Aethir Claw：Skills | 进阶技巧 | FAQs

本文对Aethir Claw Skills、进阶技巧、FAQs进行补充说明

本指南涵盖内容

🛠️ 第一节 — Skills

⚙️ 第二节 — 高级配置

❓ 第三节 — 常见问题

安装、管理全部 14 个内置 Skills

多模型路由、本地模型及完整配置 JSON 示例

最常见问题的解答与排查指引

1. Skills

1.1 安装额外 Skills

如果内置 Skills 无法满足需求，可通过以下两种方式从 ClawHub 安装更多 Skills：

方式

操作方法

方式一 — 自然语言

通过社交媒体机器人或 OpenClaw Dashboard，用自然语言指令让 Agent 安装 Skill。

方式二 — 命令行

运行：clawhub install <skill>

1.2 登录 ClawHub

ClawHub 是 OpenClaw 官方公开的 Skill 注册中心与商店。登录后可加速安装和升级——未登录可能会遇到权限错误。

ClawHub 登录需要通过远程桌面连接到云服务器。远程桌面配置步骤请参考《AethirClaw 安装配置指南》第 2.2 节。

通过远程桌面连接到云服务器

参考《AethirClaw 安装配置指南》第 2.2 节。

打开命令行窗口并登录

clawhub login

在浏览器中点击登录

浏览器窗口会自动打开，点击右上角 "Sign in with GitHub"。

使用账号登录

使用 GitHub、Google 或 Apple 账号登录。

进入 ClawHub 主页

登录成功后，进入 ClawHub 主页。

搜索要安装的 Skill

搜索想要安装的 Skill。

ClawHub 常用命令：

操作

命令

安装 Skill

clawhub install <skill>

更新全部 Skills

clawhub update --all

卸载 Skill

clawhub uninstall <skill>

示例：安装 Notion Skill，地址：https://clawhub.ai/steipete/notion

clawhub install notion

1.3 内置 Skills 说明

每台 AethirClaw 云服务器均预装以下 14 个 Skills，执行以下命令一键全部启用：

sh /preclaw/pre_skills.sh

快速概览：

Skill

功能说明

skill-vetter

审计 ClawHub Skills 的安全性，生成风险评估报告

Agent Browser

面向 AI Agent 的浏览器自动化 CLI，使用可访问性树（较 DOM 节省 93% 上下文）

Tavily Web Search

实时网络搜索，确保 Agent 信息及时更新

find-skills

让 Agent 自主在 ClawHub 上搜索并安装所需 Skills

weather

获取当前天气状况及预报

self-improving-agent

自我反思、自我批评与持续学习循环

summarize

对 URL 或文件进行摘要（网页、PDF、图片、音频、YouTube）

Proactive Agent

将 Agent 从被动执行转变为主动预判需求

gog

全套 Google 服务集成（Gmail、Calendar、Drive、Docs）

Clawsec

MITM 代理，实时监控和审计 AI Agent 流量

Multi Search Engine

多引擎搜索，支持高级运算符、时间过滤与 WolframAlpha

ontology

用于结构化 Agent 记忆的类型化知识图谱

GitHub

通过 gh CLI 与 GitHub 交互（Issue、PR、CI、API）

office-automation-test

生成日报、周报、会议纪要及办公自动化

1.3.1 skill-vetter

用途

审计 ClawHub Skills 的安全性，输出风险评级与详细审计报告。

使用示例

请对 ClawHub 上的 summarize Skill 进行安全审查，给出风险评级和审计报告。
检查此 Skill 的安全性：https://clawhub.ai/ivangdavila/self-improving

1.3.2 Agent Browser

用途

专为 AI Agent 设计的浏览器自动化命令行工具。使用可访问性树而非 DOM 描述页面内容，相比 Agent 直接控制浏览器，可节省 93% 的上下文窗口消耗。

