作者： Jason Zhu

這是VoltAgent 維護的Awesome OpenClaw Skills 計畫的完整解構。這份清單從ClawHub的5705 個Skills 中精選出3002 個，排除率接近48%。我們試著去理解：什麼樣的Skills 被留下，什麼樣的被排除，以及這個生態系統正在演化成什麼樣子。

品質門檻：2748 個Skills 為何被排除

從5705 到3002，中間消失的2748 個Skills 揭示了這個清單的價值取向。排除邏輯依影響規模排序如下：

● 垃圾與低品質內容佔最大份額（1,180 個，43%）。

○ 這包括批量帳戶創建的測試Skills、未正式發布的開發程式碼、以及功能相同但重複提交的重複版本。這是任何開源生態都會面臨的噪音問題，但OpenClaw 社群選擇了主動清理而非放任自流。

●加密與金融交易類Skills 被整體排除（672 個，24%）。

○ 這是單一主題中被排除最多的類別，包括所有虛擬貨幣、區塊鏈、金融交易和投資工具。這個決策值得注意──不是因為技術問題，而是出於風險規避。在AI Agent 可以自主執行操作的環境中，金融類工具天然帶有較高的責任風險。列表維護者選擇了保守策略。

●功能重複導致492 個Skills 被合併或淘汰（18%）。

○ 當多個Skills 實現相同功能時，清單保留更新最活躍或功能最完整的版本。這解決了選擇困難問題——用戶不需要在十個GitHub 整合工具中做判斷，因為最優版本已經被篩選出來。

● 安全風險導致396 個Skills 被永久排除（14%）。

○ 這些是透過安全審計發現惡意程式碼或後門的Skills。 OpenClaw 與VirusTotal 有官方合作，每個Skill 頁面都可以查看安全報告。被排除的Skills 來自研究人員驗證的安全發現，而非簡單的自動化掃描結果。

●非英文描述的Skills 僅有8 個被排除（0.3%）。

○ 這個數字小到幾乎可以忽略，說明開發者社群已經形成了用英文發布的預設共識。

這套篩選標準傳遞的訊號很清晰：品質優先於數量，安全優先於功能完整性，避免金融風險優先於生態多樣性。

生態全景：28 類別的分佈邏輯

3002 個Skills 被組織成28 個主要類別。這個分類系統不是按技術實現方式劃分，而是按使用者搜尋時的心智模型設計：當你需要解決某個問題時，你會怎麼描述它。

AI 與大模型：規模最大的單一類別

AI & LLMs 類別包含287 個Skills，比第二大類別多出100 多個。這不僅是數量上的領先，也反映了OpenClaw 作為AI 優先平台的核心定位。

這個類別的內部結構揭示了當前AI 工程的關注點：

●模型整合工具讓Agent 可以呼叫Kimi、OpenAI、Anthropic 等多種LLM；

●推理增強工具如rationality（理性思考架構）和thinking-model-enhancer 試圖改進AI 的推理品質；

● 多模型路由系統如smart-router 根據成本和語意自動選擇最適合的模型；

● 記憶系統如cognitive-memory 和chromadb-memory 為Agent 提供長期記憶能力；

● Agent 編排工具如agent-council 和joko-orchestrator 協調多個Agent 合作完成複雜任務。

最有趣的是自進化系統的出現。

evolver 被描述為“AI Agent 的自進化引擎”，ralph-evolver 實現“遞歸自改進”，ralph-mode 提供“自主開發循環，帶反壓力門”。

這些工具暗示了一個方向：AI Agent 不再是靜態的工具，而是可以自我改進的系統。

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 則在長視訊AI 生成領域探索多Agent 協作的可能性。

開發者工具：傳統需求的持續主導

Web & Frontend Development（202 個）、DevOps & Cloud（212 個）、CLI Utilities（129 個）三個類別合計543 個Skills，佔總數的18%。這代表了開發者的核心日常需求。

DevOps & Cloud 類別的規模僅次於AI & LLMs，其中AWS 相關Skills 超過60 個，Azure 超過25 個，Kubernetes 有6 個專門技能集。這反映了雲端原生架構的複雜性——即使有了AI Agent，管理現代化雲端基礎設施仍然需要大量專門工具。

