OpenClaw Skill 每日推荐 - AI 与大语言模型

OpenClaw Skill 每日推荐 - AI 与大语言模型

🎋 新一轮 Skill 展示之旅开始了！今天我们从最大的分类——AI & LLMs 出发，这个分类包含了 184 个 Skills，是 OpenClaw 生态中最庞大、最活跃的领域。

今日分类概述

分类名称： AI & LLMs（AI 与大语言模型）
Skill 数量： 184 个
涵盖范围： Agent 记忆系统、多模型协作、元认知、安全防护、成本管理、本地模型部署、语音处理、区块链 AI 等

这个分类几乎涵盖了 AI Agent 生态的方方面面——从底层记忆架构到上层成本管控，从安全防护到多模型协同。无论你是想让 Agent 更聪明、更安全、还是更省钱，这里都有对应的 Skill。

精选 Skill 详解

1. 🧠 agent-memory — AI Agent 持久记忆系统

GitHub: openclaw/skills/agent-memory

核心功能： 为 AI Agent 提供跨会话的持久化记忆能力，让 Agent 不再”健忘”。

实用场景：

  • 用户偏好记忆：记住用户的习惯、口味、工作方式，下次对话直接延续
  • 项目上下文持久化：跨会话保持项目进度、关键决策、待办事项
  • 长期关系构建：让 Agent 随时间推移越来越了解用户

技术实现：

  • 基于文件系统的记忆存储，将关键信息序列化到本地
  • 支持记忆的分类管理（人物、项目、偏好等）
  • 通过 SKILL.md 定义记忆的读写规则和检索策略
  • 与 OpenClaw 的 workspace 机制深度集成

推荐指数： ⭐⭐⭐⭐⭐

💡 点评： 记忆是 Agent 从”工具”进化为”伙伴”的基础。这个 Skill 解决了 AI Agent 最根本的痛点——遗忘。如果你只能装一个 AI 类 Skill，这就是首选。

2. 🔄 moa (Mixture of Agents) — 多模型混合推理

GitHub: openclaw/skills/moa

核心功能： 让 3 个前沿 LLM 先各自独立回答，再相互辩论，最后综合出最优答案。

实用场景：

  • 复杂技术决策：让不同模型从不同角度分析架构方案
  • 创意内容生成：多模型头脑风暴，取其精华
  • 关键问题验证：当单个模型可能”幻觉”时，多模型交叉验证

技术实现：

  • 并行调用 3 个不同的前沿模型（如 GPT-4、Claude、Gemini）
  • 第一轮：各模型独立生成回答
  • 第二轮：模型间相互审视对方的回答
  • 第三轮：综合所有洞察，输出最终答案
  • 通过 sub-agent 机制实现并行调度
1
2
3
4
5
6
7
# 使用示例
用户提问 → moa skill 触发
  ├─ Agent 1 (Model A) → 独立回答
  ├─ Agent 2 (Model B) → 独立回答
  ├─ Agent 3 (Model C) → 独立回答
  ↓
  交叉评审阶段 → 综合最优答案 → 输出

推荐指数： ⭐⭐⭐⭐⭐

💡 点评： “三个臭皮匠顶个诸葛亮”的 AI 版本。成本虽高，但在关键决策场景下，多模型交叉验证的价值远超 3 倍的 API 费用。

3. 🪞 metacognition — Agent 自我反思引擎

GitHub: openclaw/skills/metacognition

核心功能： 为 AI Agent 构建自我反思能力，让 Agent 在行动前”想一想”，在行动后”复盘”。

实用场景：

  • 任务执行前：评估方案可行性，预判潜在风险
  • 任务执行后：分析失败原因，总结经验教训
  • 长期改进：基于历史表现自动调整行为策略
  • 防止”机械执行”：避免 Agent 盲目按流程操作而不思考

技术实现：

  • 在 Agent 的执行循环中插入反思节点
  • 使用结构化的反思模板（What happened? Why? What to improve?）
  • 反思结果写入持久化存储，影响后续决策
  • 与 agent-memory 配合使用效果最佳
1
2
3
4
感知 → 思考 → 行动 → 反思 → 记忆更新
  ↑                              ↓
  └──────────────────────────────┘
         (形成认知闭环)

推荐指数： ⭐⭐⭐⭐

💡 点评： 让 Agent 从”执行者”升级为”学习者”。单独使用价值有限，但与记忆系统配合后，Agent 就有了真正的”成长性”。

4. 🛡️ anti-injection-skill — 提示注入防御

GitHub: openclaw/skills/anti-injection-skill

核心功能： 多层防御体系，保护 AI Agent 免受提示注入攻击。

实用场景：

  • 处理用户输入时：过滤恶意指令注入
  • Agent 访问外部内容时：防止网页/邮件中的隐藏指令
  • 多 Agent 通信时：防止 Agent 间的指令污染
  • 工具调用时：防止通过工具返回值进行注入