前置依赖

npx playwright install  # 安装 Playwright 插件

打开网页

agent-browser open https://github.com/vercel-labs/agent-browser

获取页面快照（交互元素）

agent-browser snapshot -i

点击指定元素

agent-browser click @e1

填写输入框

agent-browser fill @e2 "文本内容"

关闭浏览器

agent-browser close

1.3.3 Tavily Web Search

用途

OpenClaw 的"实时信息大脑"。在线搜索 Skill，让 Agent 查询最新新闻与数据，避免幻觉回答，解决信息滞后问题。

配置 API Key：

请前往 https://app.tavily.com/home 申请 Tavily API Key。


# 打开 .env 文件并添加密钥：
vim ~/.openclaw/.env
TAVILY_API_KEY=tvly-xxxxxxxxxxxxxxxxxxxxxxxx

# 应用更改并重启网关：
source ~/.openclaw/.env
openclaw gateway

~/.openclaw/OpenClaw.json 中对应配置：

"tools": {
  "profile": "full",
  "web": {
    "search": {
      "enabled": true
    }
  }
}

使用示例

指定结果数量：搜索 OpenClaw 安装步骤，最多返回 5 条结果。
简短回答：搜索 Tavily 免费配额信息，并在结果中附上简短摘要。
指定格式：搜索 Linux 上 xdg-open 命令的解决方案，以 JSON 格式返回结果。
综合使用：搜索 2026 年 AI Agent 趋势，最多 4 条结果，附简短摘要和官方链接。

1.3.4 find-skills

用途

让 AI Agent 自主在 ClawHub 上搜索并安装所需 Skills，无需手动查找。

使用示例

帮我找一个能整理下载文件夹的 Skill，找到后直接安装。

1.3.5 weather

用途

获取任意地点的当前天气状况及预报。

使用示例

用 weather Skill 查询北京明天的天气。
查询北京今天的温度和湿度。

1.3.6 Self-Improving Agent

用途

自我反思 + 自我批评 + 自我学习 + 自组织记忆。Agent 评估自身输出，识别错误，持续改进。

使用示例

我刚完成了一个 Python 编码任务，请做自我反思并指出可优化的地方。
对刚才生成的文案进行自我批评，指出不符合我要求的地方，并总结改进规则。

1.3.7 summarize

用途

使用 summarize CLI 对 URL 或文件进行摘要，支持网页、PDF、图片、音频及 YouTube 视频。图片/扫描文档支持需配合 OCR Skill 使用。

使用示例

用一句话简明扼要地总结以下内容：[粘贴文本]
总结我们最近的对话，并整理关键行动事项。
用 tavily-search 搜索 2026 年 Python AI 框架的最新动态，再用 summarize 提取关键要点。

