尧图网页设计 
1. 14000 个 Skills 摆在面前手动试错为什么行不通OpenClaw 的 Skills 生态现在有 14000 多个条目这个数字第一次看到确实会让人兴奋但真正打开列表往下滚三分钟之后兴奋就会变成一种很具体的疲惫。每一个 Skill 的介绍页都写着自己能解决某类问题但没有任何一个页面会告诉你它最近有没有人维护、依赖的接口是不是还活着、装进去之后会不会往系统提示里塞一大段你根本不需要的说明。你只能一个一个装、一个一个试试完再卸卸完再装下一个。我试过用最笨的办法筛前 200 个装到第 30 个左右就放弃了。原因不是耐心不够而是每装一个 SkillAgent 的上下文就会膨胀一点。装到后面每次对话光是把这些 Skill 的描述塞进系统提示就要消耗掉三万多 token响应速度肉眼可见地变慢而且你已经开始记不清自己到底开了哪些权限。这种筛选方式的问题不在于慢而在于它不可复现——你今天试出来的结论明天换台机器、换个账号又得从头来一遍。所以真正要解决的不是“怎么更快地手动试”而是“怎么把筛选这件事变成一条可以重复跑的流水线”。这条流水线要能做到三件事批量读取 Skills 的元信息、用统一的模型入口去判断每个 Skill 是否值得保留、把判断结果落盘成一张可以反复查看的表。下面我就按这个思路把 config.toml 骨架、TaoToken 统一 Key 的配置、批量调用和失败重试的验证动作完整走一遍。2. 用 TaoToken 统一 Key 作为流水线的模型入口这条流水线里最容易被忽略、但最影响稳定性的部分是模型调用入口。你筛选 14000 个 Skills不可能靠人一个个看介绍一定是让模型去读每个 Skill 的元信息然后输出一个“可用 / 存疑 / 淘汰”的判断。这就意味着你会在短时间内发出大量请求如果每个请求都去单独配一个 Key、单独处理限流和重试光是这部分胶水代码就够你写半天。TaoToken 在这里的作用是提供一个统一的 API 入口你只需要在配置文件里写一次 Key 和 base_url后面所有批量判断的请求都走同一个出口。它的 API 地址是https://taotoken.net/api控制台里可以创建和管理 API Keys接入文档里有不同语言的最小调用示例。我实测下来把 Key 统一之后批量脚本里关于鉴权的那部分代码基本可以删干净剩下的逻辑全部集中在“读元信息 → 拼 prompt → 收结果 → 落盘”这四步上。需要提前说清楚的是TaoToken 在这里扮演的是模型调用入口的角色它不替代 OpenClaw 本身也不替代你的编辑器或终端。你的 Skills 筛选逻辑、结果表结构、重试策略仍然是你自己写在脚本里的。统一 Key 只是让这条流水线在模型调用这一层不再成为瓶颈。如果你还没有 Key可以先到控制台的 API Keys 页面创建一个创建的时候注意把权限范围设成最小可用不要一上来就给全权限。创建完之后把 Key 存到环境变量里不要直接写进 config.toml 然后提交到仓库。3. 可复制的 config.toml 骨架与批量筛选脚本先给 config.toml 的骨架。这个文件的作用是把“模型入口”“Skills 清单路径”“结果落盘路径”“重试参数”这四类信息集中管理脚本运行时只读这个文件不把任何敏感信息硬编码在代码里。# config.toml [model] provider taotoken base_url https://taotoken.net/api api_key_env TAOTOKEN_API_KEY model_name claude-sonnet timeout_seconds 60 max_retries 3 retry_backoff_seconds 2 [skills] source_file ./data/skills_raw.jsonl output_file ./data/skills_judged.jsonl failed_file ./data/skills_failed.jsonl batch_size 20 concurrency 4 [filter] min_downloads 1000 max_days_since_update 90 require_official_badge false这里有几个参数值得单独说。batch_size控制每次请求里塞多少个 Skill 的元信息我实测下来 20 是一个比较稳的值再大容易让模型输出格式跑偏再小则请求数太多。concurrency控制并发数4 是一个保守值如果你的账号额度比较充裕可以往上调但建议先跑 100 条观察一下失败率。max_retries和retry_backoff_seconds是给失败重试用的后面会专门讲。接下来是批量筛选脚本的核心部分。我用 Python 写因为处理 jsonl 和并发都比较顺手。