Skills on 忘川

Codex Pets 使用详细说明（官方 + 社区实战整合）

Mon, 11 May 2026 00:00:00 +0000

从零开始掌握 Codex Pets：先启用内置宠物，再生成自定义宠物，最后完成本地安装与稳定排障。

1. Codex Pets 是什么

Codex Pets 是 Codex App 的可选动画伙伴层（floating overlay），核心价值不是“装饰”，而是让任务状态可视化：

在使用其他应用时，仍可看到当前活跃线程。
直接显示状态变化：运行中、等待输入、待审阅。
用简短进度提示快速了解“刚刚发生了什么”。

这套机制对长时任务和多线程任务非常实用，能明显减少反复切回主界面的成本。

2. 官方启用路径（建议先做）

根据 OpenAI Codex App 官方设置文档，推荐按以下顺序启用：

打开 Settings -> Appearance -> Pets。
选择内置宠物，或刷新本地自定义宠物列表。
使用以下任一方式切换悬浮层显示状态：
- 在输入框输入 /pet
- Settings -> Appearance 中使用 Wake Pet / Tuck Away Pet
- Cmd+K（macOS）或 Ctrl+K（Windows）执行同名命令

3. 自定义宠物生成：hatch-pet 正确流程

3.1 安装技能

$skill-installer hatch-pet

安装后若没有立即生效，先重启 Codex；也可以先通过命令面板执行 Force Reload Skills。

3.2 触发生成

$hatch-pet create a new pet inspired by my recent projects

也可以直接给出更精确描述，例如颜色、风格、性格、动作偏好。

3.3 生成机制（官方 skill 关键点）

openai/skills 里的 hatch-pet 说明了完整生成契约：

通过 $imagegen 负责视觉生成。
标准流程最多约 10 个视觉任务（1 个 base + 9 个状态行）。
目标图集规格是 8 x 9 网格，单格 192 x 208，总尺寸 1536 x 1872。
最终以 pet.json + spritesheet.webp 作为可安装包落地。

4. 本地文件结构与包规范

社区安装文档与生成工具的约定高度一致，最小可用包建议如下：

~/.codex/pets/my-pet/
 pet.json
 spritesheet.webp

最小 pet.json 示例：

{
 "id": "my-pet",
 "displayName": "My Pet",
 "description": "A concise pet description.",
 "spritesheetPath": "spritesheet.webp"
}

关键一致性要求：

文件夹名、id、资源路径要对齐。
spritesheetPath 指向包内文件（本地安装场景不建议外链）。
图集尺寸和网格不匹配时，动画会错位或花屏。

5. 已有宠物的两种安装方式

方式 A：手动安装（可控）

mkdir -p "$HOME/.codex/pets/tater"
unzip -o "./tater-codex-pet.zip" -d "$HOME/.codex/pets/tater"

安装后通过 /pet 或设置页选择该宠物。

方式 B：社区 CLI 一键安装（更快）

npx codex-pet-cli add <pet-slug>

社区站点说明该命令会把宠物安装到 ~/.codex/pets/<name>，适合快速体验大量现成宠物。

6. 官方与社区能力边界

维度	官方文档/官方仓库	社区站点/第三方工具
功能定义	权威来源（设置路径、命令入口、技能机制）	主要补充教程、示例、素材市场
兼容保证	与 Codex 版本同步更新	可能滞后或偏差
风险	相对可控	需自行校验来源与包内容
推荐用途	作为“标准答案”	作为“提效补充”

实践建议：以官方说明为准绳，以社区工具做提速。

7. 高频问题与排障清单

7.1 `/pet` 输入后没有触发，仅当普通消息发送

已在 openai/codex 出现公开问题案例（例如 #20836）。可按以下顺序排查：

先在 Settings -> Appearance -> Pets 里直接切换，确认基础功能可用。
升级到最新 Codex 版本后重试。
通过 Cmd+K/Ctrl+K 执行宠物切换命令，验证是否仅 slash 行为异常。
若仍异常，记录版本号和平台信息后提 issue。

