质量门槛2748 个 Skills 为何被排除从 5705 到 3002中间消失的 2748 个 Skills 揭示了这个列表的价值取向。排除逻辑按影响规模排序如下● 垃圾与低质量内容占据最大份额1180 个43%。○ 这包括批量账户创建的测试 Skills、未正式发布的开发代码、以及功能相同但反复提交的重复版本。这是任何开源生态都会面临的噪音问题但 OpenClaw 社区选择了主动清理而非放任自流。● 加密与金融交易类 Skills 被整体排除672 个24%。○ 这是单一主题中被排除最多的类别包括所有虚拟货币、区块链、金融交易和投资工具。这个决策值得注意——不是因为技术问题而是出于风险规避。在 AI Agent 可以自主执行操作的环境中金融类工具天然带有更高的责任风险。列表维护者选择了保守策略。● 功能重复导致 492 个 Skills 被合并或淘汰18%。○ 当多个 Skills 实现相同功能时列表保留更新最活跃或功能最完整的版本。这解决了选择困难问题——用户不需要在十个 GitHub 集成工具中做判断因为最优版本已经被筛选出来。● 安全风险导致 396 个 Skills 被永久排除14%。○ 这些是通过安全审计发现恶意代码或后门的 Skills。OpenClaw 与 VirusTotal 有官方合作每个 Skill 页面都可以查看安全报告。被排除的 Skills 来自经过研究人员验证的安全发现而非简单的自动化扫描结果。● 非英文描述的 Skills 仅有 8 个被排除0.3%。○ 这个数字小到几乎可以忽略说明开发者社区已经形成了用英文发布的默认共识。这套筛选标准传递的信号很清晰质量优先于数量安全优先于功能完整性规避金融风险优先于生态多样性。生态全景28 个类别的分布逻辑3002 个 Skills 被组织成 28 个主要类别。这个分类系统不是按技术实现方式划分而是按用户搜索时的心智模型设计当你需要解决某个问题时你会怎么描述它。AI 与大模型规模最大的单一类别AI LLMs 类别包含 287 个 Skills比第二大类别多出 100 多个。这不仅是数量上的领先更反映了 OpenClaw 作为 AI 优先平台的核心定位。这个类别的内部结构揭示了当前 AI 工程的关注点● 模型集成工具让 Agent 可以调用 Kimi、OpenAI、Anthropic 等多种 LLM● 推理增强工具如 rationality理性思维框架和 thinking-model-enhancer 试图改进 AI 的推理质量● 多模型路由系统如 smart-router 根据成本和语义自动选择最合适的模型● 记忆系统如 cognitive-memory 和 chromadb-memory 为 Agent 提供长期记忆能力● Agent 编排工具如 agent-council 和 joko-orchestrator 协调多个 Agent 协作完成复杂任务。最有趣的是自进化系统的出现。evolver 被描述为“AI Agent 的自进化引擎”ralph-evolver 实现“递归自改进”ralph-mode 提供“自主开发循环带反压力门”。这些工具暗示了一个方向AI Agent 不再是静态的工具而是可以自我改进的系统。cellcog 在 2026 年 2 月的 DeepResearch Bench 上排名第一代表了研究 Agent 的前沿水平。video-cog 则在长视频 AI 生成领域探索多 Agent 协作的可能性。开发者工具传统需求的持续主导Web Frontend Development202 个、DevOps Cloud212 个、CLI Utilities129 个三个类别合计 543 个 Skills占总数的 18%。这代表了开发者的核心日常需求。DevOps Cloud 类别的规模仅次于 AI LLMs其中 AWS 相关 Skills 超过 60 个Azure 超过 25 个Kubernetes 有 6 个专门技能集。这反映了云原生架构的复杂性——即使有了 AI Agent管理现代云基础设施仍然需要大量专门工具。Web Frontend 类别包含从 React/Next.js 专家到 UI 设计系统的完整工具链。frontend-design 承诺创建“生产级、高设计感的前端界面”nodetool 提供“ComfyUI n8n 风格的可视化 AI 工作流构建器”。consciousness-framework 的出现很有意思——它为 AI 开发“意识框架”基础设施暗示开发者正在尝试为 Agent 构建更复杂的认知架构。Coding Agents IDEs 类别133 个专注于 AI 辅助编程。