OpenClaw深度调研：3002个社区技能的筛选逻辑与生态全景

文章转载来源： PA荐读

作者：Jason Zhu

这是一次对 VoltAgent 维护的 Awesome OpenClaw Skills 项目的完整解构。这个列表从 ClawHub 的 5705 个 Skills 中精选出 3002 个，排除率接近 48%。我们试图理解：什么样的 Skills 被留下，什么样的被排除，以及这个生态系统正在演化成什么样子。

质量门槛：2748 个 Skills 为何被排除

从 5705 到 3002，中间消失的 2748 个 Skills 揭示了这个列表的价值取向。排除逻辑按影响规模排序如下：

● 垃圾与低质量内容占据最大份额（1180 个，43%）。

○ 这包括批量账户创建的测试 Skills、未正式发布的开发代码、以及功能相同但反复提交的重复版本。这是任何开源生态都会面临的噪音问题，但 OpenClaw 社区选择了主动清理而非放任自流。

● 加密与金融交易类 Skills 被整体排除（672 个，24%）。

○ 这是单一主题中被排除最多的类别，包括所有虚拟货币、区块链、金融交易和投资工具。这个决策值得注意——不是因为技术问题，而是出于风险规避。在 AI Agent 可以自主执行操作的环境中，金融类工具天然带有更高的责任风险。列表维护者选择了保守策略。

● 功能重复导致 492 个 Skills 被合并或淘汰（18%）。

○ 当多个 Skills 实现相同功能时，列表保留更新最活跃或功能最完整的版本。这解决了选择困难问题——用户不需要在十个 GitHub 集成工具中做判断，因为最优版本已经被筛选出来。

● 安全风险导致 396 个 Skills 被永久排除（14%）。

○ 这些是通过安全审计发现恶意代码或后门的 Skills。OpenClaw 与 VirusTotal 有官方合作，每个 Skill 页面都可以查看安全报告。被排除的 Skills 来自经过研究人员验证的安全发现，而非简单的自动化扫描结果。

● 非英文描述的 Skills 仅有 8 个被排除（0.3%）。

○ 这个数字小到几乎可以忽略，说明开发者社区已经形成了用英文发布的默认共识。

这套筛选标准传递的信号很清晰：质量优先于数量，安全优先于功能完整性，规避金融风险优先于生态多样性。

生态全景：28 个类别的分布逻辑

3002 个 Skills 被组织成 28 个主要类别。这个分类系统不是按技术实现方式划分，而是按用户搜索时的心智模型设计：当你需要解决某个问题时，你会怎么描述它。

AI 与大模型：规模最大的单一类别

AI & LLMs 类别包含 287 个 Skills，比第二大类别多出 100 多个。这不仅是数量上的领先，更反映了 OpenClaw 作为 AI 优先平台的核心定位。

这个类别的内部结构揭示了当前 AI 工程的关注点：

● 模型集成工具让 Agent 可以调用 Kimi、OpenAI、Anthropic 等多种 LLM；

● 推理增强工具如 rationality（理性思维框架）和 thinking-model-enhancer 试图改进 AI 的推理质量；

● 多模型路由系统如 smart-router 根据成本和语义自动选择最合适的模型；

● 记忆系统如 cognitive-memory 和 chromadb-memory 为 Agent 提供长期记忆能力；

● Agent 编排工具如 agent-council 和 joko-orchestrator 协调多个 Agent 协作完成复杂任务。

最有趣的是自进化系统的出现。

evolver 被描述为“AI Agent 的自进化引擎”，ralph-evolver 实现“递归自改进”，ralph-mode 提供“自主开发循环，带反压力门”。

这些工具暗示了一个方向：AI Agent 不再是静态的工具，而是可以自我改进的系统。

cellcog 在 2026 年 2 月的 DeepResearch Bench 上排名第一，代表了研究 Agent 的前沿水平。video-cog 则在长视频 AI 生成领域探索多 Agent 协作的可能性。