7.2 `hatch-pet` 已安装但命令补全里找不到

公开问题（如 #20778）反映过“slash 自动补全不可见”的情况。重点是区分：

Skill 被安装，并不一定等于 slash 自动补全立刻可见。
按官方技能文档，优先使用 $skill-name 形式触发技能。
安装后先 Force Reload Skills 或重启应用。

7.3 生成流程中断并出现 stream disconnected

#20947 的排障信息显示，某些环境中可能涉及 $imagegen 发现/依赖问题。建议：

检查 hatch-pet 是否完整安装。
核实系统技能链路是否正常加载（尤其图像生成依赖）。
先跑最小生成任务验证流程，再逐步增加复杂度。

8. 面向生产使用的建议

先固定一套“已验证可用”的宠物模板与尺寸规范。
把 pet.json 校验做成脚本，提交前自动检查关键字段。
团队内统一宠物包目录命名，避免重复或覆盖。
社区来源包先在隔离环境验证后再分发。
每次 Codex 版本升级后做一次宠物回归检查。

9. 快速上手清单（10 分钟版本）

设置里启用一个内置宠物，确认 overlay 正常。
安装 hatch-pet 并重载技能。
生成第一个自定义宠物。
检查输出目录是否包含 pet.json 与 spritesheet.webp。
放入 ~/.codex/pets/<pet-id>/ 并在设置页启用。
用 /pet 与快捷键验证开关是否正常。

参考链接

OpenAI Developers（Codex App Settings）：https://developers.openai.com/codex/app/settings
OpenAI Developers（Agent Skills）：https://developers.openai.com/codex/skills
OpenAI Skills 仓库 README：https://github.com/openai/skills
hatch-pet（官方技能定义）：https://github.com/openai/skills/blob/main/skills/.curated/hatch-pet/SKILL.md
社区安装说明（含 manifest 示例）：https://codexpets.org/install
社区 Hatch 指南：https://codex-pet.org/how-to-create-a-codex-pet/
社区一键安装工具说明：https://codex-pet.com/
兼容问题参考（官方仓库 issue）：

OpenClaw Skill 01：ByteRover 知识库实战指南

Tue, 10 Mar 2026 00:00:00 +0000

一、Skill 定位

ByteRover 是 OpenClaw 生态里最常用的知识库能力之一，核心价值是把分散文档转成“可检索、可引用、可复用”的知识资产。
在实际工作中，它通常承担三件事：

把团队资料统一索引，减少重复问答。
让回答可回溯到原文来源，便于审核。
为后续自动化流程提供稳定知识底座。

二、典型使用场景

新人入职：快速检索项目规范、部署流程、常见故障。
技术支持：从 SOP 和历史案例中检索最接近的处理路径。
产品运营：从活动文档与数据周报中抽取可复用结论。
研发协作：把 ADR、设计文档、接口说明统一沉淀。

三、安装与前置准备

1) 前置条件

已安装并可正常运行 OpenClaw。
已配置可用模型与基础工具。
准备好知识源目录（Markdown、PDF、网页导出文档等）。

2) 安装命令

# 安装 ByteRover skill
clawhub install byterover

# 同步本地已安装 skills
clawhub sync --all

3) 建议配置

在项目环境变量中补齐知识库连接参数，例如：

export BYTEROVER_API_KEY="your_api_key"
export BYTEROVER_INDEX="team-knowledge"

四、手把手使用方法

Step 1：建立知识目录结构

推荐采用三层结构：

01-guides：操作手册与流程。
02-architecture：架构与技术方案。
03-ops：运维与故障处理记录。

这样可以显著提升检索召回的稳定性。

Step 2：执行首次入库

在会话中给出明确任务描述：

/skill byterover
请将 docs/ 目录文档建立索引，按“架构/运维/业务”打标签，并输出入库摘要。

Step 3：做带引用的问答

/skill byterover
基于已索引文档，回答“服务发布失败后如何回滚”，并附来源文件名与章节。

Step 4：做增量更新

每次变更只更新新增内容，避免全量重建导致成本升高。

五、排错与注意事项

检索结果空白：优先检查索引名是否一致、文档是否真的入库。
回答不稳定：缩小检索范围，给出更清晰的问题上下文。
成本过高：改为增量索引，限制单次检索文档数量。
敏感信息泄露风险：入库前先做脱敏，明确禁止目录。
版本污染：同一知识库要有版本标识，避免旧文档覆盖新规则。