1.3.8 Proactive Agent

用途

将 Agent 从被动任务执行者转变为主动预判需求的协作伙伴，自动发送提醒，持续优化自身行为。

使用示例

启用主动 Agent 模式，激活自动提醒和主动优化功能。

1.3.9 gog

用途

全套 Google 服务集成——Gmail、Google Calendar、Google Drive 和 Google Docs。

使用前需在 Google Cloud Console 平台完成 OAuth 授权。

参考文档

https://clawhub.ai/steipete/gog

1.3.10 Clawsec

用途

管理 ClawSec Monitor v3.0——一款 MITM HTTP/HTTPS 代理，实时记录 AI Agent 流量，检测数据泄漏与注入威胁。

扫描 ClawHub Skill

clawsec audit github

扫描本地 Skill 目录

clawsec audit /path/to/skill/dir

参考文档

https://clawhub.ai/chrisochrisochriso-cmyk/clawsec

1.3.11 Multi-Search Engine

用途

多引擎搜索 Skill，支持高级搜索运算符、时间过滤、站内搜索、隐私保护引擎以及 WolframAlpha 知识库查询。

使用示例

用 multi-search-engine 同时在 Google 和 Bing 上搜索"AI 监管政策"，汇总并对比结果。

参考文档

https://clawhub.ai/gpyAngyoujun/multi-search-engine

1.3.12 ontology

用途

用于结构化 Agent 记忆与可组合 Skills 的类型化知识图谱。支持创建和查询实体（人员、项目、任务、事件、文档）及其关系。

使用示例

整理一个复杂项目的模块依赖关系图。

参考文档

https://clawhub.ai/oswalpalash/ontology

1.3.13 GitHub

用途

使用 gh CLI 与 GitHub 交互——处理 Issue、提交 PR、运行 CI 流水线，以及执行高级 API 查询。

认证配置：


# 安装 gh：
sudo apt install gh   # Ubuntu/Debian
brew install gh       # macOS

# 交互式登录：
gh auth login

# Token 认证：

# 前往 GitHub → Settings → Developer settings → Personal access tokens

# 创建 Fine-grained token，配置所需权限（repo、issues、pull_requests、actions）

gh auth login --with-token < your-github-token-file

# 或直接粘贴：
echo "your-token" | gh auth login --with-token

自然语言转 gh 命令示例：

类别

自然语言指令

对应 gh 命令

PR 管理

检查 owner/repo 中 PR 55 的 CI 状态

gh pr checks 55 --repo owner/repo

工作流监控

列出 owner/repo 中最近 10 次 GitHub Actions 运行记录

gh run list --repo owner/repo --limit 10

失败分析

查看 owner/repo 中运行 ID xxx 的失败步骤日志

gh run view xxx --repo owner/repo --log-failed

Issue 管理

以 JSON 格式列出 owner/repo 中所有 Issue 标题

gh issue list --repo owner/repo --json title

高级 API

获取 PR 55 的标题、状态和提交者

gh api repos/owner/repo/pulls/55 --jq '.title,.state,.user.login'

参考文档

https://clawhub.ai/steipete/github

1.3.14 office-automation-test

用途

快速生成标准化日报、周报和会议纪要。支持根据关键输入自定义格式，并集成办公 API 实现更广泛的自动化。

功能能力：

能力

说明

日历管理

创建会议、设置提醒

邮件处理

分类、整理与自动回复

文档编辑

生成报告、调整格式

数据处理

Excel 分析、图表生成

部分功能需要对应集成服务的 API Key。

参考文档

https://clawhub.ai/earlyyuokubgw25-coder/office-automation-test

2. 多模型路由与高级配置

本节介绍如何在 openclaw.json 中配置多模型路由，以优化成本与性能。所有配置均位于 ~/.openclaw/openclaw.json。

本节为高级用法，需要熟悉 JSON 和 LLM 模型标识符。配置文件错误可能导致 OpenClaw 无法启动——编辑前请务必备份。

2.1 openclaw.json 配置参考

下表说明 agents.defaults 块中的核心字段，该块控制全局模型行为。

字段

说明

system

字符串。注入每个会话的系统提示词，定义 Agent 的全局行为、协作流程和输出风格。

model.primary

字符串。默认使用的主模型，例如 "anthropic/claude-opus-4-5"，所有请求默认由此模型处理。

model.fallbacks

数组。主模型不可用或触发限流时，按顺序使用的备用模型列表。

models

对象。将模型标识符映射为简短别名，可在 /model 命令中使用，例如 { "anthropic/claude-opus-4-5": { alias: "opus" } }。

heartbeat.every

字符串。后台保活 ping 的间隔时间，例如 "30m"，使用低成本模型避免浪费 Token。

heartbeat.model

字符串。心跳 ping 使用的模型，建议使用低成本模型，例如 "google/gemini-2.5-flash-lite"。

subagents.model

字符串。子 Agent 执行后台任务（搜索、提取、计算）使用的模型，建议选用性价比高的模型。

subagents.maxConcurrent

整数。同时运行的最大子 Agent 数量，数值越高速度越快，但 Token 消耗也越多。

subagents.archiveAfterMinutes

整数。子 Agent 会话闲置多少分钟后自动归档。

subagents.system

字符串。子 Agent 的系统提示词——保持专注于执行，避免冗余输出。

imageModel.primary

字符串。视觉/图像任务使用的模型，推荐："google/gemini-3-flash"。

contextTokens

整数。最大上下文窗口大小（Token 数），根据所选模型的限制设置，例如 200000。

带注释的配置片段：

// ~/.openclaw/openclaw.json
{
  "agents": {
    "defaults": {

      // 全局系统提示词——定义 Agent 行为与输出规则
      "system": "You are a top AI expert with multi-model collaboration capabilities...",

