VoltAgent/awesome-openclaw-skills: The awesome collection of OpenClaw skills. 5,400+ skills filtered and categorized from the official OpenClaw Skills Registry.🦞

openclaw/skills: All versions of all skills that are on clawhub.com archived

https://github.com/openclaw/skills

使用一下配置部署后，可以对话，可以执行docker内的命令。

yml:

  claves-openclaw:
    container_name: claves-openclaw
    hostname: claves-openclaw
    image: ghcr.io/openclaw/openclaw:2026.3.1
    restart: always
    #privileged: true
    user: root
    extra_hosts:
      - "api.chat.claves.com.cn:192.168.1.1"
    init: true
    environment:
      HTTP_PROXY: http://192.168.1.3:1080
      HTTPS_PROXY: http://192.168.1.3:1080
      #HOME: /home/node
      #OPENCLAW_GATEWAY_MODE: local #决定设备如何处理网络流量的核心配置项。
      #OPENCLAW_GATEWAY_BIND: "lan"
      #OPENCLAW_GATEWAY_PORT: 18789
    volumes:
      - ./volumes/claves-openclaw/openclaw-data:/root/.openclaw:rw
    command:
      - node
      - dist/index.js
      - gateway
      - --bind
      - lan
      - --port
      - "18789"
      - --allow-unconfigured
    ports:
      - "18789:18789"
      - "18790:18790"
    deploy:
      resources:
        limits:
          memory: 4096M
    networks:
         extnetwork:
            ipv4_address: 172.20.0.239

openclaw.json

{
  "meta": {
    "lastTouchedVersion": "2026.3.1-beta.1",
    "lastTouchedAt": "2026-03-05T02:19:39.329Z"
  },
  "models": {
    "mode": "merge",
    "providers": {
      "blink-local-model": {
        "baseUrl": "http://api.chat.cn/v1",
        "apiKey": "sk-xxxxxxxxxxxxx",
        "api": "openai-completions",
        "models": [
          {
            "id": "gpt-4o",
            "name": "gpt-4o",
            "reasoning": false,
            "input": [
              "text"
            ],
            "cost": {
              "input": 0,
              "output": 0,
              "cacheRead": 0,
              "cacheWrite": 0
            },
            "contextWindow": 128000,
            "maxTokens": 10960
          }
        ]
      }
    }
  },
  "agents": {
    "defaults": {
      "model": {
        "primary": "blink-local-model/gpt-4o"
      },
      "models": {
        "blink-local-model/gpt-4o": {}
      },
      "workspace": "/root/.openclaw/workspace",
      "compaction": {
        "mode": "safeguard"
      },
      "maxConcurrent": 4,
      "subagents": {
        "maxConcurrent": 8
      },
      "sandbox":{
        "mode":"off"
      }
    }
  },
  "commands": {
    "native": "auto",
    "nativeSkills": "auto",
    "restart": true,
    "ownerDisplay": "raw"
  },
  "gateway": {
    "port": 18789,
    "mode": "local",
    "bind": "lan",
    "controlUi": {
      "enabled": true,
      "dangerouslyAllowHostHeaderOriginFallback": true,
      "allowInsecureAuth": true,
      "dangerouslyDisableDeviceAuth": true
    },
    "auth": {
      "mode": "token",
      "token": "xxxxxxxxxxxxxxxxxxxx"
    },
    "http": {
      "endpoints": {
        "chatCompletions": {
          "enabled": true
        }
      }
    }
  },
  "plugins": {
    "entries": {},
    "installs": {},
    "load": {
      "paths": []
    }
  },
  "tools":{
    "exec":{
      "host":"gateway",
      "security":"full"
    },
    "elevated":{
      "enabled":true
    }
  }
}

Clawhub使用

安装

# 安装
npm -g install clawhub
# 登录，token从clawhub官网登录个人账号后获取
clawhub login --token clh_Wn77MF7eWjdtcxxxxxxxxxxxxxxxxxxx
#安装插件
clawhub install tavily-search

常见问题

完全理解你的疑问，我们把 OpenClaw 的 Tool / Skill / Python 执行能力 理清楚——很多人第一眼看到 Skill 能写 Python，就以为可以完全替代 Tool，其实并不是完全一样。

一、Tool 与 Skill 的本质区别

特性	Tool	Skill
抽象级别	底层能力	任务能力（可组合多个 Tool）
本质	封装 API / 函数	调度逻辑 + 可调用 Tool 或 Python
调用方式	Skill 调用	Agent 调用 Skill
可扩展性	单一功能	可组合多个 Tool + 逻辑
目标	提供可复用能力	完成用户目标任务