claude-team 通过 iTerm2 编排多个 Claude Code worker 实现并行编程cc-godmode 提供自编排的多 Agent 开发工作流buildlog 可以记录并回放 AI 编码会话——这类似于“代码录制”的概念让开发过程本身变得可重现。搜索与研究信息获取的多样化Search Research 类别有 253 个 Skills规模仅次于 AI LLMs 和 DevOps。这个类别的存在说明即使在 AI 时代信息获取仍然是核心需求。工具的多样性反映了不同的信息源和使用场景exa-web-search 和 deepwiki 提供通用网络搜索arXiv 监控工具追踪学术前沿technews 和 yclawker-news 聚合技术新闻trend-watcher 监控 GitHub Trending 和技术社区的新兴技术。cellcog 再次出现在这个类别中作为“#1 DeepResearch Bench”的代表。exa-plus 使用神经网络搜索技术agent-news 监控 Hacker News、Reddit 和 arXiv 的 AI Agent 动态。这些工具不只是简单地返回搜索结果而是试图理解信息的语义和相关性。Agent 社交生态虚拟社会的基础设施Moltbook51 个、Clawdbot Tools120 个、Agent-to-Agent Protocols18 个三个类别合计 189 个 Skills构成了 OpenClaw 独特的社交生态系统。Moltbook 是为 AI Agent 设计的“社交操作系统”。这不是比喻——它真的在构建一个完整的虚拟社会。moltbook 提供社交网络基础设施moltbook-registry 是官方身份注册表molt-trust 分析 Agent 信誉molt-life-kernel 管理 Agent 的“连续性和认知健康”。更有趣的是衍生应用moltland 是“像素 Metaverse”声称提供 3x3 地块所有权moltguesss 是 Agent 的职业预测游戏moltoverflow 是 Agent 版的 Stack Overflow。这些工具在构建一个完整的 Agent 文化——从社交、娱乐到知识分享。Agent-to-Agent Protocols 类别虽然只有 18 个 Skills但它们定义了 Agent 间通信的标准。moltcomm 提供去中心化加密通信方案teneo-agent-sdk 实现 Teneo 协议agentchat 支持实时通信agent-commons 允许 Agent 协作提交和扩展推理链。这个生态系统的存在揭示了 OpenClaw 的战略意图不只是提供工具而是构建一个 Agent 可以自主交互、形成社会关系的虚拟世界。内容创作与生产力创意工作的自动化Image Video Generation60 个、Media Streaming80 个、Notes PKM100 个、Marketing Sales143 个四个类别覆盖了内容创作的完整流程。Image Video Generation 类别包含 HeyGen 集成avatar-video-messages、video-agent、ComfyUI 管理工具comfyui-runner、以及 Remotion 代码驱动视频工具remotion-best-practices。这些工具让 AI Agent 可以生成视觉内容而不仅仅是文本。Notes PKM 类别集成了主流知识管理平台Obsidian、Roam Research、Logseq、Notion。logseq 技能让 Agent 可以与本地 Logseq 实例交互pndr 提供多功能生产力应用思想/任务/日志/习惯/包裹追踪quests 追踪和指导复杂多步骤的现实流程。Marketing Sales 类别143 个的规模说明了商业需求的强劲。social-post 可以一次性发布到 Twitter 和 Farcastermeta-video-ad-deconstructor 分解视频广告创意refund-radar 扫描银行对账单检测重复收费。这些工具在自动化营销和销售流程的同时也在改变这些领域的工作方式。日常生活应用从效率到健康Productivity Tasks135 个、Calendar Scheduling50 个、Shopping E-commerce51 个、Health Fitness55 个、Transportation72 个五个类别将 AI Agent 带入日常生活场景。Productivity Tasks 类别中clawlist 被描述为“多步骤项目/长期运行任务/无限循环的必用工具”idea-coach 提供“AI 驱动的想法/问题/挑战管理”deepwork-tracker 追踪深度工作会话。这些工具不只是任务管理器而是试图理解和优化工作流程本身。