微调 vs 提示工程 vs RAG

二、微调的核心流程

2.1 微调步骤

2.2 数据准备

2.3 微调方法

三、微调实战：用LLaMA-Factory微调Qwen

3.1 环境准备

3.2 数据准备

3.3 启动微调

3.4 合并权重并导出

四、模型部署：从训练到服务

4.1 部署方式对比

4.2 常用部署工具

4.3 部署实战：使用vLLM部署微调后的模型

4.4 部署优化要点

五、后端开发视角：集成微调模型

三、微调实战：用LLaMA-Factory微调Qwen

3.1 环境准备

3.2 数据准备

3.3 启动微调

3.4 合并权重并导出

四、模型部署：从训练到服务

4.1 部署方式对比

4.2 常用部署工具

4.3 部署实战：使用vLLM部署微调后的模型

4.4 部署优化要点

五、后端开发视角：集成微调模型

六、总结与展望

核心要点

1.先升级微信

2.找到微信插件

3.打开你的openclaw服务器

4.打开微信扫码

为什么说OpenClaw是GPT-5.4的「生产力放大器」？

1. 多渠道统一入口

2. 会话与记忆可管理

3. 原生自动化能力

4. 支持多智能体隔离

可直接复制的落地案例：GPT-5.4+OpenClaw打造内容运营自动化

Step1：自动化采集

Step2：模型智能归纳

Step3：人工审稿把关

Step4：多渠道智能分发

给团队的三个实操建议：避免AI落地「高开低走」

建议1：先定义「输出格式」，再追求「模型效果」

建议2：把「审稿规则」转化为系统规则

建议3：用OpenClaw实现「流程资产化」

结语：2026年的竞争，是「AI生产力系统」的竞争

引言

一、整体架构：四层解耦设计

1.1 交互层：抹平所有IM差异

1.2 网关层：系统的控制中枢

二、插件化重构：从单体到生态

2.1 单体架构的技术债务

2.2 插件化架构设计

2.3 插件化的四大优势

三、记忆系统：三级存储架构

3.1 工作区结构

3.2 存储层：SQLite + 向量

3.3 混合检索策略

3.4 优雅降级

四、执行层：Gateway-Pi 架构

4.1 三层执行链路

分类：博客