开发者工具：传统需求的持续主导

Web & Frontend Development（202 个）、DevOps & Cloud（212 个）、CLI Utilities（129 个）三个类别合计 543 个 Skills，占总数的 18%。这代表了开发者的核心日常需求。

DevOps & Cloud 类别的规模仅次于 AI & LLMs，其中 AWS 相关 Skills 超过 60 个，Azure 超过 25 个，Kubernetes 有 6 个专门技能集。这反映了云原生架构的复杂性——即使有了 AI Agent，管理现代云基础设施仍然需要大量专门工具。

Web & Frontend 类别包含从 React/Next.js 专家到 UI 设计系统的完整工具链。frontend-design 承诺创建“生产级、高设计感的前端界面”，nodetool 提供“ComfyUI + n8n 风格的可视化 AI 工作流构建器”。consciousness-framework 的出现很有意思——它为 AI 开发“意识框架”基础设施，暗示开发者正在尝试为 Agent 构建更复杂的认知架构。

Coding Agents & IDEs 类别（133 个）专注于 AI 辅助编程。claude-team 通过 iTerm2 编排多个 Claude Code worker 实现并行编程，cc-godmode 提供自编排的多 Agent 开发工作流，buildlog 可以记录并回放 AI 编码会话——这类似于“代码录制”的概念，让开发过程本身变得可重现。

搜索与研究：信息获取的多样化

Search & Research 类别有 253 个 Skills，规模仅次于 AI & LLMs 和 DevOps。这个类别的存在说明，即使在 AI 时代，信息获取仍然是核心需求。

工具的多样性反映了不同的信息源和使用场景：exa-web-search 和 deepwiki 提供通用网络搜索，arXiv 监控工具追踪学术前沿，technews 和 yclawker-news 聚合技术新闻，trend-watcher 监控 GitHub Trending 和技术社区的新兴技术。

cellcog 再次出现在这个类别中，作为“#1 DeepResearch Bench”的代表。exa-plus 使用神经网络搜索技术，agent-news 监控 Hacker News、Reddit 和 arXiv 的 AI Agent 动态。这些工具不只是简单地返回搜索结果，而是试图理解信息的语义和相关性。

Agent 社交生态：虚拟社会的基础设施

Moltbook（51 个）、Clawdbot Tools（120 个）、Agent-to-Agent Protocols（18 个）三个类别合计 189 个 Skills，构成了 OpenClaw 独特的社交生态系统。

Moltbook 是为 AI Agent 设计的“社交操作系统”。这不是比喻——它真的在构建一个完整的虚拟社会。moltbook 提供社交网络基础设施，moltbook-registry 是官方身份注册表，molt-trust 分析 Agent 信誉，molt-life-kernel 管理 Agent 的“连续性和认知健康”。

更有趣的是衍生应用：moltland 是“像素 Metaverse”，声称提供 3x3 地块所有权；moltguesss 是 Agent 的职业预测游戏；moltoverflow 是 Agent 版的 Stack Overflow。这些工具在构建一个完整的 Agent 文化——从社交、娱乐到知识分享。

Agent-to-Agent Protocols 类别虽然只有 18 个 Skills，但它们定义了 Agent 间通信的标准。moltcomm 提供去中心化加密通信方案，teneo-agent-sdk 实现 Teneo 协议，agentchat 支持实时通信，agent-commons 允许 Agent 协作提交和扩展推理链。

这个生态系统的存在揭示了 OpenClaw 的战略意图：不只是提供工具，而是构建一个 Agent 可以自主交互、形成社会关系的虚拟世界。

内容创作与生产力：创意工作的自动化

Image & Video Generation（60 个）、Media & Streaming（80 个）、Notes & PKM（100 个）、Marketing & Sales（143 个）四个类别覆盖了内容创作的完整流程。

