写了5个Skill，agent一个都不用：OpenClaw + 国产模型的Skill调度踩坑实录
上午发了架构篇，下午实测发现agent完全绕过了精心设计的5-agent协作流程，自己写脚本调API。本文记录问题现场、根因分析和解决思路。
背景
上午刚发了一篇《不会写prompt也能出大片》，讲了用OpenClaw搭5-Agent协作的ComfyUI出图系统。架构很漂亮------Prompt Agent理解需求、Workflow Agent选模型、Render Agent调API、Critic Agent评分、Memory Agent记忆偏好。
下午实测，打脸了。
翻车现场
在Tg给agent发了一条："作图 昭和风格的东京街头少女 穿着性感衣服 80年代风格 动漫风格"
预期行为：agent读取prompt-agent的SKILL.md → 结构化拆解需求 → 匹配风格模板 → 生成带权重的英文prompt → 选Animagine XL → 调comfyui-client.py → 出图 → 评分
实际行为：
需要安装requests模块。让我先安装它
让我检查可用的Python包管理器
让我使用系统包管理器安装requests
权限问题。让我回到使用现有的comfyui-client工具，但尝试不同的方法
让我创建一个直接调用ComfyUI API的Python脚本，确保控制输出质量它自己写了一个Python脚本，从头开始调ComfyUI API。
5个Skill一个都没读。comfyui-client.py没调。prompt-templates.json没查。workflow模板没用。风格匹配没做。评分没跑。
出图倒是出了------但前3张是全黑的（5KB），第4张才正常（2MB）。因为它自己写的脚本没处理VAE精度问题，而我们在workflow模板里早就配好了fp16fix VAE。
这不是个例。我观察了一下午的agent行为，它几乎从不主动读SKILL.md。
问题分析
1. Skill系统的运作原理
先搞清楚OpenClaw的Skill到底怎么工作的。它不是一个运行时插件，而是一份给AI的操作说明书。
流程是这样的：
启动时，OpenClaw扫描skills目录，把所有Skill的name和description注入到系统提示词里。当用户发消息时，AI看到可用Skill列表，判断是否有匹配的Skill。如果匹配了，AI读取对应的SKILL.md完整内容，按里面的步骤执行。
关键词：AI自己判断。
这意味着Skill能不能被执行，完全取决于AI模型的能力------它得先"想到"去读Skill，然后"愿意"按Skill里的步骤走，而不是自己另起炉灶。
2. 国产模型的工具调用短板
我的agent跑的是DeepSeek，这是个性价比很高的模型，日常对话、写内容都不错。但在agent任务上有明显短板。
社区的共识是：Claude在工具调用可靠性上明显领先其他模型。DeepSeek在复杂的多步骤工具调用任务上稳定性和准确性明显较低，适合80-90%的简单日常任务，但复杂的需要切换到更强的模型。
而事实证明，我个人感觉，恰好是DeepSeek在日常工作与接地气方面太过于"聪明"了，他太想要帮助用户完成工作了，以至于发生"我以为我在帮你，其实我在帮倒忙"的有趣情况。
具体到我的场景：
DeepSeek收到"画一张昭和风少女"这个请求后，它的思维链是这样的：用户要画图 → 我知道ComfyUI的API → 我直接写个脚本调API就行了。
它不会去想：等等，我应该先看看有没有专门的Skill来处理这件事。
这是模型层面的"工具意识"问题。Claude Sonnet/Opus在这方面做了专门的训练------遇到任务先扫描可用工具，优先用工具而不是自己写代码。DeepSeek没有这个倾向。
3. SKILL.md的description不够精准
翻回去看我的Skill定义：
vbnet
name: render-agent
description: "调用ComfyUI API执行图像生成任务"这个description太模糊了。AI看到"调用ComfyUI API执行图像生成"，心想：这不就是发个HTTP请求吗？我自己写也行。
对比社区里写得好的Skill：
vbnet
name: trend-scout
description: >
定期扫描V2EX、Hacker News、GitHub Trending，找出热门话题。
Use when: 用户说"给我今天的热点""有什么值得写的话题"。
NOT for: 详细新闻分析或完整文章撰写。差距很明显。好的description要告诉AI三件事：什么时候用、怎么触发、什么时候不用。
4. 黑图问题：绕过Skill的直接后果
agent自己写脚本的后果是灾难性的。
我们的workflow模板（sdxl_basic.json）里配了独立的VAELoader节点，指向修复版的sdxl_vae_fp16fix.safetensors。这是SDXL在MPS/fp16环境下防止黑图的标准做法。