import json import os import time import tomllib import asyncio import httpx with open(config.toml, rb) as f: cfg tomllib.load(f) API_KEY os.environ[cfg[model][api_key_env]] BASE_URL cfg[model][base_url] MODEL cfg[model][model_name] def load_skills(path): skills [] with open(path, r, encodingutf-8) as f: for line in f: line line.strip() if line: skills.append(json.loads(line)) return skills def build_prompt(batch): items [] for s in batch: items.append({ id: s[id], name: s.get(name, ), desc: s.get(description, )[:300], downloads: s.get(downloads, 0), last_update: s.get(last_update, ), official: s.get(official, False), }) return ( 你是 OpenClaw Skills 质量评估助手。对下面每个 Skill 输出一个判断 只返回 JSON 数组每个元素包含 id、verdict、reason 三个字段。 verdict 只能是 keep、review、drop 三者之一。 keep 表示元信息完整且看起来在维护review 表示信息不足需要人工看 drop 表示明显重复、停更或描述与功能不符。\n\n json.dumps(items, ensure_asciiFalse) ) async def judge_batch(client, batch, sem): async with sem: prompt build_prompt(batch) for attempt in range(cfg[model][max_retries]): try: resp await client.post( f{BASE_URL}/v1/messages, headers{ x-api-key: API_KEY, anthropic-version: 2023-06-01, content-type: application/json, }, json{ model: MODEL, max_tokens: 2000, messages: [{role: user, content: prompt}], }, timeoutcfg[model][timeout_seconds], ) resp.raise_for_status() text resp.json()[content][0][text] return json.loads(text) except Exception as e: wait cfg[model][retry_backoff_seconds] * (attempt 1) print(fbatch failed attempt {attempt1}: {e}, retry in {wait}s) await asyncio.sleep(wait) return None async def main(): skills load_skills(cfg[skills][source_file]) batch_size cfg[skills][batch_size] batches [skills[i:ibatch_size] for i in range(0, len(skills), batch_size)] sem asyncio.Semaphore(cfg[skills][concurrency]) async with httpx.AsyncClient() as client: tasks [judge_batch(client, b, sem) for b in batches] results await asyncio.gather(*tasks) ok, failed [], [] for batch, res in zip(batches, results): if res is None: failed.extend(batch) else: ok.extend(res) with open(cfg[skills][output_file], w, encodingutf-8) as f: for r in ok: f.write(json.dumps(r, ensure_asciiFalse) \n) with open(cfg[skills][failed_file], w, encodingutf-8) as f: for s in failed: f.write(json.dumps(s, ensure_asciiFalse) \n) print(fdone: {len(ok)} judged, {len(failed)} failed) if __name__ __main__: asyncio.run(main())这段脚本里build_prompt把每个 Skill 的元信息裁剪到 300 字以内避免单个条目太长把上下文撑爆。judge_batch里做了三层保护超时、重试、退避。