      // 主模型及有序备用链
      "model": {
        "primary": "anthropic/claude-opus-4-5",
        "fallbacks": [
          "openai/gpt-5.2",
          "deepseek/deepseek-reasoner",
          "google/gemini-3-flash"
        ]
      },

      // /model 命令的简短别名
      "models": {
        "anthropic/claude-opus-4-5":  { "alias": "opus"   },
        "anthropic/claude-sonnet-4-5":{ "alias": "sonnet" },
        "google/gemini-3-flash":      { "alias": "flash"  },
        "deepseek/deepseek-chat":     { "alias": "ds"     }
      },

      // 每 30 分钟使用低成本模型发送后台心跳 ping
      "heartbeat": {
        "every": "30m",
        "model": "google/gemini-2.5-flash-lite",
        "target": "last"
      },

      // 子 Agent 使用性价比高的模型执行后台任务
      "subagents": {
        "model": "deepseek/deepseek-reasoner",
        "maxConcurrent": 1,          // 单任务并发——平衡成本与速度
        "archiveAfterMinutes": 60,
        "system": "You are an efficient execution unit. Focus on the task..."
      },

      // 视觉任务（可选）
      "imageModel": {
        "primary": "google/gemini-3-flash",
        "fallbacks": ["openai/gpt-5.2"]
      },

      "contextTokens": 200000        // 最大上下文 Token 数
    }
  }
}

2.2 混合使用本地模型与在线模型

可将高消耗任务路由到能力强的云端模型，同时用免费的本地模型（如 Ollama）处理子 Agent 后台任务，从而显著降低 API 成本。

{
  "agents": {
    "defaults": {
      "model": {
        "primary":   "anthropic/claude-3-5-sonnet", // 主任务使用智能云端模型
        "fallbacks": ["openai/gpt-4o"]               // 云端备用
      },
      "subagents": {
        "model":               "local/llama-3:8b",  // 后台任务使用免费本地模型
        "maxConcurrent":       2,                   // 并发数可调高——无 API 成本
        "archiveAfterMinutes": 30
      },
      "contextTokens": 128000
    }
  }
}

在 AethirClaw 服务器上通过 Ollama 运行本地模型，子 Agent 调用完全免费。可将 maxConcurrent 设置更高（如 3–4），并行处理后台任务，无需担心 Token 费用。

