技术文档 on 忘川

Q: 不通过链接，手动输入邀请码可以吗？

可以，邀请码为 rVyGSYMu。建议直接使用邀请链接以减少步骤与输入错误。

Q: 注册后需要马上做什么？

建议优先完成实名认证，确保后续功能使用与活动条件匹配。

Q: 活动奖励如何计算？

根据活动说明，每成功邀请 1 位符合条件的新用户，对应 1 次奖励记录。以平台最新活动规则为准。

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

SiliconFlow 邀请码 rVyGSYMu：注册入口与使用说明（2026）

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

这是一篇面向新用户的快速指南：直接给出可用邀请码与邀请链接，并说明为什么通过邀请入口注册更省时间、更稳定。

邀请码与邀请链接

邀请码：rVyGSYMu
邀请链接：https://cloud.siliconflow.cn/i/rVyGSYMu

活动要点：根据活动说明，已完成实名认证的推荐官邀请新用户；当被邀请人完成注册 + 实名认证后，邀请人可获得对应奖励券。具体发放与规则以平台当期页面为准。

为什么建议优先使用邀请链接注册

如果正准备注册 SiliconFlow，但手上暂时没有朋友分享入口，直接使用可用邀请链接有三个现实好处：

减少查找成本：不用反复比对多个来源，避免无效邀请码。
降低输入错误：链接可直接带入邀请信息，省去手动填写造成的错漏。
更快完成流程：进入页面后即可按步骤完成注册与实名认证，不耽误后续使用。

新用户注册流程（简版）

打开邀请链接：https://cloud.siliconflow.cn/i/rVyGSYMu
按页面提示完成账号注册。
根据平台要求完成实名认证。
登录控制台，开始配置与使用对应服务。

使用邀请入口的价值（给首次用户）

决策更直接：不需要先做“邀请码可用性验证”。
路径更清晰：从入口到实名认证，流程连续。
节省首次上手时间：把时间留给真正需要的事情，例如模型体验、API 调试和业务落地。

常见问题

Q1：不通过链接，手动输入邀请码可以吗？

可以。邀请码为 rVyGSYMu。若追求省步骤，建议直接使用邀请链接。

Q2：注册后需要马上做什么？

建议第一时间完成实名认证，避免后续功能和活动条件不匹配。

Q3：活动奖励如何计算？

当前活动说明为“每成功邀请 1 位符合条件的新用户，对应 1 次奖励记录”。最终以平台活动页实时规则为准。

关键词覆盖（SEO）

本文覆盖以下检索词：

SiliconFlow 邀请码
硅基流动邀请码
rVyGSYMu
SiliconFlow 注册
SiliconFlow 实名认证
硅基流动邀请链接

Openclaw Skills 与常见功能清单（实战版）

Mon, 09 Mar 2026 00:00:00 +0000

这篇文档聚焦实操落地：先装什么、先开哪些功能、如何减少踩坑。

1. 先建立统一认知：Skill、Tool、Command 是三层

层级	作用	典型用途
Skill	任务方法包（`SKILL.md` + 规则）	用于“告诉 Agent 怎么做事”
Tool	网关原生能力（如 browser、cron、message）	用于“真正执行动作”
Slash Command	聊天入口控制命令（如 `/skill`、`/context`）	用于“调度和观察”

一句话：Skill 负责策略，Tool 负责执行，Command 负责调度。

2. Skills 必知规则（官方）

2.1 加载优先级（冲突时谁生效）

<workspace>/skills（最高）
~/.openclaw/skills
bundled skills（安装内置，最低）

这意味着：在项目里放同名 skill，可以覆盖全局或内置行为。

2.2 推荐的技能管理动作

# 安装某个 skill 到当前工作区
clawhub install <skill-slug>

# 更新全部已装 skill
clawhub update --all

# 扫描并同步
clawhub sync --all

2.3 新手最容易忽略的安全点

第三方 skill 一律按“不可信代码”处理。
skills.entries.*.env / apiKey 会把密钥注入主机进程（不是沙箱）。
有风险 skill 先放隔离环境跑，再上生产机。

3. 推荐优先做的 12 类 Skill（每项只讲核心）

下面是“方向清单”，用于快速搭建体系。单项介绍保持简短，重点给出可执行路径。

Skill 方向	解决的问题	最小落地建议
文档检索 skill	多文档问答不稳定	先限定目录范围，再做摘要输出
会议纪要 skill	会议后整理慢	固定模板：结论/待办/负责人/截止时间
日报周报 skill	重复写汇报	从 Git 提交 + issue +群聊汇总生成
运维巡检 skill	例行检查零散	输出固定巡检表（CPU/内存/磁盘/告警）
发布检查 skill	上线前漏项	做“发布前 Checklist”自动核对
数据拉取 skill	查数流程重复	固化参数校验 + 超时重试
客服 FAQ skill	回复口径不统一	强制走知识库引用，不允许编造
代码审查 skill	review 标准不一致	固定输出：风险级别 + 文件定位 +建议
舆情监控 skill	信息分散	关键词 + 时间窗 + 去重汇总
竞品跟踪 skill	对比更新慢	周期化抓取官网更新与发布日志
招聘筛选 skill	简历初筛耗时	规则化打分 + 人工复核结论
安全检查 skill	安全项靠手工	对配置、权限、明文密钥做例行扫描

