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

每天介绍一个 OpenClaw Skill 分类，今日分类：AI & LLMs
共 184 个 Skills，是 OpenClaw 生态中最大的分类

📋 分类概述

AI & LLMs 分类是 OpenClaw 技能生态中最庞大的分类，汇聚了 184 个与大语言模型和 AI Agent 直接相关的技能。从持久记忆、多模型协作到自我反思和 Token 优化，这个分类几乎涵盖了 AI Agent 的所有核心能力建设。

分类中的技能可以归纳为以下几个方向：

方向 代表技能 说明
记忆系统 agent-memory, mnemon 让 Agent 拥有持久记忆
多模型协作 moa, llmcouncil-router 多模型辩论与智能路由
自我认知 metacognition, anti-regression 自我反思与行为约束
Token 优化 smart-context, compression 降低成本、提升效率
安全防护 anti-injection-skill, pincer 防注入与安全审计
Agent 编排 agent-orchestrator, multi-agent-collab 多 Agent 协调

🏆 精选 Skill 详解

1. agent-memory — Agent 持久记忆系统

GitHub: openclaw/skills - agent-memory

核心功能： 为 AI Agent 提供持久化记忆能力，让 Agent 能够跨会话存储和检索信息。

实用场景：

  • 用户偏好记忆：记住用户的口味、工作习惯、常用工具
  • 项目上下文持久化：跨会话保持项目进度和决策记录
  • 对话历史压缩：将冗长的对话历史压缩为结构化记忆条目
  • 知识积累：Agent 从交互中学习并积累领域知识

技术实现机制：

  • 采用文件系统作为记忆存储后端（JSON/Markdown）
  • 提供写入（Write）、存储（Store）、回忆（Recall）、推理（Reason）四层 API
  • 支持语义检索和关键词索引双模式
  • 记忆条目支持时间戳、标签、优先级等元数据

推荐指数：⭐⭐⭐⭐⭐ (5/5)

评价：记忆系统是 AI Agent 从”金鱼脑”走向真正助手的核心基础设施。这个 Skill 设计简洁但覆盖了记忆系统的关键需求，是构建长期可信赖 Agent 的必备组件。

2. moa (Mixture of Agents) — 多模型辩论与综合

GitHub: openclaw/skills - moa

核心功能： 让 3 个前沿 LLM 就同一问题展开辩论，然后综合它们的最佳见解，输出一个更优的答案。

实用场景：

  • 复杂技术决策：让 GPT-4、Claude、Gemini 分别给出架构方案，综合选择最优
  • 创意内容生成：多模型从不同角度生成，取其精华
  • 代码审查：多个模型交叉审查，发现单一模型容易遗漏的 Bug
  • 研究问题分析：利用不同模型的知识优势互补

技术实现机制：

  • 并行调用 3 个前沿模型（如 GPT-4、Claude 3.5、Gemini Pro）
  • 第一轮：各模型独立给出答案和推理
  • 第二轮：各模型看到其他模型的答案后进行交叉评论
  • 第三轮：综合所有讨论，输出最终答案
  • 支持 Round 数配置，可扩展为更多轮辩论
1
2
3
4
5
# 使用示例
skills:
  - moa
# 在对话中触发：
# "用 MoA 分析：微服务 vs 单体架构的优劣"

推荐指数：⭐⭐⭐⭐⭐ (5/5)

评价：Mixture of Agents 是 LLM 集成学习的优雅实现。通过让模型互相”辩论”，可以显著降低单一模型的偏见和盲点。代价是 Token 消耗较高，但效果提升明显。

3. llmcouncil-router — LLM 智能路由

GitHub: openclaw/skills - llmcouncil-router

核心功能： 基于同行评审排名，将任意 Prompt 路由到表现最佳的 LLM。

实用场景：

  • 成本优化：简单任务路由到便宜模型，复杂任务路由到强模型
  • 质量保障：根据社区评测数据选择最擅长该任务的模型
  • A/B 测试：对比不同模型在同一任务上的表现
  • 多模型管理：统一入口管理多个 LLM Provider

技术实现机制：

  • 内置 LLM Council 排行榜数据（基于同行评审的模型排名）
  • 根据 Prompt 特征（代码/写作/推理/数学等）匹配最佳模型
  • 支持自定义模型偏好和成本约束
  • 路由决策透明可解释，附带排名依据
1
2
3
4
5
# 路由逻辑示意
def route_prompt(prompt: str) -> str:
    task_type = classify_task(prompt)  # code/writing/reasoning/math
    ranking = llm_council_rankings[task_type]
    return select_model(ranking, budget_constraint)

推荐指数：⭐⭐⭐⭐ (4/5)

评价：智能路由是多模型环境下的关键中间件。这个 Skill 的亮点在于引入了同行评审机制，让模型选择不再依赖固定规则，而是基于实际性能数据。适合需要管理多个 LLM Provider 的团队。

4. metacognition — Agent 自我反思引擎

GitHub: openclaw/skills - metacognition

核心功能： 为 AI Agent 提供自我反思能力，让 Agent 能够评估自身输出的质量并进行迭代改进。

实用场景：

  • 代码质量自检：Agent 生成代码后自动审查，发现潜在问题
  • 回答质量评估：对不确定的回答进行二次验证
  • 策略调整：根据反思结果调整后续行动策略
  • 错误学习：从失败中总结经验，避免重复犯错

