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。

一文读懂 Skills｜从概念到实操的完整指南最先出现在AI Weekly。

国内外AI大语言模型API价格对比最先出现在AI Weekly。

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

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。

02

怎么安装？

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

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 。

给我的 OpenClaw 小龙虾装上声音，感觉它活了过来。最先出现在AI Weekly。

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

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

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

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

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

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

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

LLM模型部署与微调最先出现在AI Weekly。

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。

如何用微信接入小龙虾保姆教程！最先出现在AI Weekly。

《大模型通识与应用：从”会聊天”到”会执行”》核心报告显示，当前大模型正从通用对话工具向垂直领域的任务执行专家加速进化，为各行业带来效率重构的新机遇。

一、大模型能力跃迁的两大核心趋势

1. 功能进化：从”闲聊助手”到”任务执行者”

大模型的能力边界正快速突破对话场景，向精准任务执行延伸。以GPT-4为代表的通用大模型，已实现从日常闲聊到代码生成、复杂数据分析的跨越，MIT 2025年的研究数据显示，其任务完成率较前代模型提升62%。 多模态整合则进一步拓展了应用的便捷性：Lobster（龙虾AI）实现了语音指令到设计成果的直接转化，支持语音描述创意后一键生成PPT、海报设计稿，原本需要数小时的设计修改需求，现在响应时间可缩短至3分钟内。

2. 行业渗透率：垂直场景的效率革命

大模型的价值正在各行业的具体场景中落地：

– 制造业：Manus机械臂搭载自然语言编程系统后，东莞某电子工厂仅通过语音指令即可完成产线参数调整，产线切换效率较传统编程方式提升40%；

– 法律领域：合同审查AI工具可自动识别条款风险、标注合规问题，平均为律师节省87%的文书处理时间，让从业者聚焦更具价值的策略性工作。

二、三款高实用性大模型工具测评

三、场景落地的可复制方法论

1. 四步实施框架：从需求到落地的标准化路径

– 需求拆解：将业务流程拆解为”输入-处理-输出”三要素，比如客服场景可拆解为「用户语音输入→AI情绪与意图分析→标准化话术推荐」，确保AI任务目标清晰；

– 工具选型：根据任务复杂度匹配工具能力——基础文本处理、文案生成可选择ChatGPT等通用工具，工业控制、精密操作等场景则需选用Manus等具备专用API的垂直工具；

– 冷启动训练：上传企业专属数据训练垂直模型，建议至少准备500条标注数据，让AI快速适配企业业务逻辑；

– 人机协同：设置关键节点的人工复核机制，例如在合同审核、产线调整等关键决策场景，保留15%的人工干预权，平衡效率与风险。

2. 避坑指南：落地前需警惕的核心问题

– 警惕”全能型AI”陷阱：无需追求能解决所有问题的工具，单一工具对目标任务的解决率超过80%即符合落地标准，过度追求”全能”反而会增加成本与复杂度；

– 数据安全优先：涉及企业核心数据的场景，优先选择支持本地化部署的方案，如华为盘古大模型企业版，避免核心数据外溢风险。

结语

2026年大模型工具已进入”解决真问题”的务实阶段，对于企业而言，无需等待完美的技术方案，建议采用”小场景切入-快速迭代”的策略：从客服、标书制作等单一痛点切入，通过数据反馈持续优化模型，通常6个月内即可看到明显的效率提升与成本节约效果。

大模型应用实战指南：从认知到落地的全路径解析最先出现在AI Weekly。

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」。

GPT-5.4×OpenClaw：从模型升级到可落地的智能体生产力最先出现在AI Weekly。

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：

1. 路由：根据消息来源分配给对应的会话
2. 排队：实现“车道式队列”（Lane Queue），默认串行、显式并行
3. 调度：管理定时任务（Heartbeat）
4. 鉴权：验证请求合法性
5. 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

1. 依赖隔离：核心框架从45MB降至8MB
2. 并行开发：社区可独立开发插件，无需等待核心迭代
3. 版本自治：各插件独立版本，可单独更新
4. 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

1. Orchestrator（大脑）：云端部署，负责LLM推理和任务拆解
2. Gateway（协议桥）：鉴权、流量整形、指令翻译
3. 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：

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

1. OpenClaw三级记忆系统实现揭秘
2. 2026年OpenClaw插件化重构技术解析
3. OpenClaw核心源码解读：从Gateway到Pi-embedded
4. 不会写代码也能懂：OpenClaw四层架构图解
5. 吃龙虾咯！万字拆解OpenClaw的架构与设计
6. 关于OpenClaw，你需要了解的：核心架构、运作原理
7. OpenClaw Architecture Deep Dive 2025

OpenClaw 源码架构深度解析最先出现在AI Weekly。

以金融圈为例，真正用起来的人屈指可数。原因很简单：部署繁琐、缺乏金融数据、不懂投研逻辑。

对于每天和研报、财报、会议纪要打交道的分析师来说，通用 AI 工具就像一把没有刀刃的刀 —— 看着炫酷，实则切不动肉。

现在，一款专为金融人打造的 AI 工具来了，它就是 AlphaClaw。

在拿到 AlphaClaw 内测资格之后，我们花了一周时间深度体验。结论是：这可能是目前最接近「AI 分析师」的产品。

AlphaClaw 是什么？

AlphaClaw 是熵简科技推出的金融投研 AI 工具，搭载于 AlphaEngine 平台。

如果说上一代 AI 投研工具是有问必答的 AI 助手，那么 AlphaClaw 则完成了向「自主执行」的进化 —— 它是一位能够独立跑通复杂投研工作流的 AI 分析师。