一句话总结：Tool 是“原子操作”，Skill 是“使用这些原子操作完成任务的能力”。

二、Skill 中可以直接写 Python，但有局限

在 OpenClaw 的 Skill 里确实可以写 Python：

def run(query):
    return f"你搜索的关键词是: {query}"

但是：

Python 运行环境有限制
- Skill 执行 Python 主要用于处理数据、格式化、简单逻辑。
- 如果 Skill 直接去抓网页、调用外部 API，你需要保证网络权限和依赖环境（requests、bs4 等）可用。
可复用性和权限控制弱
- Tool 可以单独注册、被多个 Skill 复用。
- Skill 写死 Python 逻辑时，只能在这个 Skill 里使用，扩展性差。
多步任务管理不如 Tool + Skill
- 如果一个 Skill 只用 Python 实现抓取 + 解析 + 摘要，Agent 调用时没有“可拆解的工具”，难以监控、调试和授权。

三、能否只用一个“百度搜索 Skill”？

✅ 可以，但条件：

Skill 内直接写 Python 做抓取、解析和摘要；
只在单用户 / 内部实验场景，不考虑安全、扩展、权限；
不打算再复用“百度搜索能力”给其他 Skill 或 Agent。

缺点：

扩展困难（以后要换搜索源、加入缓存、摘要功能都要改 Skill）
Agent 对工具选择没有透明度
企业级权限控制、日志、计费统计不好做

四、推荐做法（最佳实践）

注册 Tool：封装“百度搜索 HTTP 调用”或“网页抓取函数”
- Python Skill 调用 Tool 可以保持清晰的调用链
- Tool 可以被其他 Skill 重用
创建 Skill：组合 Tool + Python 逻辑
- Skill 负责完成“搜索 → 抓取 → 摘要”任务
- 可以给 Agent 调用时提供统一接口

Agent -> Skill: internet_search
          -> Tool: baidu_search
          -> Tool: webpage_fetch
          -> Python: summary_logic

这样：

Agent 不需要知道抓取和解析细节
Tool 可以单独替换为 Bing/Google/SearXNG
Skill 可以增加业务逻辑（过滤、权限、格式化）

五、总结

Tool = 原子操作（可复用、可授权、可替换）
Skill = 任务能力（组合多个 Tool + Python 逻辑）
Python Skill 可以直接实现百度搜索，但最好只做逻辑处理
企业 / 复杂场景推荐：Tool + Skill 分层

如果你愿意，我可以帮你写一个 生产级的“百度搜索 Skill”模板：

用 Python Skill 调用 注册的百度搜索 Tool
自动抓取网页并摘要
返回结构化结果给 Agent
可扩展到多搜索源

在 OpenClaw 的设计里，Tool 和 Skill 是两个不同层级的概念，类似 函数 vs 功能模块。理解这个结构很关键，否则在做 Agent 体系时会混乱。

我从架构层解释它们的 区别、关系，以及是否可以只做一个百度搜索 skill。

一、Tool 与 Skill 的本质区别

层级	Tool	Skill
抽象级别	底层能力	能力组合 / 任务能力
类比	API / 函数	微服务 / 业务模块
功能	执行一个操作	完成一个任务
是否直接被 LLM 调用	通常由 Skill 调用	Agent 调用 Skill
典型数量	很多	比较少

Tool 示例

{
  "name": "baidu_search",
  "type": "http"
}

作用：

执行百度搜索

Skill 示例

{
  "name": "internet_search",
  "tools": [
    "baidu_search",
    "webpage_fetch",
    "content_extract"
  ]
}

作用：

1 搜索
2 打开网页
3 提取内容
4 返回摘要

二、Agent → Skill → Tool 调用链

OpenClaw 的执行链：

User
  ↓
Agent
  ↓
Skill
  ↓
Tool
  ↓
External API

例子：

用户：DeepSeek 最近有什么新闻

Agent
  ↓
Skill: internet_search
  ↓
Tool: baidu_search
  ↓
百度

三、为什么要有 Skill 层（关键设计）

如果 Agent 直接调用 Tool 会出现几个问题：

1 Agent 不知道如何组合工具

例如搜索信息需要：

search
fetch webpage
extract content
summarize

如果没有 Skill：

Agent 必须自己规划全部步骤。

稳定性很差。

2 Prompt 复杂度爆炸

如果有 50 个 tool：

baidu_search
bing_search
google_search
fetch_page
pdf_parse
db_query
erp_create_order