技术实现机制：

  • 在 Agent 输出后插入”反思阶段”
  • 使用元认知 Prompt 模板引导自我评估：
    • “这个回答的置信度如何？”
    • “有哪些假设可能不成立？”
    • “是否有遗漏的边界情况？”
  • 反思结果写入记忆系统，供后续参考
  • 支持可配置的反思深度和频率
1
2
3
Agent 输出 → [反思引擎] → 质量评估 → 是否需要改进？
     ↑                                    ↓
     └────────── 迭代改进 ←───────────────┘

推荐指数：⭐⭐⭐⭐ (4/5)

评价：自我反思是 Agent 从”工具”走向”助手”的关键一步。这个 Skill 的价值在于将反思过程系统化、可配置化。代价是会增加 Token 消耗和响应时间，适合对输出质量要求高的场景。

5. smart-context — Token 效率引擎

GitHub: openclaw/skills - smart-context

核心功能： 通过响应大小控制、上下文裁剪、工具效率优化和任务委派，实现 Token 使用效率最大化。

实用场景：

  • 长对话场景：自动压缩历史消息，保留关键信息
  • 成本敏感场景：根据问题复杂度调整响应详细程度
  • 多工具场景：优化工具调用顺序，减少冗余调用
  • 委派场景：将简单子任务委派给更便宜的模型

技术实现机制：

  • 响应大小控制： 根据问题类型自动决定回复长度（简单问题简短回答，复杂问题详细展开）
  • 上下文裁剪： 使用滑动窗口 + 摘要策略，保留最近 N 轮原文 + 更早的摘要
  • 工具效率分析： 记录每个工具的调用成本和收益，优化调用策略
  • 任务委派： 识别可独立完成的子任务，委派给 sub-agent 或更经济的模型
1
2
3
4
5
6
7
8
Token 使用对比：
┌─────────────┬──────────────┬──────────────┐
│   场景      │  无 smart-context  │  有 smart-context  │
├─────────────┼──────────────┼──────────────┤
│  10轮对话   │   ~15K tokens    │   ~6K tokens      │
│  工具调用   │   12次调用       │   7次调用         │
│  响应长度   │   平均500字      │   按需调整         │
└─────────────┴──────────────┴──────────────┘

推荐指数：⭐⭐⭐⭐⭐ (5/5)

评价：Token 效率是 AI Agent 可持续运行的经济基础。这个 Skill 从多个维度系统性地优化 Token 使用，效果显著。对于需要长时间运行或处理大量请求的 Agent 来说，这是必备技能。

📊 推荐指数排名

排名 Skill 推荐指数 核心价值
1 agent-memory ⭐⭐⭐⭐⭐ Agent 持久记忆的基础设施
2 moa ⭐⭐⭐⭐⭐ 多模型辩论提升输出质量
3 smart-context ⭐⭐⭐⭐⭐ Token 效率最大化
4 llmcouncil-router ⭐⭐⭐⭐ 基于评审数据的智能路由
5 metacognition ⭐⭐⭐⭐ 自我反思与迭代改进

🎯 应用场景总结

场景一：构建长期记忆型 Agent

如果你需要一个能记住用户偏好、项目历史的 Agent：

1
agent-memory（记忆存储）+ metacognition（自我反思）+ smart-context（Token 优化）

这套组合让 Agent 具备”记住过去、反思现在、优化未来”的能力。适合个人助手、项目协作助手等长期使用场景。

场景二：高质量内容生成

如果你追求最高质量的内容输出：

1
moa（多模型辩论）+ llmcouncil-router（智能路由）+ agent-memory（知识积累）

先路由到最佳模型，再通过多模型辩论综合，最后将结果存入记忆供后续参考。适合研究报告、技术文档、代码审查等高质量要求场景。

场景三：成本敏感的批量处理

如果你需要处理大量请求且对成本敏感：

1
smart-context（Token 优化）+ llmcouncil-router（成本路由）+ compression（Prompt 压缩）

通过上下文裁剪、模型选择和 Prompt 压缩三重优化，可以降低 60%+ 的 Token 消耗。适合批量数据处理、客服自动化等大规模场景。

💡 实用建议

  1. 从记忆开始： 如果只安装一个 Skill，选 agent-memory。没有记忆的 Agent 永远只是聊天机器人。

  2. 质量 vs 成本： moa 追求质量但 Token 消耗高（3x），smart-context 追求效率但可能损失细节。根据场景权衡。

  3. 安全第一： 分类中有多个安全相关 Skill（anti-injection-skill、pincer、safety-checks），在开放环境下部署 Agent 时强烈建议安装。

  4. 组合使用： 这些 Skill 不是互斥的，组合使用效果倍增。例如 metacognition 的反思结果可以存入 agent-memory，llmcouncil-router 可以路由到 moa 进行辩论。

  5. 关注更新： 这个分类有 184 个 Skill，活跃度高，建议定期关注新增技能。完整列表见 awesome-openclaw-skills。

📅 明日预告

明日分类：Browser and Automation（浏览器自动化） — 让 Agent 能够操控浏览器，完成网页交互、数据抓取、自动化测试等任务。

本文是 OpenClaw Skill 每日推荐系列的一部分，每天介绍一个分类，共 30 个分类。

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。