重试次数和退避秒数都从 config.toml 读改参数不用动代码。最后把成功的结果写进skills_judged.jsonl失败的原始条目写进skills_failed.jsonl方便你单独重跑。4. 验证请求与结果落盘怎么确认流水线真的跑通了脚本写完之后不要直接对着 14000 条跑先拿 100 条做一次小规模验证。把skills_raw.jsonl截取前 100 行然后运行脚本观察三件事请求有没有正常返回、返回的 JSON 能不能被解析、落盘的文件里 verdict 分布是否合理。如果一切正常你会看到终端输出类似done: 100 judged, 0 failed然后skills_judged.jsonl里每一行都是一个带 id、verdict、reason 的对象。你可以用下面这行命令快速看一下 verdict 的分布python -c import json, collections c collections.Counter() for line in open(data/skills_judged.jsonl): c[json.loads(line)[verdict]] 1 print(c) 我实测下来前 100 条里 keep 大概占 15% 到 25%review 占 30% 左右剩下的是 drop。如果你的结果里 drop 占比超过 90%先别急着高兴很可能是 prompt 里的判断标准写得太严或者模型把“信息不足”一律判成了 drop。这时候应该回去调 prompt而不是直接拿这个结果去删 Skill。确认小规模没问题之后再把完整清单跑一遍。14000 条按 batch_size 20 算是 700 个请求并发 4 的情况下大概十几分钟能跑完。跑完之后skills_failed.jsonl里应该只有少量条目如果失败数超过 5%说明并发或超时参数需要调。对于失败的那部分单独写一个重跑脚本只读skills_failed.jsonl把并发降到 1超时调到 120 秒再跑一次。大部分失败都是瞬时超时或限流导致的降速重跑基本都能救回来。5. 本篇常见错排查第一个常见错是tomllib导入失败。这个模块是 Python 3.11 才进标准库的如果你用的是 3.10 或更早需要换成tomli然后在代码里import tomli as tomllib。这个报错信息很直白但第一次遇到容易愣一下。第二个常见错是请求返回 401。先检查环境变量TAOTOKEN_API_KEY有没有真的设上在终端里echo $TAOTOKEN_API_KEY看一下。如果设了但还是 401去控制台确认这个 Key 有没有被禁用或过期。注意不要把 Key 写进 config.toml 再提交这个文件应该是可以公开的Key 只走环境变量。第三个常见错是模型返回的文本不是合法 JSON。这通常是因为 batch_size 太大模型输出到后面开始加解释性文字。解决办法是把 batch_size 降到 10 或 5同时在 prompt 里再强调一次“只返回 JSON 数组不要任何其他文字”。如果还是不行可以在解析前先做一次清洗把文本里第一个[到最后一个]之间的内容截出来再解析。第四个常见错是落盘文件为空。检查output_file的目录是否存在脚本不会自动创建目录。另外确认skills_raw.jsonl里每一行都是合法 JSON如果有一行格式坏了load_skills会在那一行直接抛异常后面的都读不到。第五个常见错是并发调太高导致大量 429。把concurrency降到 2 甚至 1同时把retry_backoff_seconds调大。筛选这件事不是实时任务慢一点没关系稳定比快重要。6. 把筛选结果接回你的工作流跑完这条流水线之后你手里会有一张skills_judged.jsonl里面每个 Skill 都有一个 verdict 和一句 reason。接下来要做的是把 keep 的那部分挑出来按功能分类然后决定哪些进常驻、哪些按需开启。review 的那部分不要直接扔可以单独存一个文件等你有空的时候人工扫一眼很多时候 review 里藏着一些元信息不全但实际能用的 Skill。如果你后面想把这条流水线做成定期任务比如每周跑一次只需要把skills_raw.jsonl的生成步骤换成从 OpenClaw 拉取最新清单其余部分不用改。模型入口那一层因为用了统一的 Key 和 base_url换模型或者换额度方案的时候也只需要改 config.toml 里的两行。批量判断的请求走的是 TaoToken 的 API接入文档里有完整的请求格式和错误码说明遇到不认识的返回码可以直接对照查。如果你更想先在对话界面里手动试几个 Skill 的判断效果可以到模型对话页面直接贴 prompt 跑几条确认判断标准符合你的预期之后再回到脚本里批量跑。长期做编码和 Agent 相关工作的可以看一下 Coding Plan把模型调用额度集中管理省得每次批量任务都担心额度不够。最后留一个我踩过的坑不要一上来就对 14000 条全量跑先用 100 条验证 prompt 和落盘逻辑再逐步放大。筛选流水线的价值不在于一次跑完而在于它可以反复跑、每次跑完你都能拿到一张结构一致的表。 实测 OpenClaw 14000 个 Skills：用 TaoToken 统一 Key 跑通筛选流水线