4. 常见功能清单（高频、可直接抄）

4.1 运行某个 skill

/skill <name> [input]

适合：快速调用某个明确能力，不走长对话试探。

4.2 看上下文是否超载

/context detail

适合：回复质量突然下降、成本异常时排查。

4.3 快速换模型/看模型状态

/model list
/model <provider/model>
/model status

适合：同一任务切换“快模型/强模型”。

4.4 观察与控制子代理并行

/subagents list
/subagents info <id>
/subagents kill <id|all>

适合：研究、抓取、整理这类可并行任务。

4.5 给每条回复附成本/Token

/usage tokens
/usage full
/usage cost

适合：做成本治理，防止“看起来正常但实际很贵”。

4.6 需要时才开 Bash 执行

# 需先配置 commands.bash
! <command>
!poll
!stop

适合：运维场景；不建议在高风险群聊里常开。

4.7 创建一次性提醒（cron）

openclaw cron add \
 --name "Reminder" \
 --at "2026-03-10T08:00:00Z" \
 --session main \
 --system-event "提醒：检查昨日告警" \
 --wake now \
 --delete-after-run

适合：轻量自动化，不需要外部调度系统。

4.8 开启 hooks 做审计与记忆沉淀

openclaw hooks list
openclaw hooks enable session-memory
openclaw hooks enable command-logger
openclaw hooks check

适合：要追溯“谁在什么时间触发了什么动作”。

4.9 用工具配置收敛风险面

{
 "tools": {
 "profile": "coding",
 "deny": ["group:runtime"]
 }
}

适合：默认可用，敏感执行默认禁止。

4.10 跨渠道发送消息（message tool）

官方 message 工具支持 Discord/Slack/Telegram/WhatsApp/Signal/iMessage 等动作（send/react/thread/pin 等）。

适合：同一工作流多渠道通知。

5. 使用技巧（结合社区分享的高频经验）

技巧 A：先少量 skill，后扩容

首批只保留 3-5 个高频 skill。
连续一周稳定后再扩展。
删除长期不用 skill，降低攻击面和提示词噪音。

技巧 B：把“可控性”放在“炫技”前面

优先开 tools.profile，再按需 allow。
高频群聊不建议常开 /verbose、/reasoning。
管理命令尽量放 owner-only 环境。

技巧 C：把“安全审查”变成固定流程

新 skill 必做：读 SKILL.md + 看安装步骤 + 看是否要求执行外部脚本。
若 skill 引导手工执行可疑命令，默认判定高风险。
尽量在隔离环境先试跑。

技巧 D：把“可观测”做在前面

开启 command logger / session memory。
关键流程记录输入、输出、失败原因。
形成“失败可复盘”的工程习惯。

6. 近期风险提醒（来自公开分享文章）

多家技术媒体与社区在 2026 年 1-3 月持续提到：Openclaw 生态中存在恶意 skill、钓鱼分发、以及配置失误导致的安全问题。对普通用户最实用的结论是：

只从官方文档与可信仓库进入安装链路。
第三方 skill 全部先审再用。
保持版本更新并及时打安全补丁。

注意：不要把 Skill 当“普通文档”看待。
在 Openclaw 里，Skill 实际上是“可触发执行路径”的能力单元，安全要求应按“代码上线”标准执行。

7. 参考链接（可核验）

Openclaw 项目入门：是什么、能做什么、怎么安全使用

Mon, 09 Mar 2026 00:00:00 +0000

官方仓库（建议只从这里进入）：
https://github.com/openclaw/openclaw

Openclaw 是什么

Openclaw 可以理解为一个“可执行任务的个人 AI 助手”框架。
它不是只聊天的机器人，而是更偏向 Agent：能接入你的工具、读取上下文、执行任务并返回结果。

这个项目的作用

它的核心价值是把“问答”变成“动作”：

把多个工具统一接入到一个助手里（消息、文档、任务、自动化等）。
让重复流程自动化（例如定时汇总、跨工具同步、提醒与追踪）。
给个人或小团队提供可自托管、可扩展的 Agent 工作流底座。

能做些啥（典型能力）

多渠道交互：在你常用的沟通入口里与助手对话并下发任务。
工具连接：对接外部服务后，执行查询、整理、分发等动作。
自动化执行：把固定流程编排成可重复执行的任务。
可扩展能力：通过插件/技能机制扩展新场景。

需要注意些啥（务必先看）

权限边界：Agent 拿到什么权限，就可能执行到什么程度；最小权限原则要先落地。
数据安全：敏感信息（API Key、私有文档、数据库凭据）必须隔离存储与审计。
来源可信：只从官方仓库和官方文档安装，不要直接运行来路不明的脚本或“二次打包版”。
成本控制：接入模型和外部服务后要做调用限额、重试和预算告警。
生产前验证：先在测试环境做流程演练，再逐步放量到正式场景。

围绕 Openclaw 的“花边新闻”（社区讨论点）

下面是近期开源社区里最常见的话题方向（更偏“趋势观察”）：

生态增长很快：围绕插件、部署、最佳实践的二级项目越来越多。
安全话题持续升温：越“能干活”的 Agent，越要重视权限和供应链安全。
架构路线争议：社区常讨论“RAG 优先”还是“工具调用优先”，Openclaw 通常被放在后者语境里对比。