2.3 完整 openclaw.json 配置示例

以下是包含所有主要配置块的完整可用配置文件。请将标有 xxxxxxxx 的占位符替换为你的实际凭证。

{
  "meta": {
    "lastTouchedVersion": "2026.3.8",
    "lastTouchedAt": "2026-03-11T10:57:01.076Z"
  },
  "wizard": {
    "lastRunAt": "2026-03-11T09:58:01.176Z",
    "lastRunVersion": "2026.3.8",
    "lastRunCommand": "doctor",
    "lastRunMode": "local"
  },
  "browser": {
    "enabled": true,
    "executablePath": "/usr/bin/chromium",
    "headless": true,
    "noSandbox": true,
    "attachOnly": false,
    "defaultProfile": "openclaw"
  },
  "auth": {
    "profiles": {
      "openrouter:default": { "provider": "openrouter", "mode": "api_key" }
    }
  },
  "models": {
    "mode": "merge",
    "providers": {
      "kimi-k2-5": {
        "baseUrl": "https://integrate.api.nvidia.com/v1",
        "apiKey":  "nvapi-xxxxxxxx",
        "api":     "openai-completions",
        "models": [{
          "id":            "moonshotai/kimi-k2.5",
          "name":          "moonshotai/kimi-k2.5 (Custom Provider)",
          "reasoning":     false,
          "input":         ["text"],
          "cost":          { "input": 0, "output": 0, "cacheRead": 0, "cacheWrite": 0 },
          "contextWindow": 16000,
          "maxTokens":     4096
        }]
      },
      "openrouter": {
        "baseUrl": "https://openrouter.ai/api/v1",
        "apiKey":  "sk-or-v1-xxxxxxxxxxxxxxxx",
        "api":     "openai-completions",
        "models":  [{ "id": "openrouter/auto", "name": "OpenRouter Auto", "input": ["text","image"] }]
      }
    }
  },
  "agents": {
    "defaults": {
      "model": {
        "primary":   "kimi-k2-5/moonshotai/kimi-k2.5",
        "fallbacks": ["openrouter/openrouter/auto"]
      },
      "models": {
        "openrouter/openrouter/auto":      { "alias": "OpenRouter" },
        "kimi-k2-5/moonshotai/kimi-k2.5": { "alias": "nv.k2.5"   }
      },
      "workspace":  "/config/.openclaw/workspace",
      "compaction": { "mode": "safeguard" },
      "heartbeat":  { "every": "30m", "model": "openrouter/openrouter/auto", "target": "last" },
      "maxConcurrent": 4,
      "subagents": {
        "maxConcurrent":       1,
        "archiveAfterMinutes": 60,
        "model":               "kimi-k2-5/moonshotai/kimi-k2.5"
      }
    }
  },
  "tools":    { "profile": "coding" },
  "messages": { "ackReactionScope": "group-mentions" },
  "commands": { "native": "auto", "nativeSkills": "auto", "restart": true, "ownerDisplay": "raw" },
  "session":  { "dmScope": "per-channel-peer" },
  "channels": {
    "whatsapp": {
      "enabled":      true,
      "dmPolicy":     "allowlist",
      "selfChatMode": true,
      "allowFrom":    ["xxxxxxx"],   // 你的手机号
      "groupPolicy":  "allowlist",
      "debounceMs":   0,
      "mediaMaxMb":   50
    }
  },
  "gateway": {
    "port": 18789,
    "mode": "local",
    "bind": "loopback",
    "auth": { "mode": "token", "token": "xxxxxxxxxxxxxxxxxxxxxxxxx" },
    "tailscale": { "mode": "off", "resetOnExit": false },
    "nodes": {
      "denyCommands": [
        "camera.snap", "camera.clip", "screen.record",
        "contacts.add", "calendar.add", "reminders.add", "sms.send"
      ]
    }
  },
  "skills":  { "entries": { "tavily":   { "enabled": true } } },
  "plugins": { "entries": { "whatsapp": { "enabled": true } } }
}

3. 常见问题

本节涵盖用户最常遇到的问题。如果你的问题未列于此，请通过邮件联系 Aethir Cloud 客服或者加入Aethir Telegram中文社区: @AethirCN

问：配置 SSH 密钥后仍无法 SSH 连接云服务器，怎么办？

验证 SSH 命令语法：确认 -p PORT abc@PUBLICIP 格式正确。在 My Instances 的 Network 标签下检查公网 IP 和端口。
确认公钥已在 My Instances 的 SSH Key 标签下添加到云服务器。
检查 SSH 命令中 -i 后面的私钥文件名，是否与服务器上配置的公钥匹配。
确保在私钥文件所在目录下运行 SSH 命令，先用 cd 切换到该目录，再执行命令（可只写文件名，无需完整路径）。
如果报错涉及 known_hosts、Host key has changed 或 Host key verification failed：
用文本编辑器打开 .ssh 目录中的 known_hosts 文件，找到并删除包含目标 IP 地址的所有行，然后重试。

报错示例：

Add correct host key in C:\Users\Administrator/.ssh/known_hosts
Offending ECDSA key in C:\Users\Administrator/.ssh/known_hosts:10
Host key for [128.14.78.5]:10231 has changed and you have requested strict checking.
Host key verification failed.