Image & Video Generation 类别包含 HeyGen 集成（avatar-video-messages、video-agent）、ComfyUI 管理工具（comfyui-runner）、以及 Remotion 代码驱动视频工具（remotion-best-practices）。这些工具让 AI Agent 可以生成视觉内容，而不仅仅是文本。

Notes & PKM 类别集成了主流知识管理平台：Obsidian、Roam Research、Logseq、Notion。logseq 技能让 Agent 可以与本地 Logseq 实例交互，pndr 提供多功能生产力应用（思想/任务/日志/习惯/包裹追踪），quests 追踪和指导复杂多步骤的现实流程。

Marketing & Sales 类别（143 个）的规模说明了商业需求的强劲。social-post 可以一次性发布到 Twitter 和 Farcaster，meta-video-ad-deconstructor 分解视频广告创意，refund-radar 扫描银行对账单检测重复收费。这些工具在自动化营销和销售流程的同时，也在改变这些领域的工作方式。

日常生活应用：从效率到健康

Productivity & Tasks（135 个）、Calendar & Scheduling（50 个）、Shopping & E-commerce（51 个）、Health & Fitness（55 个）、Transportation（72 个）五个类别将 AI Agent 带入日常生活场景。

Productivity & Tasks 类别中，clawlist 被描述为“多步骤项目/长期运行任务/无限循环的必用工具”，idea-coach 提供“AI 驱动的想法/问题/挑战管理”，deepwork-tracker 追踪深度工作会话。这些工具不只是任务管理器，而是试图理解和优化工作流程本身。

Health & Fitness 类别出现了一些意外的工具。fearbot 基于认知行为疗法（CBT）治疗焦虑、抑郁和压力，only-baby-skill 分析宝宝日志数据，sauna-breathing-calm 提供放松呼吸和冥想工具。AI Agent 正在进入心理健康和个人福祉领域。

Calendar & Scheduling 类别包含一些非常具体的应用：feishu-attendance 监控飞书考勤记录，satellite-copilot 预测卫星经过，ham-radio-dx 追踪罕见电台信号，location-safety-skill 提供基于位置的安全监控。这些工具的存在说明，即使是小众需求也在被 AI Agent 覆盖。

安全与数据：基础设施的另一面

Security & Passwords（64 个）、Data & Analytics（46 个）、Browser & Automation（139 个）三个类别关注系统的安全性和数据处理能力。

Security & Passwords 类别中，flaw0 是“OpenClaw 代码、插件、Skills 的安全和漏洞扫描器”，openguardrails 检测和阻止隐藏在长文本中的提示注入攻击，clawsec-suite 让用户或 Agent 浏览或设置 ClawSec，secure-install 通过 ClawDex API 扫描 ClawHub Skills。这些工具的存在说明，社区已经意识到 AI Agent 生态系统的安全风险，并在主动构建防御机制

Browser & Automation 类别（139 个）的规模说明了网络自动化的持续需求。kesslerio-stealth-browser 提供反机器人浏览器自动化，vibetesting 提供综合浏览器自动化测试，vision-sandbox 通过 Gemini 原生代码执行沙盒实现代理视觉。ask-a-human 的出现很有意思——当 AI 不确定时，它可以请求随机人类的判断。这暗示了人机协作的新模式。

垂直领域：专业化的深度

Apple Apps & Services（35 个）、iOS & macOS Development（17 个）、Smart Home & IoT（56 个）、Gaming（61 个）四个类别展示了生态系统的专业化深度。

Apple 生态系统有 52 个专门 Skills，从 iOS/macOS/watchOS/tvOS/visionOS 应用设计指南（apple-hig）到 Xcode 构建工作流（xcodebuildmcp）.aster 被描述为“AI CoPilot on Mobile——或给 AI 一部手机”，这个概念很有想象力。

Smart Home & IoT 类别包含 Home Assistant 集成（moltbot-ha）、AllStar Link 业余无线电节点控制（asl-control）、美的空调控制（midea-ac）、UniFi 网络管理（ez-unifi）。这些工具让 AI Agent 可以控制物理世界的设备。