说明：花边信息更新快、噪声也大，建议以仓库 README、Issues、Discussions 和官方发布说明为准。

建议的学习路径

先通读官方 README，明确架构和依赖。
用最小可用配置跑通一个简单自动化流程。
再逐步增加连接器、权限策略和监控告警。
最后再进入复杂业务编排，避免一开始“全家桶”导致排错困难。

参考链接

Openclaw GitHub: https://github.com/openclaw/openclaw

Openclaw 原生安装路径与第三方搭建全指南

Mon, 09 Mar 2026 00:00:00 +0000

这是一份面向新手的 Openclaw 安装与部署实操手册：先本地跑通，再决定上云，最后补齐安全与运维。

版本说明（2026-03-09）：文中命令与路径基于 Openclaw 官方文档和官方仓库整理。若后续版本有差异，优先以官方文档最新说明为准。

一图看懂：先选哪条安装路线

路线	适合谁	上手速度	可控性	推荐指数
官方安装脚本	第一次接触 Openclaw	很快	中	⭐⭐⭐⭐⭐
npm / pnpm 全局安装	有 Node 经验	快	中高	⭐⭐⭐⭐
install-cli 前缀安装	无 root 权限环境	中	高	⭐⭐⭐⭐
源码构建安装	二开/深度定制	慢	很高	⭐⭐⭐
第三方托管（Railway/Render/Northflank）	想快速上线	很快	中	⭐⭐⭐⭐

建议顺序：本地跑通 -> 确认业务需求 -> 再决定托管平台。
不要一上来就做复杂生产部署，否则排错成本会很高。

路径一：官方安装脚本（最推荐）

1) 环境前置检查

# macOS / Linux
uname -a
node -v

Node 建议 22+
Windows 建议优先使用 WSL2

2) 执行安装

curl -fsSL https://openclaw.ai/install.sh | bash

Windows PowerShell：

iwr -useb https://openclaw.ai/install.ps1 | iex

3) 首次引导与验证

openclaw doctor
openclaw status
openclaw dashboard

doctor：检查依赖和运行条件
status：看服务是否健康
dashboard：进入控制台

4) 常见报错与修复

现象	原因	处理
`openclaw: command not found`	全局 bin 不在 PATH	补 PATH 后重开终端
安装卡住	网络/代理问题	换网络或配置代理再试
权限错误	系统权限不足	使用用户目录安装或加 sudo（谨慎）

路径二：npm / pnpm 全局安装（可控版）

1) 安装命令

npm install -g openclaw@latest
openclaw onboard --install-daemon

或 pnpm：

pnpm add -g openclaw@latest
pnpm approve-builds -g
openclaw onboard --install-daemon

2) PATH 修复模板

npm prefix -g
echo "$PATH"

如果路径缺失，补到 ~/.zshrc 或 ~/.bashrc：

export PATH="$(npm prefix -g)/bin:$PATH"

注意：不要同时混用多套 Node 管理器（如 nvm + fnm + 系统 Node）并交叉全局安装，这会造成命令漂移和版本冲突。

路径三：install-cli 前缀安装（企业受限环境友好）

1) 默认安装（用户目录）

curl -fsSL --proto '=https' --tlsv1.2 https://openclaw.ai/install-cli.sh | bash

2) 指定安装目录

curl -fsSL --proto '=https' --tlsv1.2 https://openclaw.ai/install-cli.sh | bash -s -- --prefix /opt/openclaw --version latest

3) 自动化安装（CI/CD 可用）

curl -fsSL --proto '=https' --tlsv1.2 https://openclaw.ai/install-cli.sh | bash -s -- --json --prefix /opt/openclaw

这个路径的优势在于：

不污染全局环境
便于多版本并行测试
更适合受限服务器权限场景

路径四：源码构建安装（开发者路线）

git clone https://github.com/openclaw/openclaw.git
cd openclaw
pnpm install
pnpm ui:build
pnpm build
pnpm link --global
openclaw onboard --install-daemon

适用场景：

需要改 UI 或流程逻辑
需要提交 PR
需要做企业内部插件开发

第三方部署：如何选平台更稳

方案 A：Railway（速度优先）

操作流程：

使用官方模板一键部署。
配置持久化目录（如 /data）。
设置关键环境变量：SETUP_PASSWORD、PORT。
访问 https://你的域名/setup 完成初始化。
使用 https://你的域名/openclaw 进入控制台。

优点：快。
注意点：免费配额与休眠策略要提前评估。

方案 B：Render（配置可版本化）

操作流程：

按官方 Blueprint 导入。
配置 SETUP_PASSWORD 与持久化磁盘。
部署完成后访问 /setup 初始化。

优点：IaC 友好，团队协作清晰。
注意点：首次构建与冷启动要考虑耗时。

方案 C：Northflank（面板体验好）

操作流程：

一键部署官方模板。
填写环境变量并启动服务。
打开 /setup 完成首启配置。

优点：上手直观。
注意点：资源规格与成本要按实际流量调优。

方案 D：VPS + Docker（长期生产推荐）

建议步骤：

选稳定 Linux 发行版并更新系统。
使用官方镜像 ghcr.io/openclaw/openclaw 部署。
挂载数据目录，避免容器重建丢状态。
加反向代理（Nginx/Caddy）并启用 HTTPS。
增加监控、日志归档、自动备份。

