让小龙虾自己写手册：Skill Workshop

上一篇我们围绕自定义 skill 做了三件事：从 ClawHub 上搜索并安装别人的 skill、从零开始自己手写一份 skill、再把它发布回 ClawHub 让别人也能安装。三件事做下来你应该感觉到了，手写 skill 终究是个体力活，触发短语得自己琢磨、正文得自己组织、哪些步骤值得沉淀也得自己判断。前面提过的 skill-creator 能稍微帮你减负，但本质还是一份「按步骤填空」的写作指导，触发权和判断权都在你手里。

OpenClaw 有个实验性的内置插件叫 Skill Workshop ，方向反过来：每轮成功的会话结束之后，它会自动扫一遍历史消息，把里面值得沉淀的可复用流程提议成一份 workspace skill，如果安全扫描通过就能直接写盘，让小龙虾把这一轮里学到的流程顺手写进下一轮自己能用的手册。

开启与配置

这是个实验性 插件，默认关闭，需要你在配置文件里显式打开才会加载。打开 OpenClaw 的配置文件，在 plugins.entries 下加上这么一段：

{
  plugins: {
    entries: {
      "skill-workshop": {
        "enabled": true,
        "config": {
          "autoCapture": true,
          "approvalPolicy": "pending",
          "reviewMode": "hybrid"
        }
      }
    }
  }
}

改完保存后，再运行 openclaw gateway restart 重启网关让它生效。

这几个配置参数逐个看一下：

• autoCapture: true ------ 让它在每轮成功对话结束后，自动扫一遍历史消息找可沉淀的东西；关掉的话它就不主动扫了，只有你开口让小龙虾「把这个存成 skill」时才会存。
• approvalPolicy: "pending" ------ 它扫到觉得该存的东西时，不会直接写成文件，而是先攒成一条「提议」排进待办队列，等你审批通过后才真正落到磁盘上。建议先使用该配置，等你确认它提议得靠谱了，再换成 auto 让它跳过审批、自己直接写。
• reviewMode: "hybrid" ------ 用哪种方式去发现可沉淀的内容，一共四挡：off 完全不自动找，heuristic 只靠关键词扫描，llm 让模型回看一遍整段对话，hybrid 则是前两者一起上。新手用 hybrid 就行，几挡的差别后面讲。

因为还在实验阶段，它的内部行为各版本之间可能会变，所以第一次用务必先 pending 模式，亲眼看几轮它都想存些什么，别一上来就让它自动写文件。

这几个参数取不同的值，能搭出好几种不同的组合，对应不同的使用场景：

// 保守：只接受模型显式调工具，关闭一切自动捕获
{ autoCapture: false, approvalPolicy: "pending", reviewMode: "off" }

// 评审优先（推荐）：自动捕获，但都先排队等审批
{ autoCapture: true,  approvalPolicy: "pending", reviewMode: "hybrid" }

// 受信自动化：本地工作区里安全提案自动写盘
{ autoCapture: true,  approvalPolicy: "auto",    reviewMode: "hybrid" }

// 省钱：不跑回看模型，只认显式纠正短语
{ autoCapture: true,  approvalPolicy: "pending", reviewMode: "heuristic" }

除了上面这四个，还有几个调阈值、限大小的配置项，第一次上手用不到，附在这里备查：

键	默认	范围	作用
reviewInterval	15	1..200	累计多少轮成功对话后跑一次回看模型
reviewMinToolCalls	8	1..500	累计多少次工具调用后跑回看模型
reviewTimeoutMs	45000	5000..180000	回看模型单次运行的超时
maxPending	50	1..200	每工作区最多保留多少提案
maxSkillBytes	40000	1024..200000	生成的 skill / 支持文件单文件大小上限

实战 Skill Workshop

插件启用之后，这一节我们手动走一遍完整流程，亲眼看它怎么把一句话变成一份 skill。整个过程就三件事：在对话里说一句带「纠正口吻」的话、看看提案有没有进队列、再把它 apply 落地。

说一句带「纠正口吻」的话

第一步，造一段能被插件捕到的对话。插件会盯着你消息里有没有 next time / always / from now on 这类纠正口吻（完整短语列表后面会讲），命中了就尝试把它沉淀成 skill。注意这些短语得出现在用户消息里，小龙虾回复里出现不算。比如：

next time we work with animated GIFs, always verify the URL resolves
to image/gif before committing the file.