六、落地清单（可直接执行）

确定知识源目录与命名规范。
安装 byterover 并完成首次索引。
统一问答模板：结论 + 依据 + 来源。
每周做一次增量入库和失效文档清理。
建立“高频问题榜”，持续优化知识结构。

七、参考资料

OpenClaw Skills 文档：https://docs.openclaw.ai/skills
ByteRover Skill 说明：https://github.com/sundial-org/awesome-openclaw-skills/tree/main/skills/byterover
OpenClaw 安装文档：https://docs.openclaw.ai/install/index

OpenClaw Skill 02：Self-Improvement 持续进化指南

Tue, 10 Mar 2026 00:00:00 +0000

一、Skill 定位

Self-Improvement 的核心是让 Agent 不只是执行任务，而是能够基于结果质量持续优化自身工作方式。
它适合做“长期有效”的流程：任务复盘、提示词改写、失败归因、策略升级。

二、适用场景

同类任务反复执行，但输出质量不稳定。
团队希望沉淀“高质量提示词模板”。
需要建立可审计的优化闭环，而不是靠经验拍脑袋。
想让新人快速复用成熟流程，缩短学习曲线。

三、安装与配置

1) 安装命令

clawhub install self-improvement
clawhub sync --all

2) 建议准备的输入数据

历史任务日志（成功与失败样本都要有）。
输出评分标准（准确性、完整性、可执行性）。
业务约束（禁用词、合规规则、时效要求）。

四、使用方法（建议流程）

Step 1：定义评估标准

先把“什么叫好答案”说清楚，再让 Skill 参与优化。

示例标准：

结论必须可执行。
必须给出关键依据。
不允许出现无来源断言。

Step 2：执行首轮复盘

/skill self-improvement
请基于最近 20 条任务输出，按“成功原因/失败原因/可改进提示词”三栏给出复盘报告。

Step 3：生成优化后的模板

/skill self-improvement
针对“技术文档总结”场景，输出 v2 提示词模板，并说明相对 v1 的改动理由。

Step 4：A/B 验证

把旧模板与新模板并行跑一周，比较稳定性与人工返工率。

五、注意事项

不要只看单次结果：至少观察 1-2 周趋势。
避免过拟合：模板不要只针对单一案例优化。
要保留回滚版本：v2 效果差时能迅速退回 v1。
加入人工验收节点：关键业务不能完全自动放行。
明确禁区：涉及合规、财务、法务的内容必须人工复核。

六、常见问题与排查

优化后反而变差：检查评估指标是否与业务目标一致。
输出越来越长：在模板中显式限制结构与长度。
解释很多但不可执行：增加“最终动作列表”硬性要求。

七、落地清单

建立统一评分标准与评审表。
每周固定一次复盘与模板迭代。
维护模板版本库（含变更记录）。
对关键场景设置人工验收门槛。
每月复盘一次 ROI（节省时间/返工率变化）。

八、参考资料

Self-Improvement Skill：https://github.com/sundial-org/awesome-openclaw-skills/tree/main/skills/self-improvement
OpenClaw Skills 文档：https://docs.openclaw.ai/skills

