企业官网建设流程全解析

1. 为什么我要给龙虾智能体写自定义 Skill

龙虾智能体（OpenClaw）基础部署跑通之后，你会发现它默认能力其实很"通用"：能聊天、能查资料、能写点代码，但一旦涉及你团队内部的业务逻辑，比如"读一下我们销售系统的 CSV 然后出一份周报"，它就抓瞎了。原因很简单——它不知道你的数据长什么样，也不知道你的报告格式要求。

这就是 Skill 插件存在的意义。Skill 本质上是给 Agent 挂载的一个"能力模块"，它用一份描述文件告诉模型三件事：这个能力叫什么、需要传什么参数、执行后返回什么。模型负责理解用户意图并决定调用哪个 Skill，真正的脏活累活交给你的 handler 代码去干。这样一来，Agent 就从"通用助手"变成了"懂你业务的数字同事"。

这篇内容面向的是已经跑通 OpenClaw 基础环境、想进一步扩展私有能力的开发者。我会带你从零写一个可用的 Skill 插件，把目录骨架、skill.md元数据、handler 逻辑、config.toml与settings.json配置片段全部给出来，然后重点讲多模型适配——也就是怎么通过 TaoToken 的统一 Key 和 API 通道，让同一个 Skill 在不同模型之间自由切换，最后完成插件注册、模型切换、调用回显的端到端验证。全程可复制，踩过的坑我也会标出来。

2. TaoToken 前置准备：统一 Key 与通道配置

在写 Skill 之前，先把模型接入这一层理顺。OpenClaw 支持多种模型后端，但如果你每个模型都单独配一套 Key、单独维护 base_url，配置会迅速膨胀成一团乱麻。我的做法是统一走 TaoToken 的 API 通道，一个 Key 覆盖多个模型，切换模型时只改模型名，不动鉴权信息。

先拿到你的 API Key。登录 TaoToken 控制台，在 API Keys 页面创建一个新 Key，建议按用途命名，比如openclaw-skill-dev，方便后续排查是哪个环境在调用。创建后立刻复制保存，页面刷新后就看不到完整 Key 了。

拿到 Key 之后，OpenClaw 侧的接入信息这样填：

这里有个细节要注意：Base URL 填https://taotoken.net/api就够了，OpenClaw 内部会拼接/v1/chat/completions这类路径。如果你手动填成带/v1的地址，容易出现路径重复导致 404。我一开始就踩过这个坑，报错信息是404 page not found，排查了半天才发现是路径拼了两遍。

配置写进 OpenClaw 的主配置文件config.toml：

[model] provider = "openai-compatible" base_url = "https://taotoken.net/api" api_key = "sk-你的TaoToken密钥" default_model = "claude-sonnet" timeout = 60 [model.fallback] enabled = true chain = ["claude-sonnet", "gpt-4o", "qwen-plus"]

fallback这一段是多模型适配的关键。当首选模型超时或返回错误时，OpenClaw 会按chain顺序自动降级到下一个模型，保证 Skill 调用不会因为单个模型抖动而整体失败。这个降级链在跑批处理任务时特别有用。

3. 可复制的 Skill 插件目录骨架

一个规范的 Skill 插件目录长这样，我建议你直接照这个结构建：

csv-analyzer/ ├── skill.md # Skill 元数据与参数 Schema ├── handler.py # 执行逻辑（Python 实现） ├── handler.js # 执行逻辑（Node.js 实现，二选一） ├── config.json # Skill 级默认配置 ├── requirements.txt # Python 依赖 └── README.md # 使用说明

skill.md是整个插件的入口，模型靠它理解这个 Skill 能干什么。下面是一个可直接用的模板：

--- name: csv-analyzer description: 分析 CSV 文件并生成统计报告，支持概况、相关性、分布三种分析类型 parameters: - name: file_path type: string description: CSV 文件的绝对路径 required: true - name: analysis_type type: string description: 分析类型，可选 summary、correlation、distribution default: summary enum: [summary, correlation, distribution] handler: handler.py runtime: python dependencies: - pandas - numpy ---

description这一行非常关键，模型就是靠它判断"用户这句话该不该触发这个 Skill"。写得太笼统（比如"分析数据"）会导致误触发，写得太窄又会导致该调用时不调用。我的经验是把触发场景和参数含义都写进去，模型的理解准确率会明显提升。

handler 用 Python 实现，核心逻辑是读 CSV、按分析类型算统计量、返回 JSON：

import pandas as pd import numpy as np import json import sys def analyze_csv(file_path, analysis_type): df = pd.read_csv(file_path) result = { "file": file_path, "rows": len(df), "columns": len(df.columns), "column_names": list(df.columns) } if analysis_type == "summary": numeric_cols = df.select_dtypes(include=[np.number]).columns result["numeric_summary"] = {} for col in numeric_cols: result["numeric_summary"][col] = { "mean": float(df[col].mean()), "median": float(df[col].median()), "std": float(df[col].std()), "min": float(df[col].min()), "max": float(df[col].max()), "null_count": int(df[col].isnull().sum()) } elif analysis_type == "correlation": numeric_df = df.select_dtypes(include=[np.number]) if len(numeric_df.columns) > 1: result["correlation_matrix"] = numeric_df.corr().to_dict() print(json.dumps(result, ensure_ascii=False)) if __name__ == "__main__": params = json.loads(sys.argv[1]) analyze_csv(params["file_path"], params.get("analysis_type", "summary"))