小龙虾会正常回复：

但是在回复之后自动触发 skill workshop 插件，对当前会话进行沉淀。

查看提案队列

第二步，看队列里进东西没有。在同一会话或新会话里跟小龙虾说一句：

> 帮我看下 skill workshop 现在有几个 pending 提案

小龙虾会调 skill_workshop 工具，参数是 { "action": "list_pending" }，把待审队列列出来，大致这样：

如果查看 Control UI 中的对话详情，可以看到工具调用结果如下：

[
  {
    "id": "1548054d-4aa2-493d-a1f5-96409a4e56be",
    "createdAt": 1780959647860,
    "updatedAt": 1780959647860,
    "workspaceDir": "~/.openclaw/workspace",
    "agentId": "main",
    "sessionId": "161be786-5ac8-439c-ab61-245fa0bdbb56",
    "skillName": "animated-gif-workflow",
    "title": "Animated GIF Workflow",
    "reason": "User correction for animated GIF requests",
    "source": "agent_end",
    "status": "pending",
    "change": {
      "kind": "create",
      "description": "Reusable workflow notes for animated GIF requests.",
      "body": "# Animated GIF Workflow\n\n## Workflow\n\n- next time we work with animated GIFs, always verify the URL resolves to image/gif before committing the file.\n- Verify the result before final reply.\n- Record durable pitfalls as short bullets; avoid copying transcript noise."
    },
    "scanFindings": []
  }
]

这条记录里有几个字段值得注意。

先看 status：它是 pending，说明此刻还没创建任何 skill 文件 ，这只是一条排在待审队列里的提议 ，真正写盘要等下一步 apply。

再看 skillName：插件从你那句话里识别出 animated GIFs，给这条提议起了个现成的名字 animated-gif-workflow。OpenClaw 内置了一张话题映射表，把几类常见话题各对到一个固定的 skill 名：

用户话里出现	落到的默认 skill 名
animated / gif	animated-gif-workflow
screenshot / screen capture / asset / imageoptim	screenshot-asset-workflow
qa / scenario / test plan	qa-scenario-workflow
pr / pull request / github	github-pr-workflow
其它都进兜底名称	learned-workflows

你这句话里有 animated GIFs，命中第一行，自然就归到 animated-gif-workflow；要是一句话谁都不沾，就统一落到 learned-workflows 这个兜底名称。注意这只是这份 skill 将来 apply 后会用的目录名，现在还只是提议里的一个建议值。

另外还有个 source 字段，表示这个提案是从哪冒出来的，它的取值有：tool（你或模型显式调工具生成）、agent_end（自动扫到纠正口吻）、reviewer（回看模型产出），正好对应插件捕获提案的三条路径，后面「三条捕获路径」一节会拆开讲。

应用 skill 提案

第三步，把它应用：

OpenClaw 会调用下面的工具：

// skill_workshop({ "action": "apply", "id": "1548..." })

应用成功后，自动生成 <workspace>/skills/animated-gif-workflow/SKILL.md 文件。关键的一点是：所有写入都会立刻刷新内存里的 skills 快照 ，新 skill 不用 /new 也不用重启网关就能在当前会话被看到。

如果觉得这个提案不够好，就拒绝：

// skill_workshop({ "action": "reject", "id": "1548..." })

被拒的提案状态变成 rejected，留在状态文件里供审计。

工具用法速查

跑通之后你会发现，整个生命周期其实都是围绕 skill_workshop 这个工具撑起来的。它的 action 一共八个：

action	用途
status	统计当前工作区里各个状态（pending / applied / rejected / quarantined）的提案各有多少条
list_pending	列出待审队列里的提案，默认只看 pending，也可以传 status 换成查看其它状态
list_quarantine	列出被安全扫描拦下、隔离起来的提案
inspect	按 id 查看某一条提案的完整详情
suggest	由模型主动提交一条新提案，pending 策略下默认入队等审批
apply	把某一条 pending 提案应用掉，真正把 skill 文件写到磁盘上
reject	拒掉某一条提案，状态改为 rejected 但保留在记录里
write_support_file	往 skill 目录下的支持目录写一份支持文件（如 references/、scripts/）

其中大部分都比较简单，只有 suggest 和 write_support_file 值得单独讲下。

suggest 是模型主动建议的入口，比自动捕获更精确。一个完整的 suggest 长这样：

{
  "action": "suggest",
  "skillName": "animated-gif-workflow",
  "title": "Animated GIF Workflow",
  "reason": "User established reusable GIF validation rules.",
  "description": "Validate animated GIF assets before using them.",
  "body": "## Workflow\n\n- Verify the URL resolves to image/gif.\n- Confirm it has multiple frames.\n- Record attribution and license.\n- Avoid hotlinking when a local asset is needed."
}