OpenClaw Skill 03：Agent-Browser 网页自动化指南

Tue, 10 Mar 2026 00:00:00 +0000

一、Skill 定位

Agent-Browser 用来把网页上的重复动作自动化，例如登录、表单填写、信息采集、页面巡检。
它非常适合“规则清晰、步骤固定”的场景。

二、适用场景

每日固定抓取多个页面的数据。
后台系统批量录入或状态核验。
前端回归测试中的基础流程检查。
舆情/竞品页面的周期性巡检。

三、安装与前置

1) 安装 skill

clawhub install agent-browser
clawhub sync --all

2) 基础依赖建议

启用 OpenClaw 的浏览器工具能力。
准备专用测试账号，避免使用个人主账号。
配置稳定网络与重试策略。

四、使用方法

Step 1：先写动作剧本

把流程拆成可执行步骤，例如：

打开目标 URL。
输入账号密码登录。
跳转到报表页。
抓取指定字段并导出。

Step 2：在会话中执行

/skill agent-browser
访问示例后台，登录后进入“订单列表”，筛选最近 7 天数据并导出 CSV。

Step 3：加入容错策略

元素定位失败时重试 2-3 次。
页面超时切换备用入口。
关键步骤截图留痕，便于排错。

Step 4：做定时任务

将稳定流程挂到计划任务，形成自动巡检。

五、注意事项

验证码与风控：遇到验证码需要人工介入，不要强行绕过。
账号安全：自动化账号最小权限、单独隔离。
页面变更风险：前端改版会导致选择器失效，要定期回归。
合规边界：只抓取被授权的数据，避免违规采集。
执行成本：长流程优先拆分为多个小任务，降低失败重跑成本。

六、常见问题

元素找不到：检查页面是否在 iframe 或 shadow DOM。
登录后跳回首页：确认 session/cookie 是否保存成功。
抓取数据错位：优先定位表头再映射字段，避免硬编码列序。

七、落地清单

固化 3 个高频网页自动化场景。
每个场景保留“动作剧本 + 异常处理”文档。
接入执行日志与截图存档。
每月做一次选择器健康检查。
高风险页面统一人工复核。

八、参考资料

Agent-Browser Skill：https://github.com/sundial-org/awesome-openclaw-skills/tree/main/skills/agent-browser
OpenClaw Skills 文档：https://docs.openclaw.ai/skills

OpenClaw Skill 04：Proactive-Agent 主动式助手架构

Tue, 10 Mar 2026 00:00:00 +0000

一、Skill 定位

Proactive-Agent 的重点不是“你问我答”，而是“在正确时间主动做事”。
它通常与事件、时间、状态变化联动，帮助团队把关键动作前置。

二、适用场景

每日站会前自动推送昨天进展与风险。
发布窗口前自动检查关键依赖状态。
SLA 超时前自动预警并通知责任人。
周期性巡检后自动汇总异常。

三、安装与准备

1) 安装命令

clawhub install proactive-agent
clawhub sync --all

2) 配置建议

打通消息通知通道（如 Slack/Telegram/邮件）。
先定义事件触发条件，避免“无意义提醒轰炸”。
每个提醒必须有明确接收人与处置动作。

四、使用方法

Step 1：定义触发规则

示例规则：

每天 09:30 自动发送前一日异常汇总。
发布前 30 分钟执行 Checklist，失败则拦截。

Step 2：配置任务指令

/skill proactive-agent
每天 9:30 自动汇总昨日错误日志 Top5，并推送到项目群，附修复负责人建议。

Step 3：联动定时器

可配合 OpenClaw 的 cron/hook 能力触发执行，形成稳定闭环。

Step 4：增加升级策略

提醒未处理时二次通知，仍未处理则升级到值班负责人。

五、注意事项

提醒必须可执行：只报问题不提供动作，价值很低。
控制通知噪音：同类告警要聚合，不要刷屏。
设置静默窗口：夜间与节假日策略要单独处理。
失败重试要有限制：避免异常时无限循环触发。
留审计日志：记录触发时间、对象、执行结果。

六、常见问题

提醒延迟：检查时区设置和任务队列积压。
重复提醒：确认去重键是否正确（任务 ID + 时间窗）。
内容空洞：增加“背景、影响、下一步”三段式输出模板。

七、落地清单

选 2 个业务高价值提醒先试点。
建立提醒等级（普通/重要/紧急）。
每周复盘触发准确率与处理闭环率。
对无效提醒持续下线，保持轻量高效。

八、参考资料

Proactive-Agent Skill：https://github.com/sundial-org/awesome-openclaw-skills/tree/main/skills/proactive-agent
OpenClaw Skills 文档：https://docs.openclaw.ai/skills