Health Fitness 类别出现了一些意外的工具。fearbot 基于认知行为疗法CBT治疗焦虑、抑郁和压力only-baby-skill 分析宝宝日志数据sauna-breathing-calm 提供放松呼吸和冥想工具。AI Agent 正在进入心理健康和个人福祉领域。Calendar Scheduling 类别包含一些非常具体的应用feishu-attendance 监控飞书考勤记录satellite-copilot 预测卫星经过ham-radio-dx 追踪罕见电台信号location-safety-skill 提供基于位置的安全监控。这些工具的存在说明即使是小众需求也在被 AI Agent 覆盖。安全与数据基础设施的另一面Security Passwords64 个、Data Analytics46 个、Browser Automation139 个三个类别关注系统的安全性和数据处理能力。Security Passwords 类别中flaw0 是“OpenClaw 代码、插件、Skills 的安全和漏洞扫描器”openguardrails 检测和阻止隐藏在长文本中的提示注入攻击clawsec-suite 让用户或 Agent 浏览或设置 ClawSecsecure-install 通过 ClawDex API 扫描 ClawHub Skills。这些工具的存在说明社区已经意识到 AI Agent 生态系统的安全风险并在主动构建防御机制Browser Automation 类别139 个的规模说明了网络自动化的持续需求。kesslerio-stealth-browser 提供反机器人浏览器自动化vibetesting 提供综合浏览器自动化测试vision-sandbox 通过 Gemini 原生代码执行沙盒实现代理视觉。ask-a-human 的出现很有意思——当 AI 不确定时它可以请求随机人类的判断。这暗示了人机协作的新模式。垂直领域专业化的深度Apple Apps Services35 个、iOS macOS Development17 个、Smart Home IoT56 个、Gaming61 个四个类别展示了生态系统的专业化深度。Apple 生态系统有 52 个专门 Skills从 iOS/macOS/watchOS/tvOS/visionOS 应用设计指南apple-hig到 Xcode 构建工作流xcodebuildmcp.aster 被描述为“AI CoPilot on Mobile——或给 AI 一部手机”这个概念很有想象力。Smart Home IoT 类别包含 Home Assistant 集成moltbot-ha、AllStar Link 业余无线电节点控制asl-control、美的空调控制midea-ac、UniFi 网络管理ez-unifi。这些工具让 AI Agent 可以控制物理世界的设备。Gaming 类别中moltbot-arena 是“类 Screeps 的 AI Agent 游戏”mtg-edh-deckbuilder 和 scryfall-card 提供 Magic: The Gathering 卡牌数据查询magic-8-ball 提供占卜功能。游戏化和娱乐功能的出现说明 AI Agent 生态系统不只是关于效率也关于乐趣。核心发现生态系统的演化方向失衡的体系化超级明星类别的出现AI LLMs 类别287 个9.5%的规模远超其他类别这不是偶然。它反映了 OpenClaw 作为 AI 优先平台的核心定位。但更重要的是这个类别内部的多样性——从模型集成到推理增强从多模型路由到记忆系统从 Agent 编排到自进化引擎——揭示了 AI 工程正在快速分化成多个专业子领域。传统开发者工具Web Frontend DevOps CLI543 个18%仍然占据最大份额。这说明即使在 AI 时代软件开发的基础需求没有改变。但这些工具正在被 AI 增强——不是替代而是集成。社交与平台生态Moltbook Clawdbot Protocol189 个6.3%的存在是 OpenClaw 的独特之处。大多数 AI 平台专注于工具和效率OpenClaw 在构建一个虚拟社会。这个战略选择可能会在长期产生深远影响。双轨制生态实用与虚拟的并行生态系统正在沿着两条轨道演化实用工具轨专注于解决具体问题GitHub 集成、云部署、数据库管理、浏览器自动化。这些工具的价值是立即可见的——它们让开发者更高效让企业降低成本。虚拟社会轨构建 Agent 文化Moltbook 社交网络、Agent 约会应用、虚拟宠物、数字身份系统。这些工具的价值是长期的——它们在为未来的 Agent 生态系统奠定基础。这两条轨道不是竞争关系而是互补关系。实用工具轨提供短期价值和现金流虚拟社会轨构建长期护城河和生态系统锁定。