注意最后是print出 JSON 而不是return，因为 OpenClaw 通过标准输出捕获 handler 的结果。如果你用 Node.js 写，对应的是console.log。这个约定不遵守的话，Skill 会执行成功但返回空结果，很难排查。

4. 多模型适配：settings.json 与动态路由

Skill 写好了，接下来是让它能在多个模型之间灵活切换。OpenClaw 的模型路由配置放在settings.json里，支持按关键词匹配自动选模型：

{ "model_routing": { "rules": [ { "pattern": "code|编程|代码|bug|debug", "model": "deepseek-coder" }, { "pattern": "translate|翻译", "model": "qwen-plus" }, { "pattern": ".*", "model": "claude-sonnet" } ] }, "model_fallback": { "claude-sonnet": ["gpt-4o", "qwen-plus"], "deepseek-coder": ["gpt-4o"] } }

规则从上往下匹配，第一条命中就停止。所以兜底的.*必须放最后。我实测下来，把代码类请求路由到专门的代码模型，生成质量比通用模型稳定不少，尤其是涉及多文件重构的场景。

模型选择上，我整理了一张对照表供参考：

需要说明的是，这些模型都通过同一个 TaoToken Key 调用，你不需要为每个模型单独申请账号。切换模型时只改settings.json里的模型名，鉴权信息完全不动，这是统一通道最大的好处。

如果你要长期跑编码类 Agent 任务，可以考虑 TaoToken 的 Coding Plan，它在高频调用场景下比按量计费更划算，具体可以在控制台里对比一下用量再决定。

5. 验证请求：注册 Skill 并跑通端到端回显

配置齐了，现在做端到端验证。第一步安装 Skill：

openclaw skill install ./csv-analyzer

安装成功后应该能看到类似Skill csv-analyzer registered的回显。如果报skill.md not found，检查你是不是在插件目录的上一级执行命令——install后面跟的应该是插件目录路径。

第二步，准备一份测试 CSV：

cat > /tmp/test-sales.csv << 'EOF' date,region,amount,quantity 2024-01-01,North,1200,3 2024-01-02,South,800,2 2024-01-03,North,1500,4 2024-01-04,East,950,2 EOF

第三步，发起调用：

openclaw chat "用 csv-analyzer 分析 /tmp/test-sales.csv，给我概况"

预期回显里应该包含rows: 4、columns: 4，以及amount和quantity两列的均值、中位数等统计量。如果模型正确触发了 Skill，你会看到它先输出一段"正在调用 csv-analyzer"的说明，然后贴出 JSON 结果。

第四步，验证多模型切换。把settings.json里的默认模型从claude-sonnet改成qwen-plus，重启 OpenClaw 后重复上面的调用。结果 JSON 应该完全一致，因为 Skill 的执行逻辑和模型无关，模型只负责"决定调用"这一层。这一步能跑通，说明你的多模型适配链路是通的。

6. 本篇常见错误排查

Skill 注册成功但模型不调用。九成是description写得太模糊。模型判断是否调用 Skill 完全依赖这段描述，如果它和用户 query 的语义距离太远，模型就会选择直接回答而不是调用。解决办法是把典型触发语句写进描述，比如"当用户要求分析 CSV、生成数据报告时使用"。

handler 执行报ModuleNotFoundError。Python 依赖没装。在插件目录下执行pip install -r requirements.txt，注意要装到 OpenClaw 运行时的同一个 Python 环境里。如果你用虚拟环境，确认 OpenClaw 启动时激活的是同一个。

调用返回 401 或 403。检查config.toml里的api_key是否完整、有没有多余空格。TaoToken 的 Key 以sk-开头，复制时容易带上首尾空白。另外确认base_url是https://taotoken.net/api，不要手动加/v1。

模型降级不生效。model_fallback的 key 必须和model_routing里出现的模型名完全一致，大小写敏感。我见过把claude-sonnet写成Claude-Sonnet导致降级链匹配不上的情况。

返回结果为空但没报错。大概率是 handler 用了return而不是print/console.log。OpenClaw 通过标准输出读取结果，函数返回值它拿不到。

切换模型后 Skill 行为异常。不同模型对参数 Schema 的理解能力有差异。如果某个模型频繁传错参数类型，可以在skill.md的description里把参数格式写得更明确，比如"file_path 必须是绝对路径，以 / 开头"。

排查时建议打开 OpenClaw 的 debug 日志，能看到每次请求实际路由到了哪个模型、Skill 是否被触发、handler 的原始输出是什么。这三个信息基本能定位绝大多数问题。

接入相关的配置细节和 API 参数说明，可以对照 TaoToken 的接入文档核对；想先验证模型对话是否正常，可以直接在模型对话页面发一条测试消息；长期跑编码类 Agent 的话，Coding Plan 的用量模型值得对比一下。