OpenClaw的skills机制分层组织包括全局安装层、共享层和各agent的workspace层。skills与tools不同tools决定能不能做skills决定怎么做。不同类型agent间的技能共享取决于skills所在层次不应默认main的私有技能会被所有sub-agent共享。稳定的多agent协作应依靠明确的共享层设计而非隐含假设。一文讲透在同时拥有130多个Agents的OpenClaw实例中如何进行Skills的管理和调用。很多人第一次接触 OpenClaw 的 skills 机制都会把几件事混在一起• skill 和 tool 到底是不是一回事• skill 应该放在哪个目录下• main agent 能用的 skillsub-agent 能不能用• 不同 agent 之间能不能共享 skill• 同名 skill 如果同时出现在多个位置系统到底会用哪一份如果这些边界不先讲清楚后面一旦开始做 multi-agent 协作目录结构和行为就会越看越像“玄学”。这篇文章的目标很简单• 先讲清楚 OpenClaw 里的 skill 本质是什么• 再讲清楚 skill 的目录层次• 最后说明 main agent、agency-agents、sub-agent 之间和 skill 的关系为了避免把某一台机器的目录写死下面统一使用通用路径写法•~/.openclaw•~/.openclaw/workspace•~/.openclaw/agents•~/.openclaw/agency-agents这样更适合作为可复用的机制说明。一、先别把 skill 和 tool 混为一谈这是最核心的一层。在 OpenClaw 里skill 和 tool 不是同一个东西。1. tool 是能力tool 更像“手和脚”是 agent 真正可以直接调用的操作能力例如•read•write•edit•exec•browser•sessions_spawn•memory_searchtool 决定的是• 能不能读文件• 能不能写文件• 能不能起子代理• 能不能查网页• 能不能控制浏览器也就是说tool 解决的是“能不能做”。2. skill 是工作方法和操作说明skill 更像“作战手册”或者“标准流程”。一个 skill 通常会告诉 agent• 在什么场景下应该启用它• 先读哪个SKILL.md• 遇到这个问题应该走什么 workflow• 需要用哪些脚本、参考资料或外部命令所以skill 解决的是• 应该怎么做• 按什么步骤做• 什么时候用这套流程最合适一句话概括就是• tool 是能力层• skill 是方法层这也是为什么“一个 agent 看得见某个 skill”并不自动等于“它一定能把这个 skill 完整执行成功”。因为 skill 只是指导真正落地还取决于• tool 权限是否足够• 文件路径是否可访问• 当前 workspace 是否能看到对应资源• 这个 skill 是否被 agent 的技能过滤规则允许二、一个 skill 目录里通常有什么OpenClaw 的一个 skill最核心的入口文件是•SKILL.md除此之外还可能带一些辅助资源例如•references/•scripts/• 示例文件• 配套说明文档一个典型 skill 看起来会像这样some-skill/ ├── SKILL.md ├── references/ │ └── workflow.md └── scripts/ └── helper.py其中SKILL.md负责说明• skill 什么时候触发• 应该先做什么再做什么• 需要额外读哪些参考文件• 需要调用哪些脚本或工具references/负责放详细说明例如• API 参考• 工作流说明• 复杂规则• 错误处理手册scripts/负责放真正复用的脚本例如• 格式转换脚本• 导入导出脚本• 自动化辅助工具所以 skill 不是“只有一个 markdown 文件”而是一组围绕某种任务组织起来的资源。三、OpenClaw 里的 skill 来源不止一层理解 skills 机制最容易误解的地方就是以为“skill 只有一个统一目录”。实际上OpenClaw 会从多个层次去发现 skill。可以把它理解成三层第一层全局安装层这是 OpenClaw 安装包自带的一批 skills典型位置类似以腾讯云轻量应用服务器的OpenClaw镜像为例•.../node_modules/openclaw/skills这里放的通常是• 随 OpenClaw 一起分发的通用 skill• 偏系统级、官方级、基础能力级的 skills例如你可能会看到•skill-creator•healthcheck•tmux•clawhub•video-frames•weather这层可以理解成OpenClaw 安装级别的全局技能库第二层共享层这是很多人真正关心、但最容易没讲清的部分。从机制上看OpenClaw 还会扫描一些不属于某个单独 agent workspace 的公共目录例如•~/.openclaw/skills•~/.agents/skills这类目录更适合放“跨 agent 复用”的自定义 skill。也就是说如果你的目标是• main agent 能用• imported agents例如agency-agents能用• 通过sessions_spawn拉起的 sub-agent 也更大概率能看到那比起只放到某个 agent 的私有 workspace 里更适合放到这种公共共享层里。