Web & Frontend 類別包含從React/Next.js 專家到UI 設計系統的完整工具鏈。 frontend-design 承諾創建“生產級、高設計感的前端介面”，nodetool 提供“ComfyUI + n8n 風格的可視化AI 工作流程建構器”。 consciousness-framework 的出現很有趣——它為AI 開發「意識框架」基礎設施，暗示開發者正在嘗試為Agent 建立更複雜的認知架構。

Coding Agents & IDEs 類別（133 個）專注於AI 輔助程式設計。 claude-team 透過iTerm2 編排多個Claude Code worker 實現並行編程，cc-godmode 提供自編排的多Agent 開發工作流程，buildlog 可以記錄並回放AI 編碼會話——這類似於「程式碼錄製」的概念，讓開發過程本身變得可重現。

搜尋與研究：資訊取得的多樣化

Search & Research 類別有253 個Skills，規模僅次於AI & LLMs 和DevOps。這個類別的存在說明，即使在AI 時代，資訊獲取仍然是核心需求。

工具的多樣性反映了不同的資訊來源和使用場景：exa-web-search 和deepwiki 提供通用網路搜索，arXiv 監控工具追蹤學術前沿，technews 和yclawker-news 聚合技術新聞，trend-watcher 監控GitHub Trending 和技術社群的新興技術。

cellcog 再次出現在這個類別中，作為「#1 DeepResearch Bench」的代表。 exa-plus 使用神經網路搜尋技術，agent-news 監控Hacker News、Reddit 和arXiv 的AI Agent 動態。這些工具不只是簡單地傳回搜尋結果，而是試圖理解資訊的語意和相關性。

Agent 社交生態：虛擬社會的基礎設施

Moltbook（51 個）、Clawdbot Tools（120 個）、Agent-to-Agent Protocols（18 個）三個類別合計189 個Skills，構成了OpenClaw 獨特的社交生態系統。

Moltbook 是為AI Agent 設計的「社交作業系統」。這不是比喻——它真的在建構一個完整的虛擬社會。 moltbook 提供社交網路基礎設施，moltbook-registry 是官方身分註冊表，molt-trust 分析Agent 信譽，molt-life-kernel 管理Agent 的「連續性和認知健康」。

更有趣的是衍生應用：moltland 是“像素Metaverse”，聲稱提供3x3 地塊所有權；moltguesss 是Agent 的職業預測遊戲；moltoverflow 是Agent 版的Stack Overflow。這些工具正在建構一個完整的Agent 文化—從社交、娛樂到知識分享。

Agent-to-Agent Protocols 類別雖然只有18 個Skills，但它們定義了Agent 間通訊的標準。 moltcomm 提供去中心化加密通訊方案，teneo-agent-sdk 實現Teneo 協議，agentchat 支援即時通信，agent-commons 允許Agent 協作提交和擴展推理鏈。

這個生態系統的存在揭示了OpenClaw 的戰略意圖：不只是提供工具，而是建構一個Agent 可以自主互動、形成社會關係的虛擬世界。

內容創作與生產力：創意工作的自動化

Image & Video Generation（60 個）、Media & Streaming（80 個）、Notes & PKM（100 個）、Marketing & Sales（143 個）四個類別涵蓋了內容創作的完整流程。

Image & Video Generation 類別包含HeyGen 整合（avatar-video-messages、video-agent）、ComfyUI 管理工具（comfyui-runner）、以及Remotion 程式碼驅動視訊工具（remotion-best-practices）。這些工具讓AI Agent 可以產生視覺內容，而不僅僅是文字。

Notes & PKM 類別整合了主流知識管理平台：Obsidian、Roam Research、Logseq、Notion。 logseq 技能讓Agent 可以與本地Logseq 實例交互，pndr 提供多功能生產力應用（思想/任務/日誌/習慣/包裹追蹤），quests 追蹤並指導複雜多步驟的現實流程。