LLM 很难选。

3 权限控制

Skill 可以作为 权限边界：

skill: internet_search
skill: erp_operation
skill: database_query

不同用户可以启用不同 skill。

四、能不能只做一个百度搜索 Skill？

可以。

如果你只想简单搜索，可以这样：

Tool

{
  "tools": {
    "baidu_search": {
      "type": "http",
      "url": "http://localhost:8090/search"
    }
  }
}

Skill

{
  "name": "baidu_search_skill",
  "tools": [
    "baidu_search"
  ]
}

结构：

Agent
  ↓
baidu_search_skill
  ↓
baidu_search tool

完全可以运行。

五、更合理的搜索 Skill（推荐）

真实 AI 搜索通常需要 3 个 tool：

search
fetch
summarize

架构：

Skill: internet_search
   │
   ├── tool: baidu_search
   ├── tool: webpage_fetch
   └── tool: content_extract

效果：

1 搜索结果
2 打开网页
3 提取正文
4 LLM总结

这就是 Perplexity / Cursor 的搜索模式。

六、很多人误解的一点

在 OpenClaw 里：

Skill ≠ Tool

很多人会写：

skill: baidu_search

其实只是：

tool: baidu_search

LLM会直接调用。

可以，但：

不利于扩展
Agent 不好管理

七、企业系统的推荐结构

如果你在做 ERP + LLM Agent（你之前提过），建议：

OpenClaw
   │
   ├── skill: internet_search
   │      ├── baidu_search
   │      └── page_fetch
   │
   ├── skill: knowledge_search
   │      └── vector_db_query
   │
   └── skill: erp_operation
          ├── create_order
          ├── query_inventory
          └── create_purchase

好处：

技能模块清晰
Agent规划更稳定
权限可控

八、一句话总结

Tool

单个能力（函数）

Skill

多个 Tool 组合形成的任务能力

调用关系：

Agent → Skill → Tool

在 OpenClaw 里，自定义 Tool 本质上是一个 Agent 可调用的接口封装。OpenClaw 官方设计上是尽量灵活，支持多种协议，但有一些实际限制。下面我帮你梳理清楚。

一、OpenClaw 自定义 Tool 支持的协议

协议类型	使用方式	备注
HTTP / HTTPS	最常用，通过 `type: http` 注册 Tool	支持 GET / POST / PUT / DELETE 等方法，可绑定 query/body 参数，可直接返回 JSON 或文本
WebSocket / SSE	通过 `type: websocket` 注册	支持流式数据，Agent 可以接收实时结果；SSE 常用于 LLM 流式返回场景
Local Python / Script	`type: python` 或在 Skill 内调用 Python 函数	可以直接执行 Python 代码，调用本地库，支持文件操作、抓取、解析等；适合内部逻辑或快速实验
gRPC / HTTP2	通过 HTTP/gRPC 网关或自定义适配器	OpenClaw 不直接支持 gRPC，需要在中间写一个 HTTP 包装层，Tool 实际上还是 HTTP 调用
数据库 / Vector DB	通过 Python Tool 或 HTTP API	比如 MySQL / Postgres / ClickHouse / Milvus / Pinecone；Tool 封装查询和结果返回接口
消息队列 / Kafka / RabbitMQ	通过 Python 或 HTTP 封装	Tool 可以发送/接收消息，实现异步任务，但 Agent 调用是同步封装

二、Tool 类型示例

1️⃣ HTTP Tool

{
  "name": "baidu_search",
  "type": "http",
  "method": "GET",
  "url": "http://localhost:8090/baidu_search",
  "query": {
    "q": "{{query}}"
  }
}

支持 GET / POST / PUT / DELETE，返回 JSON 或文本

2️⃣ Python Tool

{
  "name": "calculate",
  "type": "python",
  "description": "Simple calculation tool",
  "code": "def run(a, b): return a + b"
}

可以访问本地库，也可以调用 requests 做 HTTP 请求。

3️⃣ WebSocket Tool（流式）

{
  "name": "chat_stream",
  "type": "websocket",
  "url": "ws://localhost:9000/stream"
}

适合 LLM 流式对话或长任务反馈

三、注意事项

安全性
- Python / Local Tool 可以访问系统文件、网络，生产环境要控制权限
- HTTP Tool 可以绑定外部 API Key，避免泄露
返回格式
- OpenClaw 推荐 JSON 格式返回
- Python Tool 返回 dict / list / str 都可，但最终 Agent 会序列化为 JSON
组合能力
- Tool 单一功能，Skill 可以组合多个 Tool
- 例如：搜索 Tool + 摘要 Tool + 爬网页 Tool → Skill: internet_search

四、总结

✅ OpenClaw 自定义 Tool 支持：

HTTP/HTTPS（GET/POST/PUT/DELETE）
WebSocket / SSE（流式）
Local Python 函数 / 脚本
间接支持 gRPC / HTTP2（通过适配层）
数据库访问（MySQL/Postgres/ClickHouse/Vector DB）
消息队列（Kafka / RabbitMQ）