新手最容易忽略的 6 个坑

只关注安装，不做权限边界：应先定义谁可调用哪些工具。
把密钥写进仓库：应使用环境变量与密钥管理服务。
不做限流与预算控制：模型调用量会在高并发下快速放大。
不区分测试环境与生产环境：先在测试环境走通再放量。
无备份策略：至少要做每日快照与关键配置备份。
盲目追新版本：生产环境升级前先灰度验证。

安全底线：最小权限、密钥隔离、日志留痕、可回滚发布。
这四件事做到了，线上风险会下降一个数量级。

快速验收清单（安装后 10 分钟内完成）

openclaw doctor 全项通过
openclaw status 显示运行中
Dashboard 可访问
至少连接 1 个外部工具并完成一次读写测试
已设置管理员密码与最小权限策略
已启用日志与数据目录备份

参考资料（官方）

Install 总览：https://docs.openclaw.ai/install/index
Installer Internals：https://docs.openclaw.ai/install/installer
Docker：https://docs.openclaw.ai/install/docker
Podman：https://docs.openclaw.ai/install/podman
Nix：https://docs.openclaw.ai/install/nix
Ansible：https://docs.openclaw.ai/install/ansible
Railway：https://docs.openclaw.ai/install/railway
Render：https://docs.openclaw.ai/install/render
Northflank：https://docs.openclaw.ai/install/northflank
OpenClaw GitHub：https://github.com/openclaw/openclaw
配图来源（Pexels）：https://www.pexels.com/photo/a-close-up-image-of-computer-circuit-board-34804019/

深圳龙岗 OpenClaw 补贴政策速览（2026-03）

Mon, 09 Mar 2026 00:00:00 +0000

一句话先说结论：有补贴，但目前还是征求意见稿，正式申报要等最终发布版和实施细则。

信息更新至 2026 年 3 月 9 日：龙岗区公开的是《支持OpenClaw&OPC发展的若干措施（征求意见稿）》。
公示期：2026 年 3 月 7 日至 2026 年 4 月 6 日。

这次“OpenClaw 补贴”核心看点

和 OpenClaw 直接相关、且最容易被关注的条款，主要是这几类：

方向	支持方式	额度上限
开发推广支持	关键代码贡献、产业技能包、具身应用项目	最高 200 万元
数字员工应用券	企业采购或自建 OpenClaw 方案，按项目投入比例补贴	不超过投入 40%，单家企业每年最高 200 万元
应用示范项目	评选 OpenClaw 深度应用示范	按实际投入 30% 一次性奖励，最高 100 万元
免费部署服务	鼓励平台提供 OpenClaw 免费部署服务，政府对平台补贴	文件写明“给予一定补贴”，未写明确上限

另外，文件里还有与 OpenClaw 生态强相关的配套支持：

AIGC 模型调用补贴：按调用费用 30%，每家每年最高 100 万元。
算力与场景支持：示范场景最高不超过 400 万元。
基金融资：符合条件项目最高 1000 万元股权投资支持。

谁更可能用得上

优先看这三类主体：

在龙岗落地的 OpenClaw 工具开发团队。
准备用 OpenClaw 做业务数字化的区内企业。
提供部署、数据、算力、场景服务的平台型机构。

现在该怎么做（实操版）

先按“征求意见稿”预评估项目，别按“已落地政策”做财务承诺。
提前整理项目投入、代码贡献、场景效果等可核验材料。
持续盯官方页面，等正式稿和申报细则发布后再按口径申报。
有疑问可在公示期内按公告联系方式咨询或反馈意见。

注意：当前文本为征求意见稿，部分条款可能在正式发布时调整；文中“补贴比例/上限”请以最终政策文件为准。

官方与新闻来源

龙岗区官方公告（2026-03-07）：https://www.lg.gov.cn/bmzz/rgznjqrs/xxgk/qt/tzgg/content/post_12672989.html
官方附件（征求意见稿 .doc）：https://www.lg.gov.cn/attachment/1/1690/1690481/12672989.doc
深圳新闻网（2026-03-09）：“龙岗拟推龙虾十条”：https://www.sznews.com/news/content/2026-03/09/content_31969411.htm

Psnr对比图片画质

Thu, 02 Oct 2025 00:00:00 +0000

3.1 典型评价尺度

PSNR范围(dB)	图像质量评价
>40	极好（肉眼不可辨差异）
30-40	良好（可接受质量）
20-30	较差（明显失真）
<20	严重失真（不可接受）

import numpy as np
import cv2
import matplotlib.pyplot as plt


"""计算两幅RGB图像的PSNR值
参数:
 img1: 原始图像(numpy数组)
 img2: 待评估图像(numpy数组)
返回:
 PSNR值(dB)
"""
def rgb_psnr(img1, img2):
 # 确保输入是numpy数组
 img1 = np.array(img1, dtype=np.float64)
 img2 = np.array(img2, dtype=np.float64)
 # 计算各通道MSE
 mse_r = np.mean((img1[:, :, 0] - img2[:, :, 0]) ** 2)
 mse_g = np.mean((img1[:, :, 1] - img2[:, :, 1]) ** 2)
 mse_b = np.mean((img1[:, :, 2] - img2[:, :, 2]) ** 2)
 # 计算平均MSE
 mse = (mse_r + mse_g + mse_b) / 3
 # 处理完全相同的图像
 if mse == 0:
 return float('inf')
 return 20 * np.log10(255 / np.sqrt(mse))