1. 14000 个 Skills 摆在面前手动试错为什么行不通OpenClaw 的 Skills 生态现在有 14000 多个条目这个数字第一次看到确实会让人兴奋但真正打开列表往下滚三分钟之后兴奋就会变成一种很具体的疲惫。每一个 Skill 的介绍页都写着自己能解决某类问题但没有任何一个页面会告诉你它最近有没有人维护、依赖的接口是不是还活着、装进去之后会不会往系统提示里塞一大段你根本不需要的说明。你只能一个一个装、一个一个试试完再卸卸完再装下一个。我试过用最笨的办法筛前 200 个装到第 30 个左右就放弃了。原因不是耐心不够而是每装一个 SkillAgent 的上下文就会膨胀一点。装到后面每次对话光是把这些 Skill 的描述塞进系统提示就要消耗掉三万多 token响应速度肉眼可见地变慢而且你已经开始记不清自己到底开了哪些权限。这种筛选方式的问题不在于慢而在于它不可复现——你今天试出来的结论明天换台机器、换个账号又得从头来一遍。所以真正要解决的不是“怎么更快地手动试”而是“怎么把筛选这件事变成一条可以重复跑的流水线”。这条流水线要能做到三件事批量读取 Skills 的元信息、用统一的模型入口去判断每个 Skill 是否值得保留、把判断结果落盘成一张可以反复查看的表。下面我就按这个思路把 config.toml 骨架、TaoToken 统一 Key 的配置、批量调用和失败重试的验证动作完整走一遍。2. 用 TaoToken 统一 Key 作为流水线的模型入口这条流水线里最容易被忽略、但最影响稳定性的部分是模型调用入口。你筛选 14000 个 Skills不可能靠人一个个看介绍一定是让模型去读每个 Skill 的元信息然后输出一个“可用 / 存疑 / 淘汰”的判断。这就意味着你会在短时间内发出大量请求如果每个请求都去单独配一个 Key、单独处理限流和重试光是这部分胶水代码就够你写半天。TaoToken 在这里的作用是提供一个统一的 API 入口你只需要在配置文件里写一次 Key 和 base_url后面所有批量判断的请求都走同一个出口。它的 API 地址是https://taotoken.net/api控制台里可以创建和管理 API Keys接入文档里有不同语言的最小调用示例。我实测下来把 Key 统一之后批量脚本里关于鉴权的那部分代码基本可以删干净剩下的逻辑全部集中在“读元信息 → 拼 prompt → 收结果 → 落盘”这四步上。需要提前说清楚的是TaoToken 在这里扮演的是模型调用入口的角色它不替代 OpenClaw 本身也不替代你的编辑器或终端。你的 Skills 筛选逻辑、结果表结构、重试策略仍然是你自己写在脚本里的。统一 Key 只是让这条流水线在模型调用这一层不再成为瓶颈。如果你还没有 Key可以先到控制台的 API Keys 页面创建一个创建的时候注意把权限范围设成最小可用不要一上来就给全权限。创建完之后把 Key 存到环境变量里不要直接写进 config.toml 然后提交到仓库。3. 可复制的 config.toml 骨架与批量筛选脚本先给 config.toml 的骨架。这个文件的作用是把“模型入口”“Skills 清单路径”“结果落盘路径”“重试参数”这四类信息集中管理脚本运行时只读这个文件不把任何敏感信息硬编码在代码里。# config.toml [model] provider taotoken base_url https://taotoken.net/api api_key_env TAOTOKEN_API_KEY model_name claude-sonnet timeout_seconds 60 max_retries 3 retry_backoff_seconds 2 [skills] source_file ./data/skills_raw.jsonl output_file ./data/skills_judged.jsonl failed_file ./data/skills_failed.jsonl batch_size 20 concurrency 4 [filter] min_downloads 1000 max_days_since_update 90 require_official_badge false这里有几个参数值得单独说。batch_size控制每次请求里塞多少个 Skill 的元信息我实测下来 20 是一个比较稳的值再大容易让模型输出格式跑偏再小则请求数太多。concurrency控制并发数4 是一个保守值如果你的账号额度比较充裕可以往上调但建议先跑 100 条观察一下失败率。max_retries和retry_backoff_seconds是给失败重试用的后面会专门讲。接下来是批量筛选脚本的核心部分。我用 Python 写因为处理 jsonl 和并发都比较顺手。