本质上 只要你能包装成 HTTP / Python / WebSocket 接口，OpenClaw 就能当 Tool 调用。

完全可以，而且这是 OpenClaw Python Tool 的常用做法。核心逻辑是：Python Tool 本质上就是 在 OpenClaw 的 Python 执行环境里运行一段代码，这段代码可以直接导入和调用本地 Python 文件（模块）里的函数。

我帮你整理清楚规则和示例：

一、支持本地 Python 文件的方式

1️⃣ 直接在 `code` 字段写 Python 逻辑

{
  "name": "hello_tool",
  "type": "python",
  "code": "def run(name):\n    return f'Hello {name}!'"
}

简单函数适合短逻辑
不能直接管理大型项目，模块化能力差

2️⃣ 调用本地 Python 文件（推荐）

假设你有一个文件结构：

/opt/openclaw-tools/
   ├── mytool.py
   └── utils.py

mytool.py 内容：

# mytool.py
from utils import helper

def run(query):
    return f"Processed: {helper(query)}"

utils.py 内容：

# utils.py
def helper(text):
    return text.upper()

在 OpenClaw Tool 配置里写：

{
  "name": "my_local_tool",
  "type": "python",
  "file": "/opt/openclaw-tools/mytool.py"
}

这里的 file 字段指向本地 Python 文件路径，OpenClaw 会在执行 Tool 时导入这个文件并调用 run() 函数。

3️⃣ 注意事项

文件路径
- Docker 部署时要注意 volume 映射，例如：-v ~/openclaw-tools:/opt/openclaw-tools 保证容器内路径 /opt/openclaw-tools 可访问
依赖库
- Python Tool 会在 OpenClaw 的 Python 环境里运行
- 如果本地 Python 文件依赖第三方库，必须先安装：pip install requests beautifulsoup4
函数规范
- OpenClaw 默认调用 Python 文件里的 run() 函数
- 参数可以是任意 JSON 可序列化对象
- 返回值应为 JSON 可序列化类型（dict / list / str / int / float）
安全性
- Python Tool 可以执行任意代码
- 生产环境要限制路径和权限，避免写入敏感系统文件

4️⃣ Docker 中的示例

docker run -d \
  --name openclaw \
  -v ~/openclaw-tools:/opt/openclaw-tools \
  -e TZ=Asia/Shanghai \
  alpine/openclaw:main

然后 Tool 配置：

{
  "name": "my_local_tool",
  "type": "python",
  "file": "/opt/openclaw-tools/mytool.py"
}

5️⃣ 调用示例

Agent 调用：

Agent -> Tool: my_local_tool
Input: {"query": "hello world"}
Output: {"result": "Processed: HELLO WORLD"}

✅ 结论：

Python Tool 完全支持本地 Python 文件
文件路径通过 file 指定，必须保证 OpenClaw 可访问
Tool 调用约定：文件里必须有 run() 函数
支持导入本地模块 / 包，实现复杂逻辑和企业级功能

如果你需要，我可以帮你写一个 完整模板，实现：

一个 Python Tool
可调用本地模块
支持百度搜索 + 网页抓取 + 摘要
可直接在 Docker OpenClaw 中运行

docker compose安装openclaw

Clawhub使用

常见问题

一、Tool 与 Skill 的本质区别

二、Skill 中可以直接写 Python，但有局限

三、能否只用一个“百度搜索 Skill”？

四、推荐做法（最佳实践）

五、总结

一、Tool 与 Skill 的本质区别

Tool 示例

Skill 示例

二、Agent → Skill → Tool 调用链

三、为什么要有 Skill 层（关键设计）

1 Agent 不知道如何组合工具

2 Prompt 复杂度爆炸

3 权限控制

四、能不能只做一个百度搜索 Skill？

Tool

Skill

五、更合理的搜索 Skill（推荐）

六、很多人误解的一点

七、企业系统的推荐结构

八、一句话总结

一、OpenClaw 自定义 Tool 支持的协议

二、Tool 类型示例

1️⃣ HTTP Tool

2️⃣ Python Tool

3️⃣ WebSocket Tool（流式）

三、注意事项

四、总结

一、支持本地 Python 文件的方式

1️⃣ 直接在 code 字段写 Python 逻辑

2️⃣ 调用本地 Python 文件（推荐）

3️⃣ 注意事项

4️⃣ Docker 中的示例

5️⃣ 调用示例

1️⃣ 直接在 `code` 字段写 Python 逻辑