这层可以理解成机器级、配置级、跨 workspace 的共享技能库第三层agent 自己的 workspace 层每个 agent 自己的 workspace 下面也可能有 skills 目录例如•~/.openclaw/workspace/skills•~/.openclaw/agency-agents/agent-id/skills•~/.openclaw/workspace/.agents/skills•~/.openclaw/agency-agents/agent-id/.agents/skills这一层更像某个特定 agent 的本地技能库这类 skill 最大的特点是• 更接近这个 agent 自己的工作区• 更适合放该 agent 专用的 workflow• 不应默认假设别的 agent 也一定能自动共享到四、main agent 和 agency-agents 的 skill 关系不是天然完全一致这部分最值得讲透。1. main agent 通常有自己的 workspace例如•~/.openclaw/workspace那么它的本地 skill 往往会放在•~/.openclaw/workspace/skills2. imported agency-agents 通常各自也有 workspace例如•~/.openclaw/agency-agents/software-architect•~/.openclaw/agency-agents/product-manager•~/.openclaw/agency-agents/security-engineer那么这些 agent 各自的本地 skill 往往放在•~/.openclaw/agency-agents/software-architect/skills•~/.openclaw/agency-agents/product-manager/skills•~/.openclaw/agency-agents/security-engineer/skills这意味着一个关键事实main agent 的本地 workspace skill并不天然等于所有 imported agent 的本地 skill。也就是说• main 能看到的 skill• 其他 imported agent 不一定天然就看得到它们能否共享要看 skill 究竟放在哪一层。五、sub-agent 能不能用 main agent 的 skill这是大家最容易直接问的问题。更准确的回答不是“能”或者“不能”而是要看这个 skill 是落在私有层还是落在共享层以及子代理运行时的可见范围和边界策略。不过把机制说完之后可以把判断逻辑归纳成下面这几种情况。情况 Askill 在全局安装层例如这个 skill 在 OpenClaw 自带的全局 skills 目录里。那么通常• main agent 可以用• imported agents 也大概率可以用•sessions_spawn拉起的 sub-agent 通常也可以用前提是• tools 权限允许• agent 没有额外的 skills filter 把它禁掉这类 skill 属于“最像公共能力”的那种。情况 Bskill 在共享层例如放在•~/.openclaw/skills•~/.agents/skills那么它也更像一份机器级共享能力。这种放法通常适合• 希望多个 agent 复用• 希望 main 和 imported agents 都能稳定发现• 希望把某个 workflow 做成公共基础设施如果你要做“公司内部通用 skill”或者“整套 multi-agent 公共工作流 skill”这层通常比某个 workspace 私有目录更合适。情况 Cskill 只在 main 的 workspace 层例如•~/.openclaw/workspace/skills/tencent-docs-safe-write这时要注意• main agent 当然最容易用到它• imported agent 或 sub-agent 是否也能用不应默认想当然因为这里至少有三种可能子代理真的可以直接读到 main 的那条路径这份 skill 恰好也同步到了子代理自己的 workspace 里当前环境存在更宽的技能发现或文件访问边界所以对于“只放在 main workspace 的 skill”最稳妥的态度不是拍脑袋而是做实测。六、一个很重要的实测经验不要只靠猜目录要验证“当前环境里的真实行为”在实际排查中很容易出现一种情况• 从源码逻辑推断某个 agent 不该天然看见 main 的 skill• 但实测却发现它确实能读取这份 skill这并不矛盾。因为真实运行时还可能受到这些因素影响• 该 skill 是否已经存在于目标 agent 自己的 workspace 下• 当前 agent 的路径边界是否允许访问主 workspace• 该 skill 是否被提前同步、安装、拷贝到了多个 agent 中• 当前配置是否启用了额外共享目录所以对于 multi-agent 环境里的 skill 共享问题最务实的结论往往是机制上先看层次落实上一定要抽样实测。尤其是当你在调试• main 的 skill 能不能被 agency-agent 复用• imported agents例如agency-agents 之间是否都能共享某个 workflow• 一个 skill 到底是私有、共享还是已经被复制分发过这时候实测比纯目录猜测更可靠。七、不同 agent 之间到底是“共享 skill”还是“各自一套 skill”答案其实是两者都存在只是层不同。更准确地说共享的是公共层例如• OpenClaw 安装级 skills•~/.openclaw/skills•~/.agents/skills• 配置额外声明的公共 skill 目录这些更像公共技能池。不共享的是各自私有 workspace 层例如•~/.openclaw/workspace/skills•~/.openclaw/agency-agents/agent-id/skills这些目录天然更偏向“谁的 workspace谁优先看自己的那一份”。所以如果你问• 不同 agent 能不能共享 skill最好的回答不是“能”或“不能”而是• 可以共享公共层 skill• 不应默认共享彼此私有 workspace 层 skill八、为什么 skill 共享问题在 multi-agent 里特别重要因为一旦你开始认真使用sessions_spawn做多智能体协作技能放置策略会直接影响工作流设计。