OpenClaw Skill 05：Deep-Research 深度研究工作流

Tue, 10 Mar 2026 00:00:00 +0000

一、Skill 定位

Deep-Research 面向“复杂问题研究”而不是简单问答。
它强调多源检索、证据交叉、结构化结论和明确假设边界。

二、适用场景

行业趋势分析与竞品研究。
政策解读与影响评估。
技术方案选型对比。
需要附来源链路的研究报告输出。

三、安装与准备

1) 安装命令

clawhub install deep-research
clawhub sync --all

2) 研究任务准备

明确研究问题与时间范围。
定义可信来源优先级（官方 > 一手资料 > 二手解读）。
明确结论格式（摘要、证据、风险、建议）。

四、使用方法

Step 1：先限定研究边界

/skill deep-research
研究“OpenClaw 在企业自动化场景的落地模式”，时间范围限定近 12 个月，并区分官方信息与社区实践。

Step 2：执行多轮检索

第一轮做广覆盖，第二轮做重点深挖，第三轮只做争议点验证。

Step 3：输出结构化报告

建议固定四段式：

关键结论
主要证据
不确定性说明
可执行建议

Step 4：保留引用链路

每条重要结论都应保留来源，方便后续复核。

五、注意事项

防止信息污染：避免把转载内容当一手证据。
区分事实与观点：输出时必须显式区分。
标注时效性：策略类结论要注明时间窗口。
处理冲突信息：给出冲突点与权重判断理由。
避免过度自信：不确定结论要保留概率表述。

六、常见问题

报告很长但无重点：增加“必须先给 3 条结论”约束。
来源很多但不可用：加入来源质量评分机制。
建议空泛：把建议绑定到角色、动作、时间。

七、落地清单

建立研究任务模板（问题、范围、来源、输出格式）。
固化“证据分级”标准。
每份报告都保留复核入口与更新时间。
对关键结论设置人工审核。

八、参考资料

Deep-Research Skill：https://github.com/sundial-org/awesome-openclaw-skills/tree/main/skills/deep-research
OpenClaw Skills 文档：https://docs.openclaw.ai/skills

OpenClaw Skill 06：Memory-Setup 记忆体系搭建

Tue, 10 Mar 2026 00:00:00 +0000

一、Skill 定位

Memory-Setup 的目标是让 OpenClaw 具备稳定的“长期记忆”，而不是每次任务都从零开始。
它解决的核心问题是：上下文遗忘、历史决策丢失、跨会话协作断层。

二、适用场景

需求长期跟踪（跨周、跨月的项目推进）。
多人协作中需要共享历史结论与约束。
需要保留“为什么这么做”的决策链路。
复杂任务拆分后需要持续接力。

三、安装与前置

1) 安装命令

clawhub install memory-setup
clawhub sync --all

2) 记忆数据分层建议

短期记忆：当前会话中的临时信息。
中期记忆：当前迭代周期内的任务上下文。
长期记忆：长期有效的规则、偏好、决策与知识资产。

四、使用方法

Step 1：定义记忆写入规则

不是所有信息都要写入长期记忆，建议只写入：

稳定偏好（风格、输出结构、禁用项）。
关键决策（架构选择、业务规则）。
高价值事实（流程、常见错误与修复路径）。

Step 2：执行记忆初始化

/skill memory-setup
初始化项目记忆：记录技术栈、部署环境、文档规范、发布流程和故障升级路径。

Step 3：建立更新机制

每次任务完成后沉淀“结论 + 依据 + 下次注意点”，避免信息老化。

Step 4：查询记忆再行动

在执行复杂任务前先检索记忆，减少重复试错。

五、注意事项

防止记忆膨胀：长期记忆只保留高价值信息。
防止过期污染：设置更新时间和过期清理机制。
隐私保护：敏感数据单独隔离，不进入通用记忆库。
冲突处理：同一规则出现冲突时，保留最新版本并记录变更原因。
可解释性：每条关键记忆要有来源和责任人。