def psnr(img1, img2):
 img1 = img1.astype(np.float64)
 img2 = img2.astype(np.float64)

 mse = np.mean((img1 - img2) ** 2)
 if mse == 0:
 return float('inf')

 if img1.max() > 1:
 max_pixel = 255.0
 else:
 max_pixel = 1.0

 return 20 * np.log10(max_pixel / np.sqrt(mse))


if __name__ == "__main__":
 # 1. 读取原始图像
 original = cv2.imread('../../mario.png') # BGR格式
 original = cv2.cvtColor(original, cv2.COLOR_BGR2RGB) # 转换为RGB

 # 2. 创建测试图像（添加高斯噪声）
 noisy = original + np.random.normal(0, 25, original.shape)
 noisy = np.clip(noisy, 0, 255).astype(np.uint8)

 # 3. 计算PSNR
 # psnr_value = rgb_psnr(original, noisy)
 psnr_value = psnr(original, noisy)
 print(f"PSNR between original and noisy image: {psnr_value:.2f} dB")

 # 4. 可视化比较
 plt.figure(figsize=(12, 6))

 plt.subplot(1, 2, 1)
 plt.imshow(original)
 plt.title('Original Image')
 plt.axis('off')

 plt.subplot(1, 2, 2)
 plt.imshow(noisy)
 plt.title(f'Noisy Image (PSNR={psnr_value:.2f}dB)')
 plt.axis('off')

 plt.tight_layout()
 plt.show()

SSIM对比图片相似度

Thu, 02 Oct 2025 00:00:00 +0000

对比图片相似度, 相似度越接近1 表示相似度越高,

import cv2
import numpy as np
from scipy.ndimage import gaussian_filter

def load_image_grayscale(image_path):
 img = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)
 if img is None:
 raise ValueError(f"无法读取图像: {image_path}")
 img = img.astype(np.float64) / 255.0
 
 return img

def compute_statistics(img1, img2, window_size=11, sigma=1.5):
 mu1 = gaussian_filter(img1, sigma=sigma)
 mu2 = gaussian_filter(img2, sigma=sigma)
 
 sigma1_sq = gaussian_filter(img1 ** 2, sigma=sigma) - mu1 ** 2
 sigma2_sq = gaussian_filter(img2 ** 2, sigma=sigma) - mu2 ** 2
 
 
 
 sigma12 = gaussian_filter(img1 * img2, sigma=sigma) - mu1 * mu2
 
 
 return mu1, mu2, sigma1_sq, sigma2_sq, sigma12

def calculate_ssim(img1, img2, window_size=11, sigma=1.5, K1=0.01, K2=0.03, L=1.0):
 mu1, mu2, sigma1_sq, sigma2_sq, sigma12 = compute_statistics(img1, img2, window_size, sigma)
 
 C1 = (K1 * L) ** 2
 C2 = (K2 * L) ** 2
 
 luminance = (2 * mu1 * mu2 + C1) / (mu1 ** 2 + mu2 ** 2 + C1)
 
 print(f"luminance: {np.mean(luminance):.4f}")
 
 # 确保方差值非负
 sigma1_sq = np.maximum(sigma1_sq, 0)
 sigma2_sq = np.maximum(sigma2_sq, 0)
 
 contrast = (2 * np.sqrt(sigma1_sq) * np.sqrt(sigma2_sq) + C2) / (sigma1_sq + sigma2_sq + C2)
 print(f"contrast: {np.mean(contrast):.4f}")
 structure = (sigma12 + C2 / 2) / (np.sqrt(sigma1_sq) * np.sqrt(sigma2_sq) + C2 / 2)
 print(f"structure: {np.mean(structure):.4f}")
 
 ssim_map = luminance * contrast * structure
 return np.mean(ssim_map)

def ssim_index(image1_path, image2_path, window_size=11, sigma=1.5, K1=0.01, K2=0.03):
 img1 = load_image_grayscale(image1_path)
 img2 = load_image_grayscale(image2_path)
 
 if img1.shape != img2.shape:
 raise ValueError("输入的两幅图像必须具有相同的尺寸")
 
 ssim = calculate_ssim(img1, img2, window_size, sigma, K1, K2, L=1.0)
 return ssim

# 示例使用
if __name__ == "__main__":
 image1_path = '/Users/pkl/Downloads/3.png'
 image2_path = '/Users/pkl/Downloads/3_副本.png'
 
 try:
 ssim_value = ssim_index(image1_path, image2_path)
 print(f"两张图像的SSIM值为: {ssim_value:.4f}")
 except Exception as e:
 print(f"计算SSIM时发生错误: {e}")

输出结果>

❯ /opt/anaconda3/bin/python "SSIM结构相似性值计算.py"
luminance: 0.9946
contrast: 0.9917
structure: 0.9869
两张图像的SSIM值为: 0.9831

Linux 运维必备的 25 个核心命令解析

Sat, 15 Feb 2025 00:00:00 +0000

一、文件目录操作类

1. ls 文件列表查看

ls -lah # 显示所有文件（含隐藏文件）的详细信息

-l 长格式显示
-a 显示隐藏文件
-h 人性化文件大小[1][2]