解决方法：从 known_hosts 中删除对应行后重试。

问：配置 Telegram 机器人后没有响应，怎么办？

检查 OpenClaw Gateway 是否正在运行。通过 SSH 连接后重启网关：

# 查找并停止现有网关进程：
ps -ef | grep openclaw-gateway
kill -9 <PID>

# 以后台模式启动网关（nohup 保证终端关闭后继续运行）：
nohup openclaw gateway > nohup.out 2>&1 &

# 按 Control+C 退出——网关继续在后台运行。

如果机器人仍无响应，可能是 Telegram Token 填写有误，请按《AethirClaw 安装配置指南》第 2.5.1 节的步骤重新配置。

问：用邮箱登录时收不到验证码，怎么办？

如果邮箱是 Gmail，建议直接使用 Google 认证登录——两种方式效果相同，只要邮箱地址有效即可。
如果邮箱不是 Gmail 且无法使用 Google 认证，请联系 AethirCloudClaw 技术支持协助处理。

问：云服务器的网络带宽是多少？

专属带宽限制：Elite — 15 Mbps · Standard — 8 Mbps · Lite — 4 Mbps。
MVP 阶段带宽加强：Standard — 2 个连接共享 15 Mbps · Lite — 3 个连接共享 15 Mbps。

问：如何提升云服务器的网络带宽？

带宽目前无法单独调整。如有特殊需求，请通过邮件联系客服。

问：远程桌面（RDP）连接卡顿严重，怎么解决？

测试本地网络与云服务器区域（美国或日本）之间的带宽。流畅 RDP 的最低要求：稳定带宽 ≥ 5 Mbps，丢包率 < 1%。
考虑升级到 Elite 方案。Lite 方案仅提供 5 Mbps，跨国 RDP 通常会出现延迟。

问：Telegram 机器人返回"LLM request timeout"错误，是什么原因？

通常是 LLM API Key 的 Token 配额已耗尽。请前往对应平台充值。
也可运行 openclaw configure 重新配置或更换 API Key。

问：如何为云服务器添加更多端口映射？

出于安全考虑，每个云服务器实例默认仅开放一个 SSH 端口，其他入站端口全部屏蔽。
如需开放额外端口，请通过邮件联系客服，说明使用场景，技术团队会线下协助处理。

问：云服务器环境的安全性如何保障？

硬件级端口控制： 每个实例仅开放一个 SSH 端口，其他入站端口严格屏蔽。
网络级带宽限速，防止单台服务器独占共享带宽。
跨实例通信在数据中心网络层面禁用——服务器之间物理隔离。
虚拟化隔离强制执行严格的用户权限控制，即使突破容器也仅能访问本实例资源。
CPU、内存和磁盘资源在实例启动时物理隔离——服务器之间无资源争抢。
平台监控系统持续监测数据中心网络，异常触发定向告警，超出阈值自动列入 IP 黑名单。

问：到期后可以续费吗？

租期到期后，实例会强制关机。在 7 天宽限期内续费可重新激活实例并恢复所有数据。
宽限期结束后，系统会自动清除服务器上的所有数据，且永久不可恢复。

问：云服务器是否支持镜像快照？

当前 MVP 版本不支持快照。该功能计划在即将发布的 V1.0 版本中推出。

问：云服务器实例变成"Error"状态怎么办？

"Error" 状态极为罕见，通常由硬件网络故障或系统异常引起。请立即联系客服团队，他们会尽快处理。
AethirCloud 监控系统实时检测错误，并在 15 分钟内通知技术团队。团队承诺在 30 分钟内响应并解决问题。
即使处于"Error"状态，用户数据通常仍会保留。问题解决后，实例将恢复正常运行。

文档结束 · 安装配置说明请参考《AethirClaw 安装配置指南》

上一页Aethir Claw 详细部署指南

最后更新于 4个月前