六、常见问题

记忆命中率低：检查标签设计是否混乱。
记忆引用错误：增加版本字段与来源校验。
内容越来越杂：按主题拆分记忆空间，定期归档。

七、落地清单

先建立“写什么、不写什么”的清单。
建立月度记忆体检（清理过期、合并重复）。
为关键规则设置审批与变更记录。
在高风险任务前强制执行“先读记忆再执行”。

八、参考资料

Memory-Setup Skill：https://github.com/sundial-org/awesome-openclaw-skills/tree/main/skills/memory-setup
OpenClaw Skills 文档：https://docs.openclaw.ai/skills

OpenClaw Skill 07：Second-Brain 知识中枢实战

Tue, 10 Mar 2026 00:00:00 +0000

一、Skill 定位

Second-Brain 可以理解为“可执行的数字第二大脑”。
它不仅管理笔记，更强调将知识转化为行动：计划、提醒、复盘、复用。

二、适用场景

内容创作：积累素材并自动整理选题。
技术学习：记录知识点并形成可复习路径。
项目管理：把会议纪要转成可追踪待办。
团队知识资产化：沉淀 SOP、模板与最佳实践。

三、安装与准备

1) 安装命令

clawhub install second-brain
clawhub sync --all

2) 推荐基础结构

Inbox：快速收集。
Projects：进行中的任务。
Areas：长期职责领域。
Resources：参考资料。
Archives：完成归档。

四、使用方法

Step 1：统一输入入口

把聊天记录、网页摘录、会议要点统一汇入 Inbox，先收集后整理。

Step 2：自动化分类与标签

/skill second-brain
请把 Inbox 中近一周内容按“项目/学习/创作/运维”分类，并提取可执行任务。

Step 3：转行动清单

每条笔记至少要输出一个下一步动作，否则知识无法产生业务价值。

Step 4：周期复盘

每周复盘一次，清理无效笔记，合并重复主题，更新优先级。

五、注意事项

避免收藏成瘾：收集不是目标，可执行才是目标。
标签不要过多：标签体系过复杂会降低检索效率。
输入质量优先：记录时尽量包含背景与结论，避免碎片化噪音。
重视复盘：Second-Brain 的价值来自持续整理，而非一次性搭建。
权限治理：团队知识库要区分公开区与敏感区。

六、常见问题

笔记越来越多但找不到：改为层级目录 + 少量核心标签。
知识难转化为行动：模板中强制加“下一步动作”字段。
复盘坚持不下去：固定每周同一时间、同一流程执行。

七、落地清单

搭建统一收集入口与文件命名规范。
固化“收集-整理-执行-复盘”四步流程。
每月做一次结构优化与过期内容清理。
把高价值笔记升级为团队标准文档。

八、参考资料

Second-Brain Skill：https://github.com/sundial-org/awesome-openclaw-skills/tree/main/skills/second-brain
OpenClaw Skills 文档：https://docs.openclaw.ai/skills

OpenClaw Skill 08：Prompt-Guard 提示注入防护

Tue, 10 Mar 2026 00:00:00 +0000

一、Skill 定位

Prompt-Guard 主要用于识别并拦截提示注入、越权指令和可疑输入。
在生产环境中，它是保护 Agent 执行边界的关键安全层。

二、适用场景

Agent 会读取外部网页、邮件、文档等不可信输入。
系统支持工具调用，存在潜在越权执行风险。
业务对数据安全与合规有明确要求。
多租户或多团队共享同一 Agent 平台。

三、安装与前置

1) 安装命令

clawhub install prompt-guard
clawhub sync --all

2) 防护策略建议

输入分级：可信输入与不可信输入分开处理。
动作分级：高风险动作必须二次确认。
输出审查：关键输出先过规则再发送。

四、使用方法

Step 1：设定高风险关键词与模式

例如：泄露密钥、忽略系统指令、执行未授权命令。

Step 2：执行安全检测

/skill prompt-guard
检测以下输入是否存在注入风险，并给出风险等级与拦截建议。

Step 3：联动执行策略

低风险：记录日志并继续。
中风险：要求人工确认后执行。
高风险：直接阻断并告警。

Step 4：持续更新规则库

把已发生案例沉淀为规则，提高下一次命中率。

五、注意事项

不要只靠关键词：要结合上下文语义判断。
误杀可控：安全策略宁可略保守，也不要放过高风险动作。
日志留痕：每次拦截都要记录样本与处置结果。
分环境策略：测试环境和生产环境阈值应不同。
人工兜底：涉及资金、权限、外发信息必须人工复核。