2. cd 目录切换

cd ~/Documents # 进入用户文档目录
cd .. # 返回上级目录

3. mkdir 创建目录

mkdir -p project/{src,test} # 递归创建多级目录

4. rm 删除操作

rm -rf temp/ # 强制递归删除目录

⚠️ 高危操作需谨慎

5. cp/mv 文件操作

cp -a config.conf config_backup.conf # 保留属性的完整复制
mv old_file.txt new_location/ # 移动文件

二、文本处理三剑客

6. grep 文本搜索

grep -rn "error" /var/log/ # 递归搜索错误日志

-i 忽略大小写
-v 反向匹配[1][3]

7. sed 流编辑器

sed 's/foo/bar/g' file.txt # 全局替换文本

8. awk 数据分析

awk '{print $1}' access.log # 提取第一列数据

三、系统监控命令

9. top 进程监控

top -u apache # 监控指定用户进程

10. ps 进程查看

ps aux | grep nginx # 查看 Nginx 进程

11. free 内存查看

free -h # 人性化显示内存使用

12. df 磁盘空间

df -Th # 显示文件系统类型及使用率

四、网络相关命令

13. ping 网络连通性

ping -c 4 google.com # 发送4个测试包

14. netstat 网络状态

netstat -tuln # 查看监听端口

15. curl 网络请求

curl -I https://example.com # 获取响应头信息

五、压缩解压工具

16. tar 归档处理

tar czvf backup.tar.gz /data # 创建压缩包
tar xzvf backup.tar.gz # 解压文件

17. gzip 压缩工具

gzip -9 bigfile.log # 最大压缩率处理

六、权限管理命令

18. chmod 权限修改

chmod 755 script.sh # 设置可执行权限

19. chown 归属变更

chown -R www:www /var/www # 递归修改目录归属

七、进阶工具集

20. find 文件查找

find / -name "*.conf" -mtime +30 # 查找30天前的配置文件

21. ssh 远程连接

ssh -p 2222 user@host # 指定端口连接

22. scp 安全传输

scp -r local_dir user@remote:/path # 递归传输目录

23. tail 日志跟踪

tail -f /var/log/syslog # 实时监控日志变化

24. history 命令历史

history | grep "apt install" # 检索安装记录

25. alias 命令别名

alias ll='ls -alF' # 创建快捷命令

命令速查表

分类	命令示例	使用频率
文件操作	`cp/mv/rm`	★★★★★
系统监控	`top/ps/free`	★★★★☆
网络相关	`ping/curl/netstat`	★★★★☆
文本处理	`grep/sed/awk`	★★★★★

提示：使用 man [命令] 可查看完整手册，例如 man grep 查看详细用法说明[3][5]

参考资料

GNU Coreutils 文档：https://www.gnu.org/software/coreutils/manual/coreutils.html
Linux man-pages 项目：https://man7.org/linux/man-pages/
grep 手册页：https://man7.org/linux/man-pages/man1/grep.1.html
ps / top 工具说明（procps）：https://man7.org/linux/man-pages/man1/ps.1.html
The Linux Documentation Project：https://tldp.org/

Python日期处理工具类深度解析

Sat, 15 Feb 2025 00:00:00 +0000

核心功能实现

1. 基础时间获取

@staticmethod
def get_current_date() -> date:
 """获取当前日期对象（date类型）[1][3]
 Example: 2024-02-15
 """
 return date.today()

@staticmethod
def get_current_datetime() -> datetime:
 """获取当前日期时间对象（datetime类型）[2][3]
 Example: 2024-02-15 14:30:45.123456
 """
 return datetime.now()

2. 日期格式化与解析

@staticmethod
def format_date(dt: date, fmt: str = "%Y-%m-%d") -> str:
 """日期格式化输出[1][2]
 Example: 2024-02-15 → "15/02/2024"
 """
 return dt.strftime(fmt)

@staticmethod
def parse_date_str(date_str: str, fmt: str = "%Y-%m-%d") -> date:
 """字符串转日期对象[2][3]
 Example: "20240215" → 2024-02-15
 """
 return datetime.strptime(date_str, fmt).date()

3. 日期计算功能

@staticmethod
def calculate_days_diff(start: date, end: date) -> int:
 """计算两个日期之间的天数差[2]
 Example: 2024-02-10与2024-02-15 → 5天
 """
 return (end - start).days

@staticmethod
def add_days(base_date: date, days: int) -> date:
 """日期加减计算[1][3]
 Example: 2024-02-15 + 3天 → 2024-02-18
 """
 return base_date + timedelta(days=days)

4. 日历相关功能

@staticmethod
def get_month_calendar(year: int, month: int) -> str:
 """生成月份日历[4][5]
 Example: 2024年2月 → 返回格式化日历表格
 """
 return calendar.month(year, month)

@staticmethod
def is_month_end(dt: date) -> bool:
 """判断是否月末[4][5]
 Example: 2024-02-15 → False
 """
 return dt.day == calendar.monthrange(dt.year, dt.month)[1]

5. 高级判断功能

@staticmethod
def is_future_date(target: date) -> bool:
 """判断是否为未来日期[1]
 Example: 2025-01-01 → True
 """
 return target > date.today()

