使用 OpenClaw 的 Skills 对接本地系统
Skills 听说过吧，AI 圈里整天都在讨论的。今天我们就通过它来让 OpenClaw 有能力对接我们本地的系统。
此篇仅提供思路，由于目前 OpenClaw 不太建议在生产环境使用，并且其能力范围可能远超我们的想象，所以这里只做演示用，实际项目中落地请一定要慎重。
主要的方法就是将访问本地系统的方法封装成一个 Python 函数，然后把其作为 Agent 的 Tool，提供给 AI，让其决定根据用户的指令，如何利用这些 Tools 来完成任务。
接下来我们来演示，如何使用 OpenClaw 的 Skills 来实现同样的功能，这也是使用任何 Agent，包括 OpenClaw 对接本地应用系统的一种方式。
首先，创建 Skill。作为一个 Agent，它是不知道为了回答特定的问题，该去如何获取相应的数据来完成任务的，Skill 就可以帮其完成这个任务。 然而这个 Skill 我们不需要自己手动去写，我们可以让 OpenClaw 帮助我们来完成。
比如我可以给 OpenClaw 下达一个任务：
请根据以下文章里的内容，帮我创建技能： https://www.cnblogs.com/aspnetx/p/19242559
这里你可以懒到，把先前的 python 代码给它，或者直接让它去我的博客里去读。 技能生成好了之后它会跟你确认是否安装，回复安装即可完成技能的导入。
在 OpenClaw 的目录中，我们可以看到这个 Skill 成功安装，并且也可以看到对应的 Python 代码文件也放到了 Scripts 目录下。 以下可以看到 OpenClaw 生成的 Skill 的 markdown 文件：
--- name: sales-training-agent description: 根据销售评测结果自动分析培训需求，生成个性化培训内容并创建对应的考试题目。Use when 需要为销售团队生成培训材料、根据评测结果规划培训计划、或自动生成销售培训考试题目的场景。 --- # Sales Training Agent 自动分析销售评测结果，生成个性化培训内容和对应的考试题目。 ## 功能特点 - 自动获取销售团队名单和评测规则 - 查询每个销售的评测分数，判断是否需要培训 - 根据不及格项目自动加载对应的培训内容 - 使用大模型为每个培训主题生成针对性的考试题目 - 完全遵循人工思考流程，依次调用工具获取信息 ## 包含的工具函数 | 函数 | 功能 | |------|------| | `get_sales()` | 获取销售列表 | | `get_salespolicy()` | 获取评测规则（低于 60 分需要重新培训） | | `get_salesscore(salesname)` | 获取指定销售的各项评测分数 | | `get_trainingcontent(traininggroup)` | 根据培训分组获取培训内容（产品信息/话术技巧/拜访流程） | ## 目录结构 ``` sales-training-agent/ ├── SKILL.md └── scripts/ └── sales_training_agent.py ``` ## 使用方法 ```bash cd /Users/xxx/.openclaw/workspace/skills/sales-training-agent/scripts python sales_training_agent.py ``` 脚本会运行 Agent 并输出完整的推理过程，包括： 1. 获取评测规则 2. 获取销售列表 3. 查询每个人的评测分数 4. 分析哪些人需要哪些培训 5. 获取对应培训内容 ## 依赖 需要安装： - langchain >= 1.0 - volcenginesdkarkruntime（如果使用豆包模型） 你可以更换成其他支持工具调用的大模型（如 deepseek、openai 等）。 ## 示例数据 默认包含迈巴赫 S 级汽车产品培训演示数据： - 产品信息：迈巴赫 S 级的定位、价格、动力、配置 - 话术技巧：销售沟通五步法 - 拜访流程：标准销售拜访五步法 三个销售人员示例数据： - 张三：话术技巧 55 分（需要培训） - 李四：产品信息 50 分、拜访流程 55 分（需要培训） - 王五：全部及格（无需培训）
可以看到这是一个标准的 Skill，包含了必要信息。
接下来测试一下，比如问它：当前销售人员列表。 下面是 OpenClaw 根据此 Skill 的回复：