六、常见问题

误报过高：调整阈值并增加白名单机制。
漏报攻击：补充语义规则与历史样本训练。
影响效率：对低风险路径做快速放行，关键环节再加严。

七、落地清单

先定义高风险动作清单。
对关键入口启用 Prompt-Guard。
接入告警渠道与审计日志。
每月做一次攻防演练与规则更新。

八、参考资料

Prompt-Guard Skill：https://github.com/sundial-org/awesome-openclaw-skills/tree/main/skills/prompt-guard
OpenClaw Skills 文档：https://docs.openclaw.ai/skills

OpenClaw Skill 09：AgentMail 邮件自动化实战

Tue, 10 Mar 2026 00:00:00 +0000

一、Skill 定位

AgentMail 用于把邮件从“人工逐封处理”升级为“自动预处理 + 人工确认”的高效率模式。
它特别适合邮件量大、信息密度高的岗位。

二、适用场景

客服/运营：大量咨询邮件自动归类。
商务/销售：线索邮件自动打标签和优先级。
技术团队：告警通知和工单邮件自动聚合。
管理岗位：每日邮件摘要和行动清单自动生成。

三、安装与前置

1) 安装命令

clawhub install agentmail
clawhub sync --all

2) 邮件连接准备

配置 IMAP/SMTP 或服务商 API。
使用专用应用密码，不直接暴露主账号密码。
先在测试邮箱验证规则，再迁移生产邮箱。

四、使用方法

Step 1：定义分类规则

建议至少包含：

紧急问题
业务合作
系统通知
可延后处理

Step 2：生成摘要与待办

/skill agentmail
整理今天未读邮件，按紧急级别排序，输出三段式摘要并提炼待办事项。

Step 3：生成回复草稿

对标准问题先自动生成草稿，再人工一键确认发送。

Step 4：联动任务系统

把关键邮件自动转为任务卡片，避免遗漏。

五、注意事项

外发必须可控：默认先生成草稿，不建议自动外发。
隐私与合规：涉及个人信息和合同内容要严格脱敏。
误分类风险：高优先级分类必须保留人工复核。
规则迭代：每周复盘错分样本并修正规则。
邮件回环：防止自动回复触发无限邮件循环。

六、常见问题

邮件抓取不完整：检查同步时间窗和分页参数。
分类准确率低：补充业务词表与历史样本。
回复语气不合适：为不同对象建立模板库。

七、落地清单

先落地“摘要 + 待办提取”两个核心功能。
第二阶段上线“回复草稿”能力。
第三阶段再做跨系统任务联动。
建立邮件自动化审计与回溯机制。

八、参考资料

AgentMail Skill：https://github.com/sundial-org/awesome-openclaw-skills/tree/main/skills/agentmail
OpenClaw Skills 文档：https://docs.openclaw.ai/skills

OpenClaw Skill 10：Compound-Engineering 工程评审流水线

Tue, 10 Mar 2026 00:00:00 +0000

一、Skill 定位

Compound-Engineering 关注的是“复杂工程任务的分阶段协同”。
它把需求理解、方案设计、代码检查、风险评估、发布准备串成统一流程，减少单点失误。