@staticmethod
def get_workdays(year: int, month: int) -> List[date]:
 """获取当月工作日列表[4][5]
 Example: 2024年2月 → 过滤周末的日期列表
 """
 return [date(year, month, day) for day in range(1, calendar.monthrange(year, month)[1]+1)
 if date(year, month, day).weekday() < 5]

6. 时间维度计算

@staticmethod
def get_week_number(dt: date) -> int:
 """获取ISO周数[2][3]
 Example: 2024-02-15 → 周数7
 """
 return dt.isocalendar()[1]

@staticmethod
def get_age(birth_date: date) -> int:
 """精确年龄计算[2][3]
 Example: 2000-03-15 → 24岁（当前日期2024-02-15）
 """
 today = date.today()
 return today.year - birth_date.year - ((today.month, today.day) < (birth_date.month, birth_date.day))

使用示例

print("当前日期:", DateUtils.get_current_date()) # [1][3]
print("月末判断:", DateUtils.is_month_end(date(2024,2,28))) # [4][5]
print("工作日列表:", DateUtils.get_workdays(2024, 2)) # [4][5]

功能对比表

功能	核心方法	相关模块	应用场景
日期格式化	strftime	datetime	日志记录
工作日计算	weekday + calendar	calendar	考勤统计
闰年判断	monthrange	calendar	日期校验
时区转换	astimezone	dateutil	跨国系统

最佳实践建议

处理跨时区场景时建议统一使用UTC时间[1][3]
日期比较前确保时区一致性[1][4]
使用calendar.monthrange()处理月末日期更可靠[4][5]
批量处理日期时建议先进行时区转换[3][4]

该工具类已涵盖日常开发中常见的日期处理需求，通过合理组合使用这些方法，可以显著提升开发效率。

参考资料

Python datetime 官方文档：https://docs.python.org/3/library/datetime.html
Python date/timedelta 用法：https://docs.python.org/3/library/datetime.html#date-objects
Python zoneinfo 时区文档：https://docs.python.org/3/library/zoneinfo.html
Python calendar 官方文档：https://docs.python.org/3/library/calendar.html
python-dateutil 项目文档：https://dateutil.readthedocs.io/

SeleniumBase框架深度解析：Web自动化测试的利器与局限

Sat, 15 Feb 2025 00:00:00 +0000

一、框架定位

SeleniumBase是基于Python的全栈Web自动化框架，深度融合Selenium WebDriver与pytest测试框架，支持Web自动化测试、数据抓取、端到端测试等场景[1][3]。其核心设计目标是简化Selenium的复杂操作，提供开箱即用的解决方案[2]。

二、核心优势

1. 极简API设计

封装常见操作（点击/输入/断言）为单行代码：

self.click("button#submit") # 元素点击[2]
self.assert_text("支付成功", "h1.status") # 智能断言[2]

自动处理等待机制，减少显式等待代码[4]

2. 深度pytest集成

原生支持参数化测试、夹具管理等pytest特性
命令行直接运行测试并生成报告：
```
pytest my_test.py --html=report.html[4]
```

3. 增强型功能套件

功能模块	应用场景
智能截图	失败用例自动截屏[2]
数据驱动	CSV/YAML数据源支持[2]
Bot检测绕过	模拟人类操作规避反爬[1]
多浏览器支持	Chrome/Firefox/Edge无缝切换[3]

4. 全场景覆盖能力

支持常规Web测试（表单提交/元素验证）
扩展爬虫场景（自动滚动/动态内容抓取）[1]
移动端Web测试（通过Appium集成）[5]

三、使用局限

1. 技术栈限制

仅支持Python语言，无法用于Java/C#技术体系[1]
深度依赖pytest框架，需要额外学习成本[4]

2. 性能瓶颈

基于WebDriver的架构导致执行速度较慢（相比Playwright）
大规模测试时浏览器实例管理效率较低[3]

3. 学习曲线

内置方法多达200+，新手需要时间熟悉（如self.wait_for_element_visible()与self.assert_element_present()的区别）[2]
自定义扩展需要理解框架多层继承结构[4]

4. 移动端支持

仅支持WebView测试，无法直接操作原生APP元素[5]
移动端设备管理功能较弱（对比Appium）

四、适用场景建议

✅ 推荐使用：

Python技术栈的Web项目
需要快速搭建自动化体系的团队
结合爬虫的测试验证场景[1]

❌ 不推荐使用：

高性能要求的并发测试
跨语言技术体系（Java/C#）
原生APP自动化测试

框架选择如同选汽车：SeleniumBase是配备智能驾驶的SUV，适合需要多功能集成的团队；而Cypress/Playwright更像是跑车，专注极致性能[1][3]。

参考资料

SeleniumBase 官方文档：https://seleniumbase.io/
SeleniumBase GitHub：https://github.com/seleniumbase/SeleniumBase
Selenium WebDriver 文档：https://www.selenium.dev/documentation/
Pytest 官方文档：https://docs.pytest.org/
Appium 官方文档：https://appium.io/docs/en/latest/

