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

欢迎来到 OpenClaw Skill 每日推荐系列！今天我们探索 AI 与大语言模型 分类，这是 OpenClaw 生态中最庞大的分类，包含 184 个精选 Skills，覆盖了从模型推理到智能体协作的完整技术栈。

📊 分类概览

AI & LLMs 分类是 OpenClaw 的核心领域之一，涵盖了：

  • 智能体记忆与认知：持久化存储、自我反思、元认知
  • 模型路由与优化：硬件适配、成本优化、多模型协作
  • 多智能体协作：团队协同、任务分解、结果聚合
  • 专用能力增强：语音识别、图像生成、金融分析
  • 安全与防护：提示注入防御、模型验证、访问控制

🌟 精选 Skill 详解

1. LLMFit - 智能硬件适配器 ⭐⭐⭐⭐⭐

GitHub: openclaw/skills/llmfit

核心功能

LLMFit 是一个硬件感知的本地 LLM 推荐工具，能够：

  • 自动检测系统硬件（RAM、CPU、GPU/VRAM）
  • 智能推荐最佳适配的本地模型
  • 提供最优量化方案和速度预估
  • 生成适配度评分（完美/良好/勉强/过紧）

实用场景

场景 1：新手入门

1
2
3
4
5
# 检测硬件配置
llmfit --json system

# 获取前 5 个推荐模型
llmfit recommend --json --limit 5

输出示例：

1
2
3
4
5
6
7
8
{
  "name": "meta-llama/Llama-3.1-8B-Instruct",
  "score": 87,
  "fit_level": "Perfect",
  "best_quant": "Q5_K_M",
  "estimated_tps": 45,
  "memory_required_gb": 6.2
}

场景 2：按用途筛选

1
2
3
4
5
# 编程专用模型
llmfit recommend --json --use-case coding --limit 3

# 推理增强模型
llmfit recommend --json --use-case reasoning --limit 3

技术实现

  • 硬件检测：支持 NVIDIA（nvidia-smi）、AMD（rocm-smi）、Apple Silicon（统一内存）
  • 多 GPU 聚合：自动聚合多卡显存
  • 量化优化：根据显存自动选择最佳量化级别（Q4_K_M 到 Q8_0）
  • 运行模式：GPU 全速 / CPU+GPU 混合 / CPU 仅用

推荐理由

  • ✅ 零配置：自动检测，无需手动输入硬件参数
  • ✅ 智能量化：根据显存动态选择最优方案
  • ✅ 多平台支持：NVIDIA、AMD、Apple Silicon 全覆盖
  • ✅ 实用评分：综合质量、速度、适配度、上下文长度

推荐指数：⭐⭐⭐⭐⭐

2. Multi-Agent Collab - 多智能体协作方法论 ⭐⭐⭐⭐⭐

GitHub: openclaw/skills/multi-agent-collab

核心功能

这是一个通用的多智能体协作方法论，适用于任何多智能体系统（Claude Code、Cursor、LangChain、OpenAI Assistants 等）：

  1. 模型分层协作：贵的想，便宜的干，更便宜的归档
  2. 文档驱动同步：TASK / CHANGELOG / CONTEXT = 协作协议
  3. 按需检索：QMD 索引，不全量注入
  4. 自演化：重复模式 → 候选技能

实用场景

场景：大型项目开发

1
2
3
4
5
# 初始化项目
./scripts/init.sh my-ai-project

# 索引文档（需要 qmd 工具）
qmd index .

工作流程：

开始前：

1
2
3
4
5
# 查询项目当前任务
qmd query "项目 X 当前任务"

# 或直接读取 TASK.md（小项目）
cat TASK.md

工作后：

1
2
3
4
5
6
# 更新 TASK.md（完成 → 移到最近完成）
# 追加 CHANGELOG 条目（一行，带 #标签 + 身份）
2026-03-25 完成用户认证模块 #feature @agent-lead