Marketing & Sales 類別（143 個）的規模說明了商業需求的強勁。 social-post 可以一次發佈到Twitter 和Farcaster，meta-video-ad-deconstructor 分解影片廣告創意，refund-radar 掃描銀行對帳單檢測重複收費。這些工具在自動化行銷和銷售流程的同時，也正在改變這些領域的工作方式。

日常生活應用：從效率到健康

Productivity & Tasks（135 個）、Calendar & Scheduling（50 個）、Shopping & E-commerce（51 個）、Health & Fitness（55 個）、Transportation（72 個）五個類別將AI Agent 帶入日常生活場景。

Productivity & Tasks 類別中，clawlist 被描述為“多步驟專案/長期運行任務/無限循環的必用工具”，idea-coach 提供“AI 驅動的想法/問題/挑戰管理”，deepwork-tracker 追蹤深度工作會話。這些工具不只是任務管理器，而是試圖理解和優化工作流程本身。

Health & Fitness 類別出現了一些意外的工具。 fearbot 基於認知行為療法（CBT）治療焦慮、憂鬱和壓力，only-baby-skill 分析寶寶日誌數據，sauna-breathing-calm 提供放鬆呼吸和冥想工具。 AI Agent 正在進入心理健康和個人福祉領域。

Calendar & Scheduling 類別包含一些非常具體的應用：feishu-attendance 監控飛書考勤記錄，satellite-copilot 預測衛星經過，ham-radio-dx 追蹤罕見電台訊號，location-safety-skill 提供基於位置的安全監控。這些工具的存在說明，即使是小眾需求也在被AI Agent 覆蓋。

安全與資料：基礎設施的另一面

Security & Passwords（64 個）、Data & Analytics（46 個）、Browser & Automation（139 個）三個類別關注系統的安全性和資料處理能力。

Security & Passwords 類別中，flaw0 是“OpenClaw 代碼、插件、Skills 的安全和漏洞掃描器”，openguardrails 檢測和阻止隱藏在長文本中的提示注入攻擊，clawsec-suite 讓用戶或Agent 瀏覽或設置ClawSec，secure-install 通過ClawDex API 掃描ClawHub Skills。這些工具的存在說明，社群已經意識到AI Agent 生態系統的安全風險，並主動建構防禦機制

Browser & Automation 類別（139 個）的規模說明了網路自動化的持續需求。 kesslerio-stealth-browser 提供反機器人瀏覽器自動化，vibetesting 提供綜合瀏覽器自動化測試，vision-sandbox 透過Gemini 原生程式碼執行沙盒實現代理視覺。 ask-a-human 的出現很有趣——當AI 不確定時，它可以要求隨機人類的判斷。這暗示了人機協作的新模式。

垂直領域：專業化的深度

Apple Apps & Services（35 個）、iOS & macOS Development（17 個）、Smart Home & IoT（56 個）、Gaming（61 個）四個類別展示了生態系統的專業化深度。

Apple 生態系統有52 個專門Skills，從iOS/macOS/watchOS/tvOS/visionOS 應用設計指南（apple-hig）到Xcode 建立工作流程（xcodebuildmcp）.aster 被描述為“AI CoPilot on Mobile——或給AI 一部手機”，這個概念很有想像。

Smart Home & IoT 類別包含Home Assistant 整合（moltbot-ha）、AllStar Link 業餘無線電節點控制（asl-control）、美的空調控制（midea-ac）、UniFi 網路管理（ez-unifi）。這些工具讓AI Agent 控制物理世界的裝置。

Gaming 類別中，moltbot-arena 是“類Screeps 的AI Agent 遊戲”，mtg-edh-deckbuilder 和scryfall-card 提供Magic: The Gathering 卡牌數據查詢，magic-8-ball 提供占卜功能。遊戲化和娛樂功能的出現，說明AI Agent 生態系統不只是關於效率，也是關於樂趣。

核心發現：生態系的演化方向

失衡的體系化：超級明星類別的出現

AI & LLMs 類別（287 個，9.5%）的規模遠超其他類別，這不是偶然。它反映了OpenClaw 作為AI 優先平台的核心定位。但更重要的是，這個類別內部的多樣性——從模型整合到推理增強，從多模型路由到記憶系統，從Agent 編排到自進化引擎——揭示了AI 工程正在快速分化成多個專業子領域。