二、适用场景

需求频繁变更、跨角色协作复杂的项目。
需要把评审流程标准化的研发团队。
上线风险高、需要多环节质量门禁的业务。
需要沉淀工程最佳实践与复盘机制。

三、安装与前置

1) 安装命令

clawhub install compound-engineering
clawhub sync --all

2) 推荐准备项

统一代码规范与分支策略。
基础 CI（测试、Lint、构建）已可运行。
明确评审角色与责任边界。

四、使用方法

Step 1：任务拆解

/skill compound-engineering
对“新增支付回调模块”做工程拆解，输出需求澄清、实现步骤、测试策略与上线检查项。

Step 2：分阶段评审

设计评审：检查架构与边界。
实现评审：检查代码质量与可维护性。
风险评审：检查安全、性能、回滚方案。

Step 3：输出标准化结论

固定输出模板建议：

关键问题（按优先级）
修复建议
阻塞项
可上线条件

Step 4：形成闭环

评审结果自动同步到任务系统，跟踪问题状态直到关闭。

五、注意事项

避免过度流程化：小需求采用轻量流程，大需求走完整流水线。
保持可追溯：每条评审意见都要有定位和责任人。
不要忽略回滚：发布策略必须包含失败回滚路径。
防止伪通过：关键门禁不允许“人工口头放行”。
持续复盘：上线后对照评审结论评估准确率。

六、常见问题

评审结论太泛：要求必须定位到模块/文件/风险等级。
改了但又回归：引入回归测试与自动检查。
流程太慢：对低风险任务启用快速通道。

七、落地清单

先选一个核心项目试运行两周。
固化“拆解-评审-修复-验证-上线”模板。
把评审结果接入看板做状态跟踪。
每月复盘一次流程效率与线上事故数据。

八、参考资料

Compound-Engineering Skill：https://github.com/sundial-org/awesome-openclaw-skills/tree/main/skills/compound-engineering
OpenClaw Skills 文档：https://docs.openclaw.ai/skills

Skills on 忘川

Codex Pets 使用详细说明（官方 + 社区实战整合）

1. Codex Pets 是什么

2. 官方启用路径（建议先做）

3. 自定义宠物生成：hatch-pet 正确流程

3.1 安装技能

3.2 触发生成

3.3 生成机制（官方 skill 关键点）

4. 本地文件结构与包规范

5. 已有宠物的两种安装方式

方式 A：手动安装（可控）

方式 B：社区 CLI 一键安装（更快）

6. 官方与社区能力边界

7. 高频问题与排障清单

7.1 /pet 输入后没有触发，仅当普通消息发送

7.2 hatch-pet 已安装但命令补全里找不到

7.3 生成流程中断并出现 stream disconnected

8. 面向生产使用的建议

9. 快速上手清单（10 分钟版本）

参考链接

OpenClaw Skill 01：ByteRover 知识库实战指南

一、Skill 定位

二、典型使用场景

三、安装与前置准备

1) 前置条件

2) 安装命令

3) 建议配置

四、手把手使用方法

Step 1：建立知识目录结构

Step 2：执行首次入库

Step 3：做带引用的问答

Step 4：做增量更新

五、排错与注意事项

六、落地清单（可直接执行）

七、参考资料

OpenClaw Skill 02：Self-Improvement 持续进化指南

一、Skill 定位

二、适用场景

三、安装与配置

1) 安装命令

2) 建议准备的输入数据

四、使用方法（建议流程）

Step 1：定义评估标准

Step 2：执行首轮复盘

Step 3：生成优化后的模板

Step 4：A/B 验证

五、注意事项

六、常见问题与排查

七、落地清单

八、参考资料

OpenClaw Skill 03：Agent-Browser 网页自动化指南

一、Skill 定位

二、适用场景

三、安装与前置

1) 安装 skill

2) 基础依赖建议

四、使用方法

Step 1：先写动作剧本

Step 2：在会话中执行

Step 3：加入容错策略

Step 4：做定时任务

五、注意事项

六、常见问题

七、落地清单

八、参考资料

OpenClaw Skill 04：Proactive-Agent 主动式助手架构

一、Skill 定位

二、适用场景

三、安装与准备

1) 安装命令

2) 配置建议

四、使用方法

Step 1：定义触发规则

Step 2：配置任务指令

Step 3：联动定时器

Step 4：增加升级策略

五、注意事项

六、常见问题

七、落地清单

八、参考资料

7.1 `/pet` 输入后没有触发，仅当普通消息发送

7.2 `hatch-pet` 已安装但命令补全里找不到