测试用例编写全攻略：从理论到实践的核心方法解析

Sat, 15 Feb 2025 00:00:00 +0000

一、测试用例核心要素

测试用例是验证软件需求的最小执行单元，完整的用例应包含：

用例编号：TC-模块名-序列号（如TC-Login-001）
测试标题：简明描述验证目标（如"验证正确用户名密码登录成功"）
前置条件：执行测试前的系统状态（如用户已注册并激活）
测试步骤：可执行的操作序列（输入用户名→输入密码→点击登录）[2][4]
预期结果：符合需求定义的明确预期（跳转到用户主页）
优先级：P0（核心功能）到P3（边缘场景）的等级划分[4]

二、经典设计方法

2.1 等价类划分法

将输入域划分为有效/无效等价类，例如：

用户名输入框：有效（6-20位字符）、无效（5位/21位/特殊符号）[3]

2.2 边界值分析法

重点测试输入域的边界条件：

密码长度限制8-16位时，测试7/8/9和15/16/17位的情况[1]

2.3 判定表法

处理多条件组合场景（推荐代替因果图法）：

条件组合	已登录	有权限	预期结果
1	是	是	访问成功
2	是	否	提示无权限
3	否	-	跳转登录

三、编写实践技巧

需求映射：每个用例必须对应明确的需求点（如PRD第3.2条）[5]
正向用例优先：先保证核心流程正确性（如成功登录）
异常场景覆盖：网络中断、数据异常等边缘情况（登录时断网）[3]
参数化设计：使用变量提高用例复用性（不同用户角色共用登录流程）

四、典型错误规避

大而全的用例：单个用例包含多个验证点（应拆分为原子用例）
模糊描述：使用"适量数据"等不明确表述（应改为"输入15位数字"）
忽略前置条件：未说明测试环境状态导致结果不稳定[4]
缺乏维护：需求变更后未及时更新关联用例[5]

实战案例：微信朋友圈发布功能测试

正常场景：图文混排+定位发送

异常场景：无网络时发布、超过9张图片

边界测试：输入1000个字符检查截断逻辑[3][4]

五、质量提升checklist

每个用例是否可独立执行？
预期结果是否可量化验证？
是否覆盖所有需求分支？
是否经过同行评审？[5]
是否关联到缺陷管理系统？

通过合理的用例设计，测试团队可提升缺陷发现率30%以上[2]。建议新人在编写前先使用测试大纲法梳理测试点，再逐步细化为具体用例。记住：好的测试用例应该像导航路线一样，让执行者无需额外思考就能完成验证[4][5]。

参考资料

ISTQB Foundation Syllabus：https://www.istqb.org/certifications/certified-tester-foundation-level/
IEEE 29119 Software Testing：https://standards.ieee.org/ieee/29119-1/6400/
等价类与边界值分析介绍：https://www.guru99.com/equivalence-partitioning-boundary-value-analysis.html
决策表测试方法：https://www.toolsqa.com/software-testing/decision-table-testing/
软件测试文档与用例管理实践（Atlassian）：https://www.atlassian.com/software/confluence/testing

软件测试入门指南：从零基础到核心技能解析

Sat, 15 Feb 2025 00:00:00 +0000

一、什么是软件测试？

软件测试是通过技术手段验证软件是否满足需求的过程，本质上是通过系统化的方法发现软件缺陷，确保产品质量[1]。测试工程师需要像侦探一样，通过不同的测试手段寻找软件中的"漏洞"。

二、测试分类体系解析

2.1 按测试方法划分

黑盒测试：不关注内部实现，验证功能是否符合需求（如电商下单流程测试）
白盒测试：基于代码逻辑的测试（常用于单元测试）
灰盒测试：结合代码和功能的混合测试[2]

2.2 按测试阶段划分

单元测试：验证最小代码单元
集成测试：模块间接口测试
系统测试：完整业务流程验证
验收测试：用户需求匹配度测试

三、新手学习路径规划

3.1 基础阶段（1-3个月）

掌握测试基本理论：测试生命周期、缺陷管理流程
熟悉测试文档编写：测试计划、用例、报告
学习SQL基础与Linux常用命令[2]

3.2 进阶路线（4-6个月）

建议选择以下组合发展：

功能测试 + 接口测试（适合业务型测试）
自动化测试 + 接口测试（技术路线）
功能 + 性能测试（全栈方向）[1]

四、必备工具与技术栈

测试类型	推荐工具
功能测试	Jira, TestLink
接口测试	Postman, Swagger
自动化测试	Selenium, Appium
性能测试	JMeter, LoadRunner
持续集成	Jenkins, GitLab CI

五、职业发展建议

保持学习敏感度：关注AI测试、混沌工程等新趋势[4]
构建技术深度：从脚本录制进阶到框架开发（如Pytest框架）
培养质量意识：通过质量模型（功能性/可靠性/易用性等维度）全面评估产品[1]

测试工程师的成长就像玩RPG游戏：前期打基础（功能测试）是新手村任务，中期选择职业方向（自动化/性能）开启转职，后期成为测试架构师则是挑战终极BOSS[3]。

参考资料

ISTQB Foundation Syllabus：https://www.istqb.org/certifications/certified-tester-foundation-level/
ISO/IEC/IEEE 29119 软件测试标准：https://www.iso.org/standard/45142.html
软件测试生命周期（STLC）实践介绍：https://www.browserstack.com/guide/software-testing-life-cycle
ISO/IEC 25010 软件质量模型：https://iso25000.com/index.php/en/iso-25000-standards/iso-25010

技术文档 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