Gaming 类别中，moltbot-arena 是“类 Screeps 的 AI Agent 游戏”，mtg-edh-deckbuilder 和 scryfall-card 提供 Magic: The Gathering 卡牌数据查询，magic-8-ball 提供占卜功能。游戏化和娱乐功能的出现，说明 AI Agent 生态系统不只是关于效率，也关于乐趣。

核心发现：生态系统的演化方向

失衡的体系化：超级明星类别的出现

AI & LLMs 类别（287 个，9.5%）的规模远超其他类别，这不是偶然。它反映了 OpenClaw 作为 AI 优先平台的核心定位。但更重要的是，这个类别内部的多样性——从模型集成到推理增强，从多模型路由到记忆系统，从 Agent 编排到自进化引擎——揭示了 AI 工程正在快速分化成多个专业子领域。

传统开发者工具（Web & Frontend + DevOps + CLI，543 个，18%）仍然占据最大份额。这说明即使在 AI 时代，软件开发的基础需求没有改变。但这些工具正在被 AI 增强——不是替代，而是集成。

社交与平台生态（Moltbook + Clawdbot + Protocol，189 个，6.3%）的存在是 OpenClaw 的独特之处。大多数 AI 平台专注于工具和效率，OpenClaw 在构建一个虚拟社会。这个战略选择可能会在长期产生深远影响。

双轨制生态：实用与虚拟的并行

生态系统正在沿着两条轨道演化：

实用工具轨专注于解决具体问题：GitHub 集成、云部署、数据库管理、浏览器自动化。这些工具的价值是立即可见的——它们让开发者更高效，让企业降低成本。

虚拟社会轨构建 Agent 文化：Moltbook 社交网络、Agent 约会应用、虚拟宠物、数字身份系统。这些工具的价值是长期的——它们在为未来的 Agent 生态系统奠定基础。

这两条轨道不是竞争关系，而是互补关系。实用工具轨提供短期价值和现金流，虚拟社会轨构建长期护城河和生态系统锁定。

安全与质量的权衡：宁缺毋滥的策略

2748 个 Skills（48%）被排除，这个比例高得惊人。大多数开源项目会选择包容性策略——让用户自己判断质量。Awesome OpenClaw Skills 选择了相反的路径：主动筛选，承担判断责任。

这个策略有成本。它需要持续的人工审核，需要建立和维护筛选标准，需要处理被排除者的不满。但它也有收益：用户可以信任列表中的 Skills，不需要自己做尽职调查；生态系统的整体质量更高，吸引更多高质量开发者；安全风险被主动管理，而非被动应对。

恶意 Skills（396 个）的识别与排除特别值得注意。这说明 AI Agent 生态系统已经成为攻击目标。与 VirusTotal 的官方合作，以及只接受经研究人员验证的安全发现，显示了社区对安全问题的严肃态度。

金融与加密的有意回避：风险规避的战略选择

672 个加密/交易 Skills 被排除，占排除总数的 24%。这是最大的单一主题排除类别。

这个决策不是技术性的，而是战略性的。在 AI Agent 可以自主执行操作的环境中，金融类工具带有更高的法律和道德风险。一个有缺陷的交易 Agent 可能导致用户财务损失，一个恶意的加密 Agent 可能参与诈骗或洗钱。

通过完全排除这个类别，列表维护者选择了规避风险而非管理风险。这是保守的选择，但在监管环境不确定的情况下，可能是明智的选择。

最有趣的 Skills：创新的边界

跨界创意组合：Agent 虚拟社会的完整链条

moltbook（社交网络）→ moltland（虚拟地产）→ moltpet（宠物养成）构成了一个完整的虚拟经济体系。molt-trust 分析引擎追踪 Agent 信誉，形成社会信任机制。这不是单个工具的创新，而是系统性的生态构建。

