先说效果

实测用了两个 Skills 完成了两件事：用 playwright-scraper 爬取微博实时热搜，数据准确无误；用 feishu-doc 将公众号文章自动创建为飞书文档。整个过程没有写一行代码，只是告诉 OpenClaw 要做什么。

这背后的逻辑很简单：Skills 本质上是给 Agent 加装的能力模块，装得越多、越对口，它能帮你干的事就越多。

安装前的准备工作

在装任何 Skill 之前，需要先把两个基础工具配好。

Node.js（建议 v18 以上）：去官网下载安装即可。装完后在终端确认一下版本：

node -v

Clawhub：这是从 OpenClaw 官方 Skills 仓库安装技能的命令行工具。Node.js 装好后，用管理员权限打开 PowerShell，执行：

npm i -g clawhub

安装完成后检查版本：

clawhub -v

还有一步容易忘——去 Clawhub 官网注册登录，进入 Setting 页面生成一个 Token，然后在终端里配置好授权。不做这一步，后续下载 Skills 会受限制。

如果你不想折腾命令行，也可以手动下载 Skill 文件，放到本地目录：

C:\Users\你的用户名\.openclaw\workspace\skills

15 个 Skills 逐个拆解

以下按功能分类介绍，每个都标注了触发场景，方便你按需安装。

浏览器与爬虫类

agent-browser 🌐 — 基于 Rust 的无头浏览器自动化 CLI，支持 Node.js fallback。能让 Agent 通过结构化命令完成页面导航、点击、输入和截图。适合自动化网页交互、提取结构化数据、程序化填表、网页 UI 测试。

playwright-scraper 🕷️ — 高性能隐蔽爬虫，基于 Playwright Extra 加 Stealth 插件，能绕过常见的反爬措施。支持隐身模式模拟真实浏览器行为、完整 JavaScript 执行、自定义视口和 User-Agent 伪造。对付动态内容（SPA、React 站点）很好用。

搜索类

brave-search 🔍 — 通过 Brave Search API 做网页搜索和内容提取，轻量级，不需要启动浏览器。搜文档、查 API 参考、获取特定 URL 内容都行。需要配置 BRAVE_API_KEY 环境变量。

tavily-search 🔍 — 通过 Tavily API 做 AI 优化的网页搜索，返回的结果更简洁、更适合 Agent 消费。适合研究复杂问题、获取最新资讯。需要配置 TAVILY_API_KEY 环境变量，Tavily 有免费额度。

find-skills 🔎 — 帮你发现和安装新的 Agent 技能。当你问"怎么做某件事"或者想扩展 Agent 能力时会触发。相当于一个 Skills 的搜索引擎。

数据与文档类

data-analyst 📊 — 把 Agent 变成数据分析师。支持 SQL 查询（时间分析、cohort 分析、漏斗分析等常见模板）、数据清洗（处理缺失值、重复项、异常值）、CSV/Excel 处理、Matplotlib/Seaborn 可视化、标准报告模板生成。

feishu-doc 📄 — 对接飞书（Lark）的 Wiki、文档、表格和多维表格。能读取、创建、写入飞书文档，自动解析 Wiki URL 并转换为 Markdown。需要配置 FEISHU_APP_ID 和 FEISHU_APP_SECRET 环境变量——如果你之前配过飞书机器人，直接用同一套 AppID 和密钥就行。

obsidian 💎 — 操作 Obsidian vault（纯 Markdown 笔记），通过 obsidian-cli 实现笔记的搜索、创建、移动和重命名。

summarize 🧾 — 总结各类内容，支持 URL、PDF、图片、音频、YouTube 视频。需要配置对应模型的 API 密钥（OpenAI/Anthropic/Google 等）。

文本处理类

humanizer ✍️ — 去除 AI 生成文本的痕迹，让文字更自然。基于维基百科的"AI 写作迹象"指南，能识别并修复 20 多种 AI 写作模式——过度强调重要性、肤浅的分析、促销语言等等。保留原文意思的同时注入真实个性。做内容的人应该会喜欢这个。

自动化与工作流类

automation-workflows 🤖 — 为独立创业者设计自动化工作流。核心功能包括自动化审计（识别高价值自动化机会）、工具选型（Zapier/Make/n8n 对比）、工作流设计（触发→条件→动作→错误处理完整模板）、ROI 计算（判断自动化是否值得投入）。

proactive-agent 🦞 — 把 Agent 从被动的任务执行者变成主动伙伴。包含 WAL 协议（先写关键细节再响应，防止上下文丢失）、工作缓冲区（上下文超过 60% 时自动记录）、主动检查（监控重要事项并主动通知）、自我修复（尝试 10 种方法再请求帮助）。这个设计思路很有意思。

self-improving-agent 📈 — 记录学习、错误和更正，实现持续改进。在命令失败、用户更正、发现更好方法时自动记录到 .learnings/ 目录，定期审核并推广到永久记忆，还能检测重复模式并主动提出自动化建议。

辅助工具类

skill-vetter 🔒 — 安全审核工具。在安装任何外部 Skill 之前，用它做一次 4 步审核：来源检查→代码审查→权限范围评估→风险分类。能检测 20 多项危险信号（数据外发、凭据访问、混淆代码等），生成安全报告并给出安装建议。装第三方 Skill 前跑一下，这个习惯值得养成。

task-status 📣 — 在长时间运行的任务中发送状态更新。支持定期进度汇报、任务完成确认和失败通知。

一个值得注意的细节

上面 15 个 Skills 的介绍内容，其实是 OpenClaw 在学习了这些技能之后自己生成的。只给了一句提示——"总结一下我给你安装的新技能，要求有功能介绍、触发场景、安装命令、配置需求"——不到 5 分钟就输出了完整的结构化文档。

这本身就说明了一个问题：当你给 Agent 装上足够多且合适的 Skills，它的输出质量和效率会有质的变化。对于一人公司来说，与其花时间研究每个工具怎么用，不如先把 Agent 武装起来，让它成为你的第一个"员工"——一个能爬数据、能写文档、能做分析、还能自我改进的员工。