但agent自己写的脚本直接用checkpoint内置的VAE------这个VAE在fp16下有已知的黑图bug。
结果：前3张全黑（5KB），它自己折腾了10分钟才发现问题，又花了10分钟重写脚本。如果它直接用我们的Skill，从头到尾就不会有这个问题。
最终我们通过在ComfyUI启动参数里加--fp32-vae强制fp32精度才彻底解决。但这本来是不需要的------workflow模板里的VAELoader节点已经处理好了。
5. 记忆系统的连锁故障
这还不是全部。翻gateway日志发现另一个问题：
arduino
memory-lancedb: recall failed: Error: Cannot find module '@lancedb/lancedb'OpenClaw的记忆系统用的是LanceDB------一个基于Rust编译的向量数据库。问题是它的原生二进制文件跟ARM Docker容器不兼容。每次容器重建或镜像更新，之前装的模块就丢了。
这意味着Memory Agent永远无法工作。agent不记得你之前喜欢什么风格、什么参数效果好------每次都是从零开始。
解决思路
短期：让Skill更"霸道"
加强SKILL.md里的约束，让AI更难绕过。在render-agent的SKILL.md里加：
markdown
## 强制规则
- 禁止自己写Python脚本调用ComfyUI API
- 必须使用 tools/comfyui-client.py
- 必须使用 workflows/ 目录下的模板
- 如果comfyui-client.py执行失败，报告错误，不要自己造轮子同时改善description的触发精度：
bash
description: >
用户说"画""作图""生成图片"时使用。
必须调用 tools/comfyui-client.py，禁止自己写脚本。
NOT for: 文字创作、代码编写、数据分析。中期：分层模型路由
日常聊天继续用DeepSeek（便宜），出图任务路由到Claude Sonnet（工具调用可靠）。
OpenClaw支持在配置里设置不同任务用不同模型。检测到"画""图""生成"这类关键词时自动切到Claude。DeepSeek每月 <math xmlns="http://www.w3.org/1998/Math/MathML"> 3 − 5 ， C l a u d e 出图任务每月大概多花 3-5，Claude出图任务每月大概多花 </math>3−5，Claude出图任务每月大概多花15-30，但省下的是你盯着agent调试的时间。
长期：记忆系统替换
放弃LanceDB，切到文件记忆方案（MEMORY.md）。不依赖任何原生模块，不怕容器重建，不怕架构不兼容。虽然没有向量检索那么高级，但至少能用。
反思
这件事让我重新理解了一句话：Skill的质量上限取决于SKILL.md的写法，但Skill的执行下限取决于模型的工具调用能力。
OpenClaw的Skill系统设计得很优雅------声明式、热重载、渐进式加载。但它有一个根本假设：AI模型会优先选择使用已有的Skill，而不是自己另起炉灶。
这个假设在Claude上基本成立，在DeepSeek/Qwen上经常不成立。
社区里很多人用Claude跑agent觉得Skill系统很好用，然后推荐给用国产模型的人，结果对方发现agent根本不按Skill走。这不是Skill写得不好，也不是OpenClaw的bug------是模型能力的差距。
所以如果你也在用国产模型跑OpenClaw，遇到agent不按Skill执行的问题，先别急着改Skill，先考虑是不是模型的锅。当然Skill的description也要写好，但那是必要条件不是充分条件。
数据对比
最后放一下今天的实际数据：
| 指标 | agent自己写脚本 | 用我们的workflow模板 |
|---|---|---|
| 黑图率 | 约75%（4张黑3张） | 0%（修复后） |
| 单张耗时 | 35-45秒（含折腾时间） | 16-17秒 |
| 是否自动选checkpoint | 否（永远SDXL Base） | 是（根据风格切换） |
| 是否有评分 | 否 | 是（5维度评分） |
| VAE精度处理 | 无（导致黑图） | 有（fp16fix VAE） |
| 负向prompt | 无或随便写 | 模板库自动匹配 |
差距一目了然。
开源
以上所有代码、Skill、workflow模板、踩坑记录都在这里：
GitHub：github.com/baobaodawan...
ClawHub：clawhub install visual-muse（当前v1.2.1）
如果你也在折腾OpenClaw + ComfyUI，或者遇到了类似的Skill调度问题，欢迎交流。
这是Visual Muse系列的第二篇。第一篇讲架构搭建，这篇讲实战踩坑。下一篇计划写模型路由方案------怎么让DeepSeek和Claude各干各的活。