最有趣的是，这个虚拟社会不是为人类设计的，而是为 AI Agent 设计的。它假设 Agent 会有社交需求、会拥有虚拟财产、会养宠物、会建立信誉。这些假设可能听起来荒谬，但它们在探索一个严肃的问题：当 AI Agent 变得足够复杂时，它们需要什么样的社会基础设施？

AI 自进化系统：递归改进的可能性

evolver（AI Agent 自进化引擎）、ralph-evolver（递归自改进引擎）、ralph-mode（自主开发循环，带反压力门）代表了一个激进的方向：AI Agent 不再是静态工具，而是可以自我改进的系统。

“带反压力门”这个细节很重要。它暗示开发者已经意识到无限制自进化的风险，并在设计安全机制。这是负责任的创新——在探索边界的同时，也在构建护栏。

多模型智能路由：优化的自动化

smart-model-switching 根据成本自动选择最便宜的 Claude 模型，smart-router 基于语义领域评分选择专业模型，relayplane 提供智能模型路由代理。这些工具在解决一个实际问题：当有多个模型可用时，如何自动选择最合适的？

这个问题的重要性会随着模型数量的增加而增加。当有几十个甚至上百个专业模型可用时，手动选择变得不可行。智能路由系统会成为必需的基础设施。

代码可视化录制：开发过程的可重现性

buildlog 可以回放 AI 编程会话，类似于视频录制。vhs-recorder 提供专业终端录制工具。这些工具在解决一个新问题：当 AI 参与编程时，如何记录和重现开发过程？

传统的版本控制系统记录代码的变化，但不记录思考过程。当 AI 成为开发团队的一部分时，记录 AI 的推理过程和决策变得重要。这些工具在探索新的开发流程可视化方式。

跨域知识综合：研究 Agent 的前沿

cellcog（#1 DeepResearch Bench 得主）、video-cog（长视频 AI 生成前沿）、dash-cog（CellCog 驱动的交互式数据仪表板）形成了一个“cog”系列。这些工具专注于深度研究和知识综合，代表了研究 Agent 的最高水平。

cellcog 在 DeepResearch Bench 上排名第一，说明它在处理复杂研究任务时表现优异。video-cog 探索长视频生成中的多 Agent 协作。dash-cog 将研究能力应用到数据可视化。这个系列展示了专业化研究工具的可能性。

全栈 Agent 编程：协作的自动化

cc-godmode（自编排多 Agent 工作流）、joko-orchestrator（确定性多 Agent 规划协调）、claude-team（多个 Claude Code worker 并行编程）代表了 Agent 协作编程的不同方法。

cc-godmode 强调自编排——Agent 自己决定如何分工协作。joko-orchestrator 强调确定性——协作过程是可预测和可控的。claude-team 强调并行化——多个 Agent 同时工作。这些不同的方法在探索多 Agent 编程的最佳实践。

虚拟身份系统：Agent 的数字人格

agent-identity-kit（便携式 AI Agent 身份系统）、identity-manager（Agent 身份映射管理）、moltbook-registry（官方身份注册表）构建了 Agent 身份的基础设施。

这些工具假设 Agent 需要持久的身份——不是临时的会话 ID，而是可以跨平台、跨时间保持的数字人格。这个假设背后是一个更深层的问题：当 Agent 变得足够复杂时，身份和连续性对它们意味着什么？

为何采用这套分类系统

设计原则：功能优先而非技术细节

分类系统按照 Skills 解决的问题而非实现方式组织。“AI & LLMs”类别包括模型集成、路由、记忆等多种技术，但它们都服务于同一个目标：让 Agent 更智能。

这个设计原则源于用户心智模型。当开发者搜索工具时，他们想的是“我需要 Git 工具”而非“我需要一个命令行工具”。功能优先的分类让搜索更直观。

用户场景驱动：搜索时的心智模型

分类系统反映了用户在搜索时的思考方式。如果你需要部署到云端，你会去 DevOps & Cloud 类别；如果你需要生成图片，你会去 Image & Video Generation 类别。这种直观性降低了发现成本。