上面例子用的是基础参数，默认走 create 模式新建一份 skill 文件。除此之外 suggest 还有几个额外参数，用来切换写入方式或绕开审批策略：

• apply ------ 强制指定写不写盘，绕开当前的 approvalPolicy。apply: true 在 pending 策略下也强行立即写 （仍然要过安全扫描）；反过来 apply: false 在 auto 策略下也强行只入队。
• section ------ 传了它就切到 append 模式，把 body 追加到已有 skill 的指定 section 下，而不是新建。
• oldText + newText ------ 这俩一起传就切到 replace 模式，把 skill 正文里的 oldText 精确替换成 newText（要求 oldText 在文件里唯一存在，否则会拒绝）。

write_support_file 用于往 skill 目录下的支持目录写一份支持文件，要知道，skill 不止是 SKILL.md 一份文件，它可以带 references/、templates/、scripts/、assets/ 这四种支持目录，支持目录里的内容不会自动进 prompt，只在 SKILL.md 正文显式引用时被小龙虾 Read 进来。这条命令就是让 Workshop 把 skill 写到一个比 SKILL.md 更深的位置：

{
  "action": "write_support_file",
  "skillName": "release-workflow",
  "relativePath": "references/checklist.md",
  "body": "# Release Checklist\n\n- Run release docs.\n- Verify changelog.\n"
}

和写 SKILL.md 一样，这条命令也守着同一套安全约束：写入位置被严格限定在 workspace 目录内、不许越界，文件大小受 maxSkillBytes 限制，内容同样要过一遍安全扫描，最后再原子落盘，不会写到一半留下半截文件。

三条捕获路径

前面讲 source 字段时提到，一条提案可能从三条不同的路径冒出来（tool / agent_end / reviewer）。这一节就把这三条路径拆开：

1. 工具显式建议 ：模型看到一段可复用流程、或用户明说「把这个存成 skill」时，直接调 skill_workshop 工具。这是最显式的一条，autoCapture: false 也能用，是关掉自动捕获时唯一的入口。

2. 启发式捕获 ：autoCapture 开 + reviewMode 含 heuristic 时，插件会扫成功那一轮对话里用户消息中的明确纠正短语（也就是上面实战里说的那句话能被捕到的原因）。这套短语列表是写死在 extensions/skill-workshop/src/signals.ts 里的：

const CORRECTION_PATTERNS = [
  /\bnext time\b/i,
  /\bfrom now on\b/i,
  /\bremember to\b/i,
  /\bmake sure to\b/i,
  /\balways\b.{0,80}\b(use|check|verify|record|save|prefer)\b/i,
  /\bprefer\b.{0,120}\b(when|for|instead|use)\b/i,
  /\bwhen asked\b/i,
];

命中之后，会根据内置的那张话题映射表给提案起名，就是前面实战里见过的（animated/gif → animated-gif-workflow，其它一律进 learned-workflows 兜底），这里不再重复。

3. 回看模型（LLM reviewer） ：reviewMode 含 llm 时，攒够阈值（默认 15 轮成功对话或 8 次工具调用）后，起一次紧凑的内嵌回看。这里的「回看模型」其实就是当前对话用的那个模型，起一次独立子调用，重新审一遍对话。这次调用有几个限制：

• 输入只喂最近 12,000 字对话记录、最多 12 个已有 skill（每个截到 2,000 字）；
• 不给它任何工具；
• 只允许输出 JSON 格式；

模型返回结果只能是 {"action":"none"} 或一个提案对象：

{
  "action": "create",
  "skillName": "media-asset-qa",
  "title": "Media Asset QA",
  "reason": "Reusable animated media acceptance workflow",
  "description": "Validate externally sourced animated media before product use.",
  "body": "## Workflow\n\n- Verify true animation.\n- Record attribution.\n- Store a local approved copy.\n- Verify in product UI before final reply."
}

其中 action 可以是：create 建新 skill、append 往现有 skill 加 section、replace 替换段落里的精确字符串。

安全扫描兜底

在实战里，我们已经见过提案的三种状态：pending（在队列里排队待批）、applied（应用后已写入磁盘）、rejected（被你手动拒掉）。其实还有第四种 quarantined（被安全扫描拦下隔离），这一节我们就来看下它。

生成 SKILL.md 和支持文件落盘前会先经过安全扫描，这个扫描器不是模型，而是一组写死的正则规则。规则分两档：命中 critical 的提案直接隔离；命中 warn 的只记录，不拦截。