import json import os import time import tomllib import asyncio import httpx with open(config.toml, rb) as f: cfg tomllib.load(f) API_KEY os.environ[cfg[model][api_key_env]] BASE_URL cfg[model][base_url] MODEL cfg[model][model_name] def load_skills(path): skills [] with open(path, r, encodingutf-8) as f: for line in f: line line.strip() if line: skills.append(json.loads(line)) return skills def build_prompt(batch): items [] for s in batch: items.append({ id: s[id], name: s.get(name, ), desc: s.get(description, )[:300], downloads: s.get(downloads, 0), last_update: s.get(last_update, ), official: s.get(official, False), }) return ( 你是 OpenClaw Skills 质量评估助手。对下面每个 Skill 输出一个判断 只返回 JSON 数组每个元素包含 id、verdict、reason 三个字段。 verdict 只能是 keep、review、drop 三者之一。 keep 表示元信息完整且看起来在维护review 表示信息不足需要人工看 drop 表示明显重复、停更或描述与功能不符。\n\n json.dumps(items, ensure_asciiFalse) ) async def judge_batch(client, batch, sem): async with sem: prompt build_prompt(batch) for attempt in range(cfg[model][max_retries]): try: resp await client.post( f{BASE_URL}/v1/messages, headers{ x-api-key: API_KEY, anthropic-version: 2023-06-01, content-type: application/json, }, json{ model: MODEL, max_tokens: 2000, messages: [{role: user, content: prompt}], }, timeoutcfg[model][timeout_seconds], ) resp.raise_for_status() text resp.json()[content][0][text] return json.loads(text) except Exception as e: wait cfg[model][retry_backoff_seconds] * (attempt 1) print(fbatch failed attempt {attempt1}: {e}, retry in {wait}s) await asyncio.sleep(wait) return None async def main(): skills load_skills(cfg[skills][source_file]) batch_size cfg[skills][batch_size] batches [skills[i:ibatch_size] for i in range(0, len(skills), batch_size)] sem asyncio.Semaphore(cfg[skills][concurrency]) async with httpx.AsyncClient() as client: tasks [judge_batch(client, b, sem) for b in batches] results await asyncio.gather(*tasks) ok, failed [], [] for batch, res in zip(batches, results): if res is None: failed.extend(batch) else: ok.extend(res) with open(cfg[skills][output_file], w, encodingutf-8) as f: for r in ok: f.write(json.dumps(r, ensure_asciiFalse) \n) with open(cfg[skills][failed_file], w, encodingutf-8) as f: for s in failed: f.write(json.dumps(s, ensure_asciiFalse) \n) print(fdone: {len(ok)} judged, {len(failed)} failed) if __name__ __main__: asyncio.run(main())这段脚本里build_prompt把每个 Skill 的元信息裁剪到 300 字以内避免单个条目太长把上下文撑爆。