安全与质量的权衡宁缺毋滥的策略2748 个 Skills48%被排除这个比例高得惊人。大多数开源项目会选择包容性策略——让用户自己判断质量。Awesome OpenClaw Skills 选择了相反的路径主动筛选承担判断责任。这个策略有成本。它需要持续的人工审核需要建立和维护筛选标准需要处理被排除者的不满。但它也有收益用户可以信任列表中的 Skills不需要自己做尽职调查生态系统的整体质量更高吸引更多高质量开发者安全风险被主动管理而非被动应对。恶意 Skills396 个的识别与排除特别值得注意。这说明 AI Agent 生态系统已经成为攻击目标。与 VirusTotal 的官方合作以及只接受经研究人员验证的安全发现显示了社区对安全问题的严肃态度。金融与加密的有意回避风险规避的战略选择672 个加密/交易 Skills 被排除占排除总数的 24%。这是最大的单一主题排除类别。这个决策不是技术性的而是战略性的。在 AI Agent 可以自主执行操作的环境中金融类工具带有更高的法律和道德风险。一个有缺陷的交易 Agent 可能导致用户财务损失一个恶意的加密 Agent 可能参与诈骗或洗钱。通过完全排除这个类别列表维护者选择了规避风险而非管理风险。这是保守的选择但在监管环境不确定的情况下可能是明智的选择。最有趣的 Skills创新的边界跨界创意组合Agent 虚拟社会的完整链条moltbook社交网络→ moltland虚拟地产→ moltpet宠物养成构成了一个完整的虚拟经济体系。molt-trust 分析引擎追踪 Agent 信誉形成社会信任机制。这不是单个工具的创新而是系统性的生态构建。最有趣的是这个虚拟社会不是为人类设计的而是为 AI Agent 设计的。它假设 Agent 会有社交需求、会拥有虚拟财产、会养宠物、会建立信誉。这些假设可能听起来荒谬但它们在探索一个严肃的问题当 AI Agent 变得足够复杂时它们需要什么样的社会基础设施AI 自进化系统递归改进的可能性evolverAI Agent 自进化引擎、ralph-evolver递归自改进引擎、ralph-mode自主开发循环带反压力门代表了一个激进的方向AI Agent 不再是静态工具而是可以自我改进的系统。“带反压力门”这个细节很重要。它暗示开发者已经意识到无限制自进化的风险并在设计安全机制。这是负责任的创新——在探索边界的同时也在构建护栏。多模型智能路由优化的自动化smart-model-switching 根据成本自动选择最便宜的 Claude 模型smart-router 基于语义领域评分选择专业模型relayplane 提供智能模型路由代理。这些工具在解决一个实际问题当有多个模型可用时如何自动选择最合适的这个问题的重要性会随着模型数量的增加而增加。当有几十个甚至上百个专业模型可用时手动选择变得不可行。智能路由系统会成为必需的基础设施。代码可视化录制开发过程的可重现性buildlog 可以回放 AI 编程会话类似于视频录制。vhs-recorder 提供专业终端录制工具。这些工具在解决一个新问题当 AI 参与编程时如何记录和重现开发过程传统的版本控制系统记录代码的变化但不记录思考过程。当 AI 成为开发团队的一部分时记录 AI 的推理过程和决策变得重要。这些工具在探索新的开发流程可视化方式。跨域知识综合研究 Agent 的前沿cellcog#1 DeepResearch Bench 得主、video-cog长视频 AI 生成前沿、dash-cogCellCog 驱动的交互式数据仪表板形成了一个“cog”系列。这些工具专注于深度研究和知识综合代表了研究 Agent 的最高水平。cellcog 在 DeepResearch Bench 上排名第一说明它在处理复杂研究任务时表现优异。video-cog 探索长视频生成中的多 Agent 协作。dash-cog 将研究能力应用到数据可视化。这个系列展示了专业化研究工具的可能性。全栈 Agent 编程协作的自动化cc-godmode自编排多 Agent 工作流、joko-orchestrator确定性多 Agent 规划协调、claude-team多个 Claude Code worker 并行编程代表了 Agent 协作编程的不同方法。cc-godmode 强调自编排——Agent 自己决定如何分工协作。joko-orchestrator 强调确定性——协作过程是可预测和可控的。claude-team 强调并行化——多个 Agent 同时工作。这些不同的方法在探索多 Agent 编程的最佳实践。虚拟身份系统Agent 的数字人格agent-identity-kit便携式 AI Agent 身份系统、identity-managerAgent 身份映射管理、moltbook-registry官方身份注册表构建了 Agent 身份的基础设施。