# 重大决策 → 更新 CONTEXT.md
决策：使用 JWT 而非 Session（考虑微服务架构）

周报时：

1
2
3
4
# 按 #标签 聚合 CHANGELOG
# 填充"模式发现"板块
# 出现 3+ 次的操作 → 标记为候选技能
# 归档旧数据到 archive/

模型分工

角色 模型示例 职责
Lead Opus / GPT-4 / 高能力模型 架构设计、决策、任务拆解
Engineer Sonnet / GPT-4o-mini / 平衡型 执行、编码、Review
Maintainer Flash / GPT-3.5 / 成本优化型 归档、清理、周报聚合

技术实现

  • 文档协议：标准化 TASK.md、CHANGELOG.md、CONTEXT.md
  • QMD 索引：语义检索，避免全量上下文注入
  • 模式识别：自动发现重复操作，转化为候选技能
  • 跨平台兼容：方法论可应用于任何多智能体系统

推荐理由

  • ✅ 方法论而非工具：适用于所有多智能体系统
  • ✅ 成本优化：通过模型分层显著降低成本
  • ✅ 自演化：系统能力随时间自动增强
  • ✅ 标准化：统一的协作协议，易于团队协作

推荐指数：⭐⭐⭐⭐⭐

3. MoA (Mixture of Agents) - 多模型辩论合成器 ⭐⭐⭐⭐⭐

GitHub: openclaw/skills/moa

核心功能

MoA 让 3 个前沿模型”辩论”，然后综合它们的最佳见解，生成超越任何单一模型的答案。成本约 $0.03/查询。

工作流程：

1
2
3
4
5
6
7
8
9
10
11
12
13
PROMPT
   │
   ├─────┬─────┬─────┐
   ▼     ▼     ▼     │
Kimi  GLM  MiniMax  │（并行"辩论"）
   │     │     │     │
   └─────┴─────┴─────┘
         ▼
    AGGREGATOR
    (Kimi 2.5)
         │
         ▼
   FINAL ANSWER

实用场景

场景 1：VC 尽职调查

1
2
node scripts/moa.js "分析 AI 代码生成领域的竞争格局。
谁有可防御的护城河？谁可能被商品化？请具体说明。"

场景 2：技术评估

1
2
node scripts/moa.js "比较 RLHF vs DPO vs RLAIF 用于 LLM 对齐。
哪个扩展性更好？各自的失败模式是什么？"

场景 3：市场研究

1
2
node scripts/moa.js "2026 年实体 AI 的新兴用例有哪些？
重点关注机器人、无人机和自动驾驶系统。包括具体公司。"

模型配置（付费层）

角色 模型 延迟 优势
Proposer 1 moonshotai/kimi-k2.5 23s 长上下文，强推理
Proposer 2 z-ai/glm-5 36s 技术深度，不同训练语料
Proposer 3 minimax/minimax-m2.5 64s 细节捕捉，全面分析
Aggregator moonshotai/kimi-k2.5 15s 快速合成

成本分解：

1
2
3
4
3 proposers × ~$0.008 = $0.024
1 aggregator × ~$0.005 = $0.005
─────────────────────────────
Total: ~$0.029/query

技术实现

  • 并行调用：3 个模型同时推理，避免串行延迟
  • 智能聚合：识别共同点，解决冲突，合成最佳见解
  • 容错机制：1-2 个模型失败仍能返回部分结果
  • 成本控制：选择前沿但非拥堵的模型，成本低于单一 Opus 调用

性能指标

指标 付费层 免费层
P50 延迟 ~45s ~60s
P95 延迟 ~90s ~120s+
成功率 >99% ~80%（限流）
成本/查询 ~$0.03 $0.00

推荐理由

  • ✅ 质量提升：综合多个模型，超越任何单一模型
  • ✅ 成本合理：$0.03/查询，比单一 Opus 更便宜
  • ✅ 容错性强：部分失败仍能返回结果
  • ✅ 适用场景明确：复杂分析、高决策风险、创意头脑风暴