judge_batch里做了三层保护超时、重试、退避。重试次数和退避秒数都从 config.toml 读改参数不用动代码。最后把成功的结果写进skills_judged.jsonl失败的原始条目写进skills_failed.jsonl方便你单独重跑。4. 验证请求与结果落盘怎么确认流水线真的跑通了脚本写完之后不要直接对着 14000 条跑先拿 100 条做一次小规模验证。把skills_raw.jsonl截取前 100 行然后运行脚本观察三件事请求有没有正常返回、返回的 JSON 能不能被解析、落盘的文件里 verdict 分布是否合理。如果一切正常你会看到终端输出类似done: 100 judged, 0 failed然后skills_judged.jsonl里每一行都是一个带 id、verdict、reason 的对象。你可以用下面这行命令快速看一下 verdict 的分布python -c import json, collections c collections.Counter() for line in open(data/skills_judged.jsonl): c[json.loads(line)[verdict]] 1 print(c) 我实测下来前 100 条里 keep 大概占 15% 到 25%review 占 30% 左右剩下的是 drop。如果你的结果里 drop 占比超过 90%先别急着高兴很可能是 prompt 里的判断标准写得太严或者模型把“信息不足”一律判成了 drop。这时候应该回去调 prompt而不是直接拿这个结果去删 Skill。确认小规模没问题之后再把完整清单跑一遍。14000 条按 batch_size 20 算是 700 个请求并发 4 的情况下大概十几分钟能跑完。跑完之后skills_failed.jsonl里应该只有少量条目如果失败数超过 5%说明并发或超时参数需要调。对于失败的那部分单独写一个重跑脚本只读skills_failed.jsonl把并发降到 1超时调到 120 秒再跑一次。大部分失败都是瞬时超时或限流导致的降速重跑基本都能救回来。5. 本篇常见错排查第一个常见错是tomllib导入失败。这个模块是 Python 3.11 才进标准库的如果你用的是 3.10 或更早需要换成tomli然后在代码里import tomli as tomllib。这个报错信息很直白但第一次遇到容易愣一下。第二个常见错是请求返回 401。先检查环境变量TAOTOKEN_API_KEY有没有真的设上在终端里echo $TAOTOKEN_API_KEY看一下。如果设了但还是 401去控制台确认这个 Key 有没有被禁用或过期。注意不要把 Key 写进 config.toml 再提交这个文件应该是可以公开的Key 只走环境变量。第三个常见错是模型返回的文本不是合法 JSON。这通常是因为 batch_size 太大模型输出到后面开始加解释性文字。解决办法是把 batch_size 降到 10 或 5同时在 prompt 里再强调一次“只返回 JSON 数组不要任何其他文字”。如果还是不行可以在解析前先做一次清洗把文本里第一个[到最后一个]之间的内容截出来再解析。第四个常见错是落盘文件为空。检查output_file的目录是否存在脚本不会自动创建目录。另外确认skills_raw.jsonl里每一行都是合法 JSON如果有一行格式坏了load_skills会在那一行直接抛异常后面的都读不到。第五个常见错是并发调太高导致大量 429。把concurrency降到 2 甚至 1同时把retry_backoff_seconds调大。筛选这件事不是实时任务慢一点没关系稳定比快重要。6. 把筛选结果接回你的工作流跑完这条流水线之后你手里会有一张skills_judged.jsonl里面每个 Skill 都有一个 verdict 和一句 reason。接下来要做的是把 keep 的那部分挑出来按功能分类然后决定哪些进常驻、哪些按需开启。review 的那部分不要直接扔可以单独存一个文件等你有空的时候人工扫一眼很多时候 review 里藏着一些元信息不全但实际能用的 Skill。如果你后面想把这条流水线做成定期任务比如每周跑一次只需要把skills_raw.jsonl的生成步骤换成从 OpenClaw 拉取最新清单其余部分不用改。模型入口那一层因为用了统一的 Key 和 base_url换模型或者换额度方案的时候也只需要改 config.toml 里的两行。批量判断的请求走的是 TaoToken 的 API接入文档里有完整的请求格式和错误码说明遇到不认识的返回码可以直接对照查。如果你更想先在对话界面里手动试几个 Skill 的判断效果可以到模型对话页面直接贴 prompt 跑几条确认判断标准符合你的预期之后再回到脚本里批量跑。长期做编码和 Agent 相关工作的可以看一下 Coding Plan把模型调用额度集中管理省得每次批量任务都担心额度不够。最后留一个我踩过的坑不要一上来就对 14000 条全量跑先用 100 条验证 prompt 和落盘逻辑再逐步放大。筛选流水线的价值不在于一次跑完而在于它可以反复跑、每次跑完你都能拿到一张结构一致的表。