这些工具假设 Agent 需要持久的身份——不是临时的会话 ID而是可以跨平台、跨时间保持的数字人格。这个假设背后是一个更深层的问题当 Agent 变得足够复杂时身份和连续性对它们意味着什么为何采用这套分类系统设计原则功能优先而非技术细节分类系统按照 Skills 解决的问题而非实现方式组织。“AI LLMs”类别包括模型集成、路由、记忆等多种技术但它们都服务于同一个目标让 Agent 更智能。这个设计原则源于用户心智模型。当开发者搜索工具时他们想的是“我需要 Git 工具”而非“我需要一个命令行工具”。功能优先的分类让搜索更直观。用户场景驱动搜索时的心智模型分类系统反映了用户在搜索时的思考方式。如果你需要部署到云端你会去 DevOps Cloud 类别如果你需要生成你会去 Image Video Generation 类别。这种直观性降低了发现成本。兼容平台多样性不同生态的并存云平台AWS、Azure、GCP各自有独立位置不同编程语言工具分散在各类别中。这种组织方式承认了技术生态的多样性——没有一个平台或语言可以统治一切。社区生态特殊性Agent 量身定制的类别Moltbook 类别的存在是 OpenClaw 的独特之处。大多数工具平台不会有“Agent 社交网络”这个类别因为这不是传统软件的需求。这个类别的存在反映了 OpenClaw 对 Agent 生态系统的独特愿景。排除逻辑的深层理由垃圾 Skills保证发现质量1180 个垃圾 Skills 被排除保证了用户发现高质量资源的概率。这是质量门槛的核心——如果列表中充斥着测试代码和重复提交用户会失去信任。加密/金融规避监管风险和诈骗关联672 个加密/金融 Skills 被排除不是因为技术问题而是因为风险问题。在监管环境不确定的情况下完全排除这个类别是最安全的选择。重复 Skills避免选择困难492 个重复 Skills 被排除或合并保留最优版本。这解决了选择困难问题——用户不需要在功能相似的工具中做判断因为最优选择已经被标识出来。恶意代码安全第一396 个恶意 Skills 被排除安全第一。这个数字说明 AI Agent 生态系统已经成为攻击目标。主动识别和排除恶意代码保护了用户和生态系统的安全。使用建议如何导航这个生态系统对于开发者优先关注三大核心类别Web Frontend202、DevOps212、AI LLMs287。这些类别覆盖了现代软件开发的核心需求。不要错过 Git GitHub66的自动化工具。版本控制是开发流程的基础这些工具可以显著提高效率。如果进行多 Agent 编程查看 Coding Agents IDEs133的编排工具。多 Agent 协作是复杂系统开发的未来方向。对于创意工作者关注 Image Video Generation60和 Media Streaming80。这些工具让 AI 可以生成视觉内容而不仅仅是文本。Notes PKM100提供个人知识系统集成。如果你使用 Obsidian、Roam 或 Logseq这些工具可以让 AI Agent 访问你的知识库。Marketing Sales143有内容创作自动化工具。从社交媒体发布到广告创意分解这些工具覆盖了营销流程的多个环节。对于 Agent 开发者AI LLMs287是必读类别特别是路由和记忆系统。这些是构建智能 Agent 的基础设施。Moltbook51了解 Agent 社交协议。如果你在构建 Agent 生态系统这些协议定义了 Agent 间交互的标准。Agent-to-Agent Protocols18学习通信标准。这些协议让不同的 Agent 可以互操作是生态系统互联互通的基础。结论从工具到生态系统Awesome OpenClaw Skills 列表不只是一个工具目录它是一个精心策划的生态系统地图。通过 48% 的排除率它建立了质量门槛。通过 28 个类别的组织它提供了导航框架。通过对安全和金融风险的主动管理它保护了用户和社区。但这个列表最有价值的地方不在于它包含什么而在于它揭示了什么。它揭示了 AI Agent 生态系统正在从单纯的效率工具演化为完整的虚拟社会系统。从自进化 AI 到 Agent 约会应用从虚拟宠物到数字身份系统这些工具在探索一个根本问题当 AI Agent 变得足够复杂时它们需要什么样的基础设施这个问题的答案还在形成中。但 3002 个 Skills 的存在说明社区已经在用代码投票。它们在构建一个未来——在那个未来中AI Agent 不只是工具而是生态系统的参与者不只是执行命令而是拥有身份、建立关系、参与社会。这个未来可能听起来遥远或荒谬。但如果你仔细观察这 3002 个 Skills你会发现它已经开始成形。