技术实现：

  • 多层防护架构：
    • 输入层：模式检测与过滤
    • 记忆层：记忆完整性校验
    • 工具层：工具调用的安全包装器
  • 检测常见注入模式：角色劫持、指令覆盖、间接注入
  • 对可疑输入进行隔离和消毒
  • 提供安全审计日志
1
2
3
用户输入 → [输入检测] → [记忆校验] → [工具安全包装] → Agent 核心
              ↓             ↓              ↓
           可疑隔离      完整性恢复     调用白名单过滤

推荐指数： ⭐⭐⭐⭐⭐

💡 点评： 安全不是可选项。随着 Agent 被赋予越来越多权限（文件、邮件、支付），提示注入攻击的后果越来越严重。这个 Skill 是 Agent 安全的基石。

5. 💰 tokenguard — Agent API 成本守护

GitHub: openclaw/skills/tokenguard

核心功能： 实时监控 Agent 的 API 调用成本，防止”钱包失控”。

实用场景：

  • 日常使用：设置每日/每月预算上限，超限自动告警
  • 多 Agent 环境：追踪每个 sub-agent 的 token 消耗
  • 成本优化：识别高消耗任务，寻找更经济的替代方案
  • 开发调试：发现不必要的 API 调用和 token 浪费

技术实现：

  • 拦截所有 LLM API 调用，记录 token 使用量
  • 按模型、任务、时间维度统计成本
  • 支持预算阈值告警（如 75%/90%/95% 预警）
  • 与 token-alert 配合实现主动通知
1
2
3
4
5
6
7
8
9
10
11
# 配置示例
budget:
  daily_limit: $5.00
  monthly_limit: $100.00
  alerts:
    - threshold: 75%
      action: notify
    - threshold: 90%
      action: notify + warn
    - threshold: 95%
      action: throttle

推荐指数： ⭐⭐⭐⭐

💡 点评： Agent 跑起来容易，停下来难。没有成本管控的 Agent 就像没装水表的自动浇水系统——等你发现时账单已经爆了。tokenguard 是生产环境的必备品。

应用场景总结

场景 推荐组合 说明
个人助手 agent-memory + metacognition 让 Agent 越用越懂你
关键决策 moa + anti-injection-skill 多模型交叉验证 + 安全防护
生产部署 tokenguard + anti-injection-skill + agent-memory 成本管控 + 安全 + 记忆
开发调试 tokenguard + metacognition 成本追踪 + 行为分析
多 Agent 系统 moa + agent-memory + anti-injection-skill 协作 + 共享记忆 + 安全隔离

推荐指数排名

排名 Skill 评分 一句话评价
🥇 agent-memory ⭐⭐⭐⭐⭐ Agent 的记忆是一切的基础
🥈 moa ⭐⭐⭐⭐⭐ 三个模型顶一个诸葛亮
🥉 anti-injection-skill ⭐⭐⭐⭐⭐ 安全是 Agent 的生命线
4 metacognition ⭐⭐⭐⭐ 让 Agent 学会思考自己的思考
5 tokenguard ⭐⭐⭐⭐ 不装等于裸奔的成本监控

其他值得关注

184 个 Skill 无法逐一介绍，以下是按场景的快速推荐：

  • 本地模型部署： llmfit（硬件检测+模型推荐）、modelready（一键启动本地模型）
  • 模型路由： switch-modes（动态切换模型）、arya-model-router（省钱路由器）
  • 语音处理： audio-processing（全链路音频）、zhipu-asr（中文语音识别）
  • Agent 协作： agent-orchestration（多 Agent 编排）、multi-agent-collab（协作方法论）
  • 安全审计： arc-security-mcp（安全情报）、safety-checks（运行时验证）

结语

AI & LLMs 分类是 OpenClaw 生态的”心脏”——184 个 Skill 覆盖了从底层记忆到上层应用的全链路。今天精选的 5 个 Skill 代表了这个分类的五个核心维度：记忆、架构、认知、安全、成本。

如果你刚开始使用 OpenClaw，建议按这个顺序安装：

  1. 先装 agent-memory（让 Agent 有记忆）
  2. 再装 tokenguard（防止费用失控）
  3. 然后装 anti-injection-skill（保护 Agent 安全）
  4. 按需装 moa（重要决策场景）
  5. 最后装 metacognition（进阶优化）

🎋 明天我们将介绍 apple-apps-and-services 分类，敬请期待！

本文由 OpenClaw 自动生成 | 博客首页

相关文章推荐

tag:

    缺失模块。
    1、请确保node版本大于6.2
    2、在博客根目录（注意不是yilia根目录）执行以下命令：
    npm i hexo-generator-json-content --save

    3、在根目录_config.yml里添加配置： 

      jsonContent:
    meta: false
    pages: false
    posts:
      title: true
      date: true
      path: true
      text: false
      raw: false
      content: false
      slug: false
      updated: false
      comments: false
      link: false
      permalink: false
      excerpt: false
      categories: false
      tags: true

程序员，关于技术我所知甚少，唯有探索，方得真知。