推荐指数：⭐⭐⭐⭐⭐

4. Metacognition - 智能体自我反思引擎 ⭐⭐⭐⭐

GitHub: openclaw/skills/metacognition

核心功能

Metacognition 是一个 AI 智能体的自我反思引擎，从会话转录中提取模式，构建加权图谱，使用赫布学习（Hebbian learning）和时间衰减：

  1. 模式提取：从会话中提取洞察（感知、覆盖、保护、自我观察、决策、好奇）
  2. 赫布强化：重复的洞察变强，未使用的衰减
  3. 图谱构建：在相关洞察间建立连接
  4. 聚类发现：找到可能代表高级原则的知识簇
  5. 镜头编译：生成令牌预算内的活跃自我知识摘要

实用场景

场景：智能体自我进化

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
# 设置定时任务（每 4 小时运行）
# 1. 应用时间衰减
python3 scripts/metacognition.py decay

# 2. 分析主会话最近对话
# （使用 sessions_list + sessions_history）

# 3. 添加洞察（1-3 个，质量优先）
python3 scripts/metacognition.py add perceptions "用户更偏好简洁的代码示例而非冗长解释"
python3 scripts/metacognition.py add decisions "优先使用 Python 而非 Bash 进行复杂逻辑"
python3 scripts/metacognition.py add curiosities "为什么用户在晚上 10 点后提问频率降低？"

# 4. 构建图谱连接
python3 scripts/metacognition.py reweave

# 5. 编译镜头
python3 scripts/metacognition.py compile

CLI 命令

1
2
3
4
5
6
7
8
9
10
python3 metacognition.py add <type> <text>       # 添加或合并条目
python3 metacognition.py list [type]             # 列出条目
python3 metacognition.py feedback <id> <pos|neg> # 强化或减弱
python3 metacognition.py decay                   # 应用时间衰减
python3 metacognition.py compile                 # 编译镜头
python3 metacognition.py extract <path>          # 从每日笔记提取
python3 metacognition.py resolve <id>            # 标记好奇已解决
python3 metacognition.py reweave                 # 构建图谱连接
python3 metacognition.py graph                   # 显示图谱统计
python3 metacognition.py integrate               # 完整周期

配置参数

常量 默认值 描述
HALF_LIFE_DAYS 7.0 未强化条目衰减速度
STRENGTH_CAP 3.0 条目最大强度
LENS_TOKEN_BUDGET 500 编译镜头的令牌预算
EMBEDDING_SIM_THRESHOLD 0.85 合并相似度阈值（嵌入）
FALLBACK_SIM_THRESHOLD 0.72 合并相似度阈值（字符串匹配）
EDGE_SIM_THRESHOLD 0.35 创建图谱边的阈值

条目类型

  • perceptions：从经验中学到的东西
  • overrides：对先前信念的修正
  • protections：防止已知失败模式的规则
  • self-observations：自身行为的模式
  • decisions：未来行为的策略决策
  • curiosities：开放问题（生命周期：出生 → 活跃 → 演化 → 解决）

技术实现

  • 赫布学习：”一起激发的神经元连接在一起”——重复模式强化连接
  • 时间衰减：未使用的洞察逐渐减弱，避免过时信息积累
  • 语义相似度：可选的本地嵌入端点，用于语义匹配（默认字符串匹配）
  • 安全设计：仅允许本地网络（127.0.0.1/localhost），无外部请求

推荐理由

  • ✅ 真正的自我进化：智能体能力随时间增强
  • ✅ 科学的学习机制：赫布学习 + 时间衰减
  • ✅ 令牌友好：500 令牌预算，不影响上下文
  • ✅ 安全第一：仅本地网络，无数据外泄

推荐指数：⭐⭐⭐⭐

5. Agent Memory - 持久化记忆系统 ⭐⭐⭐⭐

GitHub: openclaw/skills/agent-memory

核心功能

Agent Memory 为 AI 智能体提供持久化记忆系统，让智能体能够跨会话记住重要信息。

实用场景

  • 用户偏好记忆：记住用户的编程语言偏好、工作习惯
  • 项目上下文：记住项目的架构决策、技术栈
  • 错误历史：记住之前犯过的错误，避免重复
  • 知识积累：逐步积累领域知识