它不只是回答问题，而是直接交付结果：Excel 表格、回测报告、研报点评，一条龙搞定。

一手实测：三个硬核投研场景

场景一：让巴菲特帮你选股

这是最让我惊艳的功能。

我把珍藏多年的伯克希尔股东大会纪要（3200 多页）喂给 AlphaClaw，让它提炼巴菲特的投资逻辑。

提示词：这是伯克希尔过去 10 年股东大会的文字实录，仔细阅读全文，总结出巴菲特的投资逻辑，整理成 Skill 给我。

几分钟后，AlphaClaw 生成了一个名为「Buffett Investment Philosophy」的 Skill，涵盖能力圈原则、护城河评估标准、财务舞弊识别等核心要点。

更绝的是，你可以直接用这个 Skill 来分析当前市场。

提示词：使用这个 Skill，站在巴菲特角度分析霍尔木兹海峡禁运对全球能源体系的冲击，提出资产配置建议，生成自选股清单并保存为 Excel。

AlphaClaw 会调用刚创建的 Skill 作为分析框架，结合 AlphaEngine 平台内置的研报数据，输出一份完整的投资建议 —— 不是空泛的「建议关注能源板块」，而是具体到标的、逻辑、风险点。

我甚至让它读完《金融炼金术》、《投资最重要的事》，分别生成了索罗斯、霍华德・马克斯的投资逻辑 Skill。以后遇到任何市场事件，可以召集这些「投资大师」 开个专家会审。

场景二：给基本面投资者插上量化的翅膀

这是为「有想法但不会写代码」的投资者准备的。

很多基本面投资者有独特的选股逻辑，但因为不懂 Python、不会回测框架，只能让这些灵感停留在脑海中。

AlphaClaw 可以弥合这个鸿沟。

提示词：帮我梳理最新 1 个月有价值的金工量化报告，筛选出 3 个最有价值的量价因子。

它会自动检索平台内的金工研报，帮你筛选出凸显性因子、行业拥挤度因子等。

提示词：帮我实现成代码，应用于我的自选股票池，保存成 Excel。

一段文字，AlphaClaw 就能输出完整的 Python 代码，把投资灵感变成可回测的量化策略。

这意味着什么？巴菲特帮你选股，量化因子帮你择时，主观和量化的结合，从未如此简单。

场景三：年报季的救星

年报季是分析师的噩梦：上市公司扎堆发财报，听完会议还得熬夜写点评。

AlphaClaw 可以成为你的「投研分身」。

提示词：这是我之前写的几篇业绩点评，把我的写作风格总结成 Skill。

喂几篇你写过的点评，它就能学会你的遣词造句、段落结构、分析框架。

提示词：模仿我的风格，帮我批量生成所有自选股的业绩点评。

输出的点评 100% 按你的风格生成，数据来源于平台内置的研报和公告，你只需要做最后的审核和调整。

年报季的苦，让 AI 帮你吃。你可以把节省的时间，投入到更有价值的深度思考中。

为什么是 AlphaClaw？

市面上 AI 工具那么多，金融人为什么选择 AlphaClaw 呢？

两个字：数据。

投研的本质是「数据 + 逻辑」。没有数据，再强的 AI 也只能输出「正确的废话」。

AlphaClaw 内置了 AlphaEngine 平台的投研数据库，日更资料近万篇，包括但不限于：

全量内外资券商研报库

• A 股、港股、美股上市公司会议纪要库

• 行业点评资讯库

• 专家访谈纪要库等等

这是它和 OpenClaw 最大的区别和优势 —— 不是在通用知识上回答问题，而是基于专业金融数据做分析。

数据安全：本地优先

金融行业，数据即资产。很多机构不敢用 AI，就是担心数据泄露。

AlphaClaw 采用「Local-First」架构：

• 个人知识库（私有笔记、内部纪要）在本地完成向量化处理

• 你沉淀的投资逻辑 Skill 仅在本地运行

• 物理隔绝云端，杜绝数据泄露风险

你的投资策略不会成为大模型的「训练语料」，AlphaClaw 是一款真正可以在本地环境下放心使用的专属私密参谋。

展望未来金融人和 AI 的共生关系

体验一周下来，AlphaClaw 给我最大的感受是：

它不是在「帮你查资料」，而是在「帮你干活」。

查资料是 ChatGPT 就能做的事。但把资料变成 Excel、变成代码、变成可执行的策略，这才是金融从业者真正需要的。

当然，它也不是万能的。复杂的估值模型、需要大量行业 know-how 的判断，AI 还替代不了人。但它确实可以把分析师从繁琐的案头工作中解放出来，让人去做更有价值的事。

正如熵简科技 CEO 费斌杰所说：「让研究回归思考」。AlphaClaw 的定位是赋能专业投资者成为「一人投研团队」。

如何体验 AlphaClaw？

正如上文所说，AlphaClaw 搭载于 AlphaEngine 平台。因此，如果你是 AlphaEngine 现有用户，登录官网下载桌面端即可使用。

如果你还不是用户，目前官方开放了首批 1000 个体验名额，先到先得，仅限机构投资者，个人投资者暂无法使用。

下载地址：www.alphaengine.top

AI 投研时代已经到来。问题不是「要不要用」，而是「谁先用起来」。

在信息平权的 AI 时代，如何构建专属于你的个人投研壁垒？

如何应用 Skill，让你的投研数字分身帮你 24 小时打工？

熵简科技 CEO、AlphaEngine 主理人费斌杰讲在本周四晚 19:30，进行主题分享，欢迎感兴趣的投研专业人士参加。

一只金融龙虾！AlphaClaw来了最先出现在AI Weekly。

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。

OpenClaw 使用 DeepSeek 官方 API_KEY 配置教程最先出现在AI Weekly。