当前销售团队列表： | 序号 | 销售人员 | |:----:|:---------| | 1 | 张三 | | 2 | 李四 | | 3 | 王五 | 这是演示数据，包含三位销售人员。根据评测规则： - **张三**：话术技巧 55 分（需要培训） - **李四**：产品信息 50 分、拜访流程 55 分（需要培训） - **王五**：全部及格（无需培训） 需要我帮你： 1. 查看完整的评测分数分析和培训需求？ 2. 生成个性化培训内容？ 3. 生成对应的考试题目？
也可以让其实现整个流程，比如提问：根据每个人的考核成绩，生成其对应的培训内容。 可以看到 OpenClaw 会根据用户的指令，自动调用对应的 Skill，来完成任务。
根据每个人的考核成绩，已为你生成个性化培训内容如下： --- ## 👤 **销售人员：张三** ### 考核成绩 | 考核项目 | 分数 | 是否需要培训 | |---------|------|-------------| | 产品信息 | 90 | ✔ 不需要 | | **话术技巧** | **55** | ✗ **需要** | | 拜访流程 | 70 | ✔ 不需要 | --- ### 📋 **个性化培训内容：话术技巧** ``` 1. 开场破冰：用身份定位抓注意力。 2. 动力介绍：不堆参数，讲「体验感」 3. 配置卖点：场景化描述，让用户「身临其境」 4. 价格沟通：弱化数字，强调「价值匹配」 5. 促成技巧：锁定需求，引导体验 ``` --- ## 👤 **销售人员：李四** ### 考核成绩 | 考核项目 | 分数 | 是否需要培训 | |---------|------|-------------| | **产品信息** | **50** | ✗ **需要** | | 话术技巧 | 80 | ✔ 不需要 | | **拜访流程** | **55** | ✗ **需要** | --- ### 📋 **个性化培训内容：产品信息** ``` 迈巴赫 S 级 定位：大型豪华轿车。 价格：2026 款指导价 146.80 万 - 364.30 万。 动力：提供多种动力选择，如 S 480 4MATIC 搭载 3.0T L6 双涡轮增压 + 48V 轻混，最大功率 280kW；S 580 4MATIC 配备 4.0T V8 双涡轮增压 + 48V 轻混，最大功率 410kW；S 680 4MATIC 则采用 6.0T V12 双涡轮增压，最大功率 450kW。 配置：全系标配智能领航辅助 Max 系统，支持厘米级高精度定位等功能。内饰采用 Nappa 真皮座椅带菱形格纹 + 按摩功能，后排腿部空间达 1400mm，还可选装银质香槟杯、星空顶等奢华配置。 ``` --- ### 📋 **个性化培训内容：拜访流程** ``` 一、前期准备（拜访前 1-2 天） 二、开场接待（5 分钟）：建立信任，拉近距离 三、需求深挖与价值呈现（15-20 分钟）：精准匹配，场景化输出 四、展车体验（15-20 分钟）：身临其境，强化感知 五、疑虑化解与促成跟进（10-15 分钟）：解决顾虑，推动决策 ``` --- ## 👤 **销售人员：王五** ### 考核成绩 | 考核项目 | 分数 | 是否需要培训 | |---------|------|-------------| | 产品信息 | 70 | ✔ 不需要 | | 话术技巧 | 80 | ✔ 不需要 | | 拜访流程 | 95 | ✔ 不需要 | **✅ 全部及格，无需培训** --- ## 📊 培训需求汇总 | 销售人员 | 需培训项目 | |---------|-----------| | 张三 | 话术技巧 | | 李四 | 产品信息、拜访流程 | | 王五 | 无 | **共 2 人需要参加培训，总计 3 个培训模块。**
可以看到，OpenClaw 通过调用对应的 Skill，自动分析了每个人的评测成绩，并且生成了个性化的培训内容。跟我们当初在 LangChain Agent 的 Tools 中实现的功能是一致的。
总结
可以看到，OpenClaw 的实现思路跟 LangChain 的 Agent 是一致的，我们可以利用 OpenClaw，基于给 Agent 写的 Tools，来生成 OpenClaw 的 Skill。 总体来说就是 OpenClaw/Agent -> Python -> 内部系统/数据，这样的一个过程。 这种方法，只要确保 Python 一测能顺利的访问到内部系统，就可以同样用 OpenClaw 来实现相同的功能。 最后还是强调下，如果用 OpenClaw，需要注意数据的安全，在目前版本（V2026.3.13）尚不建议在生产环境中使用。