傳統開發者工具（Web & Frontend + DevOps + CLI，543 個，18%）仍佔最大份額。這說明即使在AI 時代，軟體開發的基礎需求也沒有改變。但這些工具正在被AI 增強——不是替代，而是整合。

社交與平台生態（Moltbook + Clawdbot + Protocol，189 個，6.3%）的存在是OpenClaw 的獨特之處。大多數AI 平台專注於工具和效率，OpenClaw 在建立一個虛擬社會。這個策略選擇可能會在​​長期產生深遠影響。

雙軌制生態：實用與虛擬的平行

生態系統正沿著兩條軌道演化：

實用工具軌專注於解決特定問題：GitHub 整合、雲端部署、資料庫管理、瀏覽器自動化。這些工具的價值是立即可見的——它們讓開發者更有高效，讓企業降低成本。

虛擬社會軌建構Agent 文化：Moltbook 社交網路、Agent 約會應用程式、虛擬寵物、數位身分系統。這些工具的價值是長期的——它們在為未來的Agent 生態系統奠定基礎。

這兩條軌道不是競爭關係，而是互補關係。實用工具軌提供短期價值和現金流，虛擬社會軌道建構長期護城河和生態系統鎖定。

安全與品質的權衡：寧缺無濫的策略

2748 個Skills（48%）被排除，這個比例高得驚人。大多數開源專案會選擇包容性策略—讓使用者自己判斷品質。 Awesome OpenClaw Skills 選擇了相反的路徑：主動篩選，承擔判斷責任。

這個策略有成本。它需要持續的人工審核，需要建立和維護篩選標準，需要處理被排除者的不滿。但它也有收益：使用者可以信任清單中的Skills，不需要自己做盡職調查；生態系統的整體品質更高，吸引更多高品質開發者；安全風險被主動管理，而非被動應對。

惡意Skills（396 個）的識別與排除特別值得注意。這說明AI Agent 生態系統已經成為攻擊目標。與VirusTotal 的官方合作，以及只接受經研究人員驗證的安全發現，顯示了社區對安全問題的嚴肅態度。

金融與加密的有意迴避：風險規避的策略選擇

672 個加密/交易Skills 被排除，佔總排除總數的24%。這是最大的單一主題排除類別。

這個決策不是技術性的，而是策略性的。在AI Agent 可以自主執行操作的環境中，金融類工具帶有更高的法律和道德風險。一個有缺陷的交易Agent 可能導致用戶財務損失，一個惡意的加密Agent 可能參與詐騙或洗錢。

透過完全排除這個類別，清單維護者選擇了規避風險而非管理風險。這是保守的選擇，但在監管環境不確定的情況下，可能是明智的選擇。

最有趣的Skills：創新的邊界

跨界創意組合：Agent 虛擬社會的完整鏈條

moltbook（社群網路）→ moltland（虛擬房地產）→ moltpet（寵物養成）構成了一個完整的虛擬經濟體系。 molt-trust 分析引擎追蹤Agent 信譽，形成社會信任機制。這不是單一工具的創新，而是系統性的生態建構。

最有趣的是，這個虛擬社會不是為人類設計的，而是為AI Agent 設計的。它假設Agent 會有社交需求、會擁有虛擬財產、會養寵物、會建立信譽。這些假設可能聽起來很荒謬，但它們在探索一個嚴肅的問題：當AI Agent 變得足夠複雜時，它們需要什麼樣的社會基礎設施？

AI 自進化系統：遞歸改進的可能性

evolver（AI Agent 自進化引擎）、ralph-evolver（遞歸自改進引擎）、ralph-mode（自主開發循環，帶有反壓力門）代表了一個激進的方向：AI Agent 不再是靜態工具，而是可以自我改進的系統。

