OpenClaw Agent Skill开发实战：从公众号到量化交易

AI Agent正在从“聊天工具”演变为能真正替你干活的“数字员工”，而Skill技能开发就是让Agent获得具体工作能力的关键。B站UP主诸葛老师在一场公开课中，用Codex、Claude Code和WorkBuddy三款工具，演示了如何从零开发企业级Agent Skill，覆盖公众号写作、量化分析、小红书自动化发布和线上故障排查等场景。

比方说你是开发应用的

为什么需要Skill开发

很多人用AI写文章、查资料，每次都要重新输入一大段提示词，效率很低。Skill的本质是把重复性工作封装成一个可复用的技能模块，之后让Agent直接调用即可。诸葛老师在课中举了一个直观的例子：如果你运营10个小红书账号，每天每个账号更新两篇图文，光发布就要花一两个小时；而开发一个自动化发布Skill后，20篇文章的发布可以压缩到一两分钟。

这种思路对非程序员同样友好。课程明确面向“从非程序员到程序员”的听众，核心不是让你学编程，而是学会指挥AI写代码、理清工作流程。

或者说有的同学在用的一些国内的工具

Agent Skill与提示词工程的区别

提示词工程关注的是“这一次怎么问”，优化的是单轮交互的表达方式；而Skill开发关注的是“这一类任务怎么固化下来”，产出的是一个可被反复调用的能力单元。一个完整的Skill通常包含三部分：任务描述（什么情况下触发）、执行流程（调用哪些工具、按什么顺序）、校验规则（输出是否合格）。这意味着Skill具备版本管理、参数化和组合复用等软件工程属性，而不只是一段写得更长的Prompt。业界常把这类封装称为“工具调用（Tool Use）”或“函数调用（Function Calling）”的上层编排，Agent在运行时根据任务语义选择并加载对应Skill，从而避免把全部指令塞进上下文窗口。

MCP协议

原文提到的MCP（Model Context Protocol）是Anthropic提出的一种开放协议，用于标准化大模型与外部数据源、工具之间的连接方式。在MCP出现之前，每个Agent工具接入公众号API、数据库或发布平台都要单独写适配代码；MCP把这些能力抽象成统一的“服务器”，模型通过协议描述就能发现并调用其中的工具和资源。对Skill开发而言，MCP相当于把“接入外部工具”这一步标准化了，开发者只需实现一次MCP Server，Codex、Claude Code等不同Agent客户端便可复用，这也是课程资料中把MCP列为重点笔记的原因。

三款Agent工具怎么选

实战环境围绕三款AI Agent工具展开：

Codex：默认接入GPT模型，能力较强，但使用后端有一定门槛。
Claude Code：以VS Code插件形式使用，更适合有技术背景的同学，可接入智谱等国内大模型。
WorkBuddy^广告：腾讯出品，与Codex类似但门槛更低，后端可选DeepSeek，性价比高。

诸葛老师强调，工具本身差异不大，能力强弱的关键在于后端大模型。国内MiniMax、Kimi、通义千问^广告、混元等都可以作为后端选择，按个人偏好搭配即可。

请帮我写篇文章

从一句话提示词到可复用技能

课程先用最简单的场景破冰：在Codex或WorkBuddy中输入“请帮我写一篇Codex使用入门的文章”，观察AI的输出质量。WorkBuddy会主动追问发布平台和风格，说明现代Agent已经具备一定的交互澄清能力。

但这只是起点。真正的Skill开发要把这类任务固化成结构化技能：定义输入输出、封装提示词模板、接入外部工具（如公众号API、股票数据接口、小红书发布接口），让Agent在需要时自动调用。诸葛老师展示的课程资料涵盖Codex、Claude Code、WorkBuddy从安装到精通的数百页文档，以及Cursor、MCP、Hermes、OpenClaw等相关工具的笔记，说明这套方法论已有较完整的实践积累。

连安装都不看

Agent的交互澄清能力

WorkBuddy在被要求写文章时主动追问发布平台和风格，这类行为通常被称为“澄清式追问”或“意图补全”。其背后是Agent在解析任务时识别出关键槽位（如平台、受众、字数、语气）缺失，从而在生成前发起补充提问，而不是凭猜测一次性输出。对Skill开发来说，这一机制可以被显式设计进技能流程：在Skill定义里声明必填参数和默认值，当用户输入不完整时触发追问，参数齐全后再进入执行阶段。这样既降低了用户每次描述任务的成本，也减少了因信息缺失导致的返工，是企业级Skill相较裸提示词更稳定的重要原因。

企业级场景：缓存架构与线上排查

面向有技术背景的同学，课程进一步延伸到企业级Agent设计。两个典型问题是：Agent应用的缓存架构怎么做，以及线上出问题时如何自动排查。传统排查可能要经历七八个步骤，而开发一个“线上问题排查Skill”后，Agent可以自动定位错误、分析原因甚至给出修复方案。这是Skill开发从个人提效走向工程化落地的关键一步。

Agent应用的缓存架构

Agent应用的缓存与传统Web缓存有明显差异，通常需要分层设计。常见做法包括：对系统提示词和工具描述做前缀缓存（Prompt Caching），避免每轮对话重复计费；对工具调用结果（如股票行情、公众号接口返回）设置带TTL的结果缓存，减少外部API调用；对向量检索类场景缓存嵌入结果。由于Agent一次任务可能产生多轮模型调用，缓存命中率直接影响响应延迟和token成本，因此在企业级落地中，缓存策略往往与上下文长度管理、模型路由一起被纳入架构设计。

实践建议

对想上手的读者，建议先从单一高频任务开始，比如固定格式的周报生成或内容发布，把提示词、工具调用和输出校验封装成一个Skill，跑通后再逐步扩展。工具选择上，国外工具能力更强但有门槛，国内WorkBuddy加DeepSeek的组合对新手更友好。需要提醒的是，本次课程内容来自直播实录，具体API接入和部署细节需结合官方文档实践。