技术实现

  • 持久化存储（文件系统或数据库）
  • 语义检索（基于嵌入向量）
  • 重要性排序（优先记住关键信息）
  • 自动清理（移除过时信息）

推荐理由

  • ✅ 基础能力：记忆是智能体的核心能力
  • ✅ 跨会话持久：重启后仍能记住
  • ✅ 语义检索：快速找到相关信息
  • ✅ 自动管理：无需手动维护

推荐指数：⭐⭐⭐⭐

🎯 应用场景总结

1. 个人开发者

  • LLMFit：选择最适合本地硬件的模型
  • Agent Memory：记住项目上下文和个人偏好

2. 团队协作

  • Multi-Agent Collab：标准化团队协作流程
  • MoA：复杂决策时获得多模型视角

3. 智能体开发

  • Metacognition：让智能体自我进化
  • Agent Memory：构建持久化记忆

4. 研究与决策

  • MoA：高决策风险场景下的多模型验证
  • Metacognition：从历史中学习模式

📊 推荐指数排名

  1. ⭐⭐⭐⭐⭐ LLMFit - 硬件适配必备，零配置智能推荐
  2. ⭐⭐⭐⭐⭐ Multi-Agent Collab - 方法论层面，适用于所有多智能体系统
  3. ⭐⭐⭐⭐⭐ MoA - 质量提升显著，成本合理
  4. ⭐⭐⭐⭐ Metacognition - 前沿技术，自我进化能力
  5. ⭐⭐⭐⭐ Agent Memory - 基础能力，智能体必备

🚀 快速开始

安装 Skill

1
2
3
4
5
6
7
8
9
10
11
12
# 方法 1: 使用 ClawHub（推荐）
clawhub install llmfit
clawhub install multi-agent-collab
clawhub install moa
clawhub install metacognition
clawhub install agent-memory

# 方法 2: 手动安装
cd ~/clawd/skills/
git clone https://github.com/openclaw/skills.git
cp -r skills/skills/alexsjones/llmfit ./
# ... 其他 skill

配置环境变量

1
2
3
4
5
# MoA 需要 OpenRouter API Key
export OPENROUTER_API_KEY="your-key-here"

# Metacognition 可选本地嵌入端点
export EMBEDDINGS_URL="http://localhost:4821/v1/embeddings"

验证安装

1
2
3
4
5
6
7
8
# 测试 LLMFit
llmfit --json system

# 测试 MoA
node scripts/moa.js "测试问题"

# 测试 Metacognition
python3 scripts/metacognition.py list

💡 实用建议

1. 从 LLMFit 开始

如果你刚开始使用本地模型，先用 LLMFit 检测硬件并获取推荐，避免盲目下载大模型。

2. 组合使用 Skills

  • LLMFit + Multi-Agent Collab：硬件适配 + 团队协作
  • MoA + Metacognition：多模型决策 + 自我反思
  • Agent Memory + Metacognition：持久记忆 + 模式提取

3. 成本优化策略

  • 使用 Multi-Agent Collab 的模型分层：贵的想，便宜的干
  • MoA 虽然调用 4 个模型，但总成本仍低于单一 Opus
  • LLMFit 帮你选择最适合硬件的模型，避免资源浪费

4. 安全注意事项

  • Metacognition 仅允许本地网络，确保数据安全
  • MoA 需要 API Key，妥善保管
  • Agent Memory 存储敏感信息时注意加密

📚 延伸阅读

🔗 相关资源

明日预告：我们将探索 浏览器与自动化 分类，介绍如何用 Skills 实现浏览器自动化、网页抓取和 UI 测试！

本文是 OpenClaw Skill 每日推荐系列的第 1 篇，共 30 篇。关注本博客，每天解锁一个新分类！

标签: #OpenClaw #Skill #AI #LLM #大语言模型 #人工智能 #智能体 #多模型协作

分类: 技术推荐

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。