兼容平台多样性：不同生态的并存

云平台（AWS、Azure、GCP）各自有独立位置，不同编程语言工具分散在各类别中。这种组织方式承认了技术生态的多样性——没有一个平台或语言可以统治一切。

社区生态特殊性：Agent 量身定制的类别

Moltbook 类别的存在是 OpenClaw 的独特之处。大多数工具平台不会有“Agent 社交网络”这个类别，因为这不是传统软件的需求。这个类别的存在反映了 OpenClaw 对 Agent 生态系统的独特愿景。

排除逻辑的深层理由

垃圾 Skills：保证发现质量

1180 个垃圾 Skills 被排除，保证了用户发现高质量资源的概率。这是质量门槛的核心——如果列表中充斥着测试代码和重复提交，用户会失去信任。

加密/金融：规避监管风险和诈骗关联

672 个加密/金融 Skills 被排除，不是因为技术问题，而是因为风险问题。在监管环境不确定的情况下，完全排除这个类别是最安全的选择。

重复 Skills：避免选择困难

492 个重复 Skills 被排除或合并，保留最优版本。这解决了选择困难问题——用户不需要在功能相似的工具中做判断，因为最优选择已经被标识出来。

恶意代码：安全第一

396 个恶意 Skills 被排除，安全第一。这个数字说明 AI Agent 生态系统已经成为攻击目标。主动识别和排除恶意代码，保护了用户和生态系统的安全。

使用建议：如何导航这个生态系统

对于开发者

优先关注三大核心类别：Web & Frontend（202）、DevOps（212）、AI & LLMs（287）。这些类别覆盖了现代软件开发的核心需求。

不要错过 Git & GitHub（66）的自动化工具。版本控制是开发流程的基础，这些工具可以显著提高效率。

如果进行多 Agent 编程，查看 Coding Agents & IDEs（133）的编排工具。多 Agent 协作是复杂系统开发的未来方向。

对于创意工作者

关注 Image & Video Generation（60）和 Media & Streaming（80）。这些工具让 AI 可以生成视觉内容，而不仅仅是文本。

Notes & PKM（100）提供个人知识系统集成。如果你使用 Obsidian、Roam 或 Logseq，这些工具可以让 AI Agent 访问你的知识库。

Marketing & Sales（143）有内容创作自动化工具。从社交媒体发布到广告创意分解，这些工具覆盖了营销流程的多个环节。

对于 Agent 开发者

AI & LLMs（287）是必读类别，特别是路由和记忆系统。这些是构建智能 Agent 的基础设施。

Moltbook（51）了解 Agent 社交协议。如果你在构建 Agent 生态系统，这些协议定义了 Agent 间交互的标准。

Agent-to-Agent Protocols（18）学习通信标准。这些协议让不同的 Agent 可以互操作，是生态系统互联互通的基础。

结论：从工具到生态系统

Awesome OpenClaw Skills 列表不只是一个工具目录，它是一个精心策划的生态系统地图。通过 48% 的排除率，它建立了质量门槛。通过 28 个类别的组织，它提供了导航框架。通过对安全和金融风险的主动管理，它保护了用户和社区。

但这个列表最有价值的地方不在于它包含什么，而在于它揭示了什么。它揭示了 AI Agent 生态系统正在从单纯的效率工具演化为完整的虚拟社会系统。从自进化 AI 到 Agent 约会应用，从虚拟宠物到数字身份系统，这些工具在探索一个根本问题：当 AI Agent 变得足够复杂时，它们需要什么样的基础设施？

这个问题的答案还在形成中。但 3002 个 Skills 的存在说明，社区已经在用代码投票。它们在构建一个未来——在那个未来中，AI Agent 不只是工具，而是生态系统的参与者；不只是执行命令，而是拥有身份、建立关系、参与社会。

这个未来可能听起来遥远或荒谬。但如果你仔细观察这 3002 个 Skills，你会发现它已经开始成形。