1. 如果 skill 只放在某个 agent 的私有 workspace 里那它更适合• 这个 agent 独享• 或者少量特定 agent 专用• 偏角色定制型 workflow例如• 某个销售 agent 的私有跟单流程• 某个安全 agent 的专用审计模板• 某个内容 agent 的特殊排版工作流2. 如果 skill 放在共享层那它更适合• main 和多个 sub-agent 共用• 被当成基础设施反复复用• 跨角色统一采用例如• 通用 GitHub issue 分析 skill• 通用腾讯文档安全写入 skill• 通用搜索、汇总、报告生成 skill所以 skill 放哪不只是目录问题而是架构问题。九、实务上该怎么设计 skills 的层次如果要给出一套比较稳的实践建议可以这样分。第一类官方通用 skill放在• OpenClaw 安装级全局目录适合• 随系统分发• 大多数环境都能复用• 不依赖你的私人目录结构第二类机器级共享 skill放在•~/.openclaw/skills• 或~/.agents/skills适合• 你自己这台机器上的多个 agent 共同使用• 你想把它当作跨 agent 的公共能力• 你希望 main 和 agency-agents 都更稳定看到它如果你的目标是打造一套长期复用的 multi-agent 能力层这一层最关键。第三类workspace 私有 skill放在•~/.openclaw/workspace/skills•~/.openclaw/agency-agents/agent-id/skills适合• 某个特定 agent 的专用流程• 某个项目临时用的 skill• 不想全局暴露的本地 workflow这类 skill 非常有价值但不要默认把它当作“全系统共享能力”。十、再回到一个经典问题sub-agent 到底在“继承”什么很多人会把 sub-agent 想成“main agent 的完全克隆”。其实更准确的理解是sub-agent 是在 OpenClaw 运行时里按目标 agent 配置启动出来的一个子会话实例。它继承和受影响的东西包括• 目标 agent 的身份与配置• 目标 agent 的 workspace• 目标 agent 的 tools policy• 目标 agent 的 model / subagent 相关设置• 当前系统能发现的 skills所以 sub-agent 不是简单复制 main。它更像由 main 发起但按目标 agent 角色和环境运行的子任务执行者。这也是为什么 skill 是否可用必须同时看• 这个 skill 在不在当前可发现范围里• 这个子代理有没有执行所需 tools 的权限• 这个 skill 的资源文件在它的边界内能不能读到十一、如果同名 skill 同时存在于多个层该怎么理解这也是工程上很容易踩坑的一点。比如某个 skill 同时出现在• 全局安装层•~/.openclaw/skills• main 的 workspace/skills那么就会出现两个现实问题系统最终优先用哪一份你修改的是不是当前真正生效的那一份这类问题如果不去确认优先级就容易出现• 你以为自己改了 skill• 实际运行时却读的是另一个目录里的同名版本因此一旦开始系统化维护 skill最好把来源标注清楚例如• 这是官方内置版• 这是本机共享版• 这是某个 agent 私有版• 这是对官方 skill 的本地覆盖版这会大幅降低后期排障成本。十二、给 multi-agent 场景的一套简单原则如果只保留最实用的几条经验我会建议这样记原则 1把 tool 和 skill 分开想。• tool 决定能不能做• skill 决定怎么做原则 2把 skill 分层放。• 公共能力放共享层• 角色专用流程放各自 workspace原则 3不要默认 main 的本地 skill 会天然被所有 sub-agent 共用。有时会有时不会。最稳的方式不是猜而是根据层次设计再配合实测确认。原则 4如果一个 skill 需要被很多 agent 复用就别只把它藏在 main 的 workspace 里。更适合放到•~/.openclaw/skills•~/.agents/skills• 或其他明确配置成公共加载目录的位置原则 5如果一个 skill 只服务某个角色就让它留在那个角色自己的 workspace 里。这会让职责边界更清楚。十三、最后总结如果只用一句话概括 OpenClaw 的 skills 机制那就是skill 不是“一个统一目录里的插件列表”而是一套分层发现、按 workspace 和共享范围组织起来的工作流系统。更完整一点说• tool 是能力• skill 是方法• skill 可以来自全局安装层、共享层、以及各 agent 自己的 workspace 层• main agent、agency-agents、sub-agent 不一定天然共享所有私有 skill• 真正稳定的跨 agent 共享应该依靠明确的共享层而不是隐含假设当你把这套机制看清楚之后很多原本模糊的问题就会变得很直白• 为什么有些 skill main 能用别的 agent 不一定能用• 为什么有些 skill 明明同名却可能不是同一份• 为什么 multi-agent 要认真设计 skill 的放置层级一旦这些边界建立起来OpenClaw 的 skills 体系就不再神秘而会变成一套很清晰的工程结构• 通用能力放公共层• 角色能力放私有层• 让 agent 在合适的范围内共享合适的 workflow这时候skills 才真正从“目录里的文件”变成了多智能体系统里可维护、可扩展、可复用的能力单元。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】