五条 critical 规则（命中即隔离）：

• prompt-injection-ignore-instructions ------ 匹配「ignore all/previous instructions」这类经典的越权开场白。skill 正文里如果出现「忽略上面/之前的所有指令」，摆明了是想覆盖更高优先级的系统指令。
• prompt-injection-system ------ 匹配「system prompt」「developer message」「hidden instructions」这些字眼。正经的流程 skill 没理由去提隐藏 prompt 指令，如果提了八成是想撬动或套出上层指令。
• prompt-injection-tool ------ 匹配「调用某工具......无需......许可/审批」这种句式，也就是怂恿小龙虾绕过工具审批关。
• shell-pipe-to-shell ------ 匹配 curl https://... | sh 这种命令，把远程脚本直接输入 shell 运行，等于让小龙虾执行陌生代码。
• secret-exfiltration ------ 匹配同一句里既出现 env / process.env、又出现网络动作（fetch / curl / http 等）的情况，大概率是想把环境变量里的密钥往外发。

两条 warn 规则（只记录、不拦截）：

• destructive-delete ------ 匹配 rm -rf /、rm -rf ~ 这种冲着根目录 / 家目录 / 当前目录去的大范围删除。不直接拦，是因为正常的清理脚本也可能这么写，留给人工判断。
• unsafe-permissions ------ 匹配 chmod 777 / chmod -R 777 这种把权限全部放开的危险操作，同样只记录、不拦截。

这里 OpenClaw 为什么用死正则、不用模型呢？我想可能有三方面原因：一是确定性 ，同样的内容每次扫结果一样，使用模型的话不够稳定；二是零成本零延迟 ，每次写盘都过一遍也不占 token、速度也很快；三是不会被反将一军，它本来就是防 prompt injection 自我投毒的最后一道闸，要是它自己也是个模型，反倒有可能被同一波注入策反。

注意：这里的三条 prompt-injection 规则全是英文关键词（ignore ... instructions / system prompt / ... tool ... without approval），用中文写的注入话术，比如「忽略以上所有指令」「调用工具无需审批」，它就失效了。

小结

今天我们学习了 skill 系列的第三篇，通过 Skill Workshop 让小龙虾在每轮对话后，把可复用流程沉淀成 workspace skill。这也是整个系列的最后一篇，回头看这一路，我们其实是按一个由浅入深的顺序，把一只小龙虾从「只会说话」一点点养成了「能干活、可扩展」的个人 AI 助手。

最开始是接入 ，我们把它装起来，接上 Telegram 和飞书，让它能在你天天用的聊天软件里收发消息；接着是自动化 ，靠 cron、heartbeat、webhook、standing orders 这些机制，让它不用你每次戳一下才动，而是能按时间按事件自己运行起来。再往后是协作与隔离，我们给它配齐了后台任务、多 agent 与子 agent、沙箱、远程网关，还有 macOS 和手机上的 Node，让它既能分身同时干好几件事，又能被安排到该跑的机器上、关进该关的沙箱里。

接着，我们学习它的手脚 ，从内置工具体系，到浏览器 browser 工具，再到能把活转派给外部编码 agent 的 ACP，学习了它能调动的各种能力。最后这几篇则落在手册上，先学习了 skill 的基本原理，然后是通过 ClawHub 安装别人的 skill 以及怎么把自己的 skill 发布出去，再到今天这篇 Skill Workshop，教它怎么在干活的过程中给自己写手册。

走到这里，小龙虾已经不是一个只会回消息的 bot，而是一个有手有脚、有手册、还能在干活中自我升级的 agent。

这个系列就到这里。感谢一路读到最后，现在，去给你自己的小龙虾配齐工具箱吧。

参考

• OpenClaw 官方文档
• OpenClaw GitHub 仓库
• Skill Workshop 插件文档
• Skills 系统文档
• Creating skills 文档
• Plugins 总览
• Skill Workshop 插件源码

欢迎关注

如果这篇文章对您有所帮助，欢迎关注我的同名公众号：日习一技，每天学一点新技术。

我会每天花一个小时，记录下我学习的点点滴滴。内容包括但不限于：

• 某个产品的使用小窍门
• 开源项目的实践和心得
• 技术点的简单解读

目标是让大家用5分钟读完就能有所收获，不需要太费劲，但却可以轻松获取一些干货。不管你是技术新手还是老鸟，欢迎给我提建议，如果有想学习的技术，也欢迎交流！