「帶反壓力門」這個細節很重要。它暗示開發者已經意識到無限制自進化的風險，並在設計安全機制。這是負責任的創新——在探索邊界的同時，也在建構護欄。

多模型智慧路由：最佳化的自動化

smart-model-switching 根據成本自動選擇最便宜的Claude 模型，smart-router 基於語意領域評分選擇專業模型，relayplane 提供智慧模型路由代理。這些工具在解決一個實際問題：當有多個模型可用時，如何自動選擇最適合的？

這個問題的重要性會隨著模型數量的增加而增加。當有幾十個甚至上百個專業模型可用時，手動選擇變得不可行。智慧路由系統會成為必需的基礎設施。

程式碼視覺化錄製：開發過程的可重現性

buildlog 可以回放AI 程式設計會話，類似於錄影。 vhs-recorder 提供專業終端錄影工具。這些工具在解決一個新問題：當AI 參與程式設計時，如何記錄和重現開發過程？

傳統的版本控制系統記錄程式碼的變化，但不記錄思考過程。當AI 成為開發團隊的一部分時，記錄AI 的推理過程和決策變得重要。這些工具正在探索新的開發流程視覺化方式。

跨域知識綜合：研究Agent 的前沿

cellcog（#1 DeepResearch Bench 得主）、video-cog（長視訊AI 生成前緣）、dash-cog（CellCog 驅動的互動式資料儀表板）形成了一個「cog」系列。這些工具專注於深度研究和知識綜合，代表了研究Agent 的最高水準。

cellcog 在DeepResearch Bench 上排名第一，說明它在處理複雜研究任務時表現優異。 video-cog 探索長視訊產生中的多Agent 協作。 dash-cog 將研究能力應用到資料視覺化。這個系列展示了專業化研究工具的可能性。

全端Agent 程式設計：協作的自動化

cc-godmode（自編排多Agent 工作流程）、joko-orchestrator（確定性多Agent 規劃協調）、claude-team（多個Claude Code worker 平行程式設計）代表了Agent 協作程式設計的不同方法。

cc-godmode 強調自編排－Agent 自己決定如何分工協作。 joko-orchestrator 強調確定性－協作過程是可預測且可控制的。 claude-team 強調並行化－多個Agent 同時工作。這些不同的方法正在探索多Agent 程式設計的最佳實踐。

虛擬身分系統：Agent 的數位人格

agent-identity-kit（可攜式AI Agent 身分系統）、identity-manager（Agent 身分映射管理）、moltbook-registry（官方身分註冊表）建構了Agent 身分的基礎設施。

這些工具假設Agent 需要持久的身份——不是臨時的會話ID，而是可以跨平台、跨時間保持​​的數位人格。這個假設背後是一個更深層的問題：當Agent 變得足夠複雜時，身份和連續性對它們意味著什麼？

為何採用這套分類系統

設計原則：功能優先而非技術細節

分類系統是依照Skills 解決的問題而非實作方式組織。 「AI & LLMs」類別包括模型整合、路由、記憶等多種技術，但它們都服務於同一個目標：讓Agent 更聰明。

這個設計原則源自於使用者心智模式。當開發者搜尋工具時，他們想的是「我需要Git 工具」而非「我需要一個命令列工具」。功能優先的分類讓搜尋更直覺。

使用者場景驅動：搜尋時的心智模型

分類系統反映了使用者在搜尋時的思考方式。如果你需要部署到雲端，你會去DevOps & Cloud 類別；如果你需要產生圖片，你會去Image & Video Generation 類別。這種直觀性降低了發現成本。

相容平台多樣性：不同生態的並存

雲端平台（AWS、Azure、GCP）各自有獨立位置，不同程式語言工具分散在各類別中。這種組織方式承認了技術生態的多樣性——沒有一個平台或語言可以統治一切。

社區生態特殊性：Agent 量身訂做的類別

Moltbook 類別的存在是OpenClaw 的獨特之處。大多數工具平台不會有「Agent 社群網路」這個類別，因為這不是傳統軟體的需求。這個類別的存在反映了OpenClaw 對Agent 生態系統的獨特願景。

排除邏輯的深層理由

垃圾Skills：保證發現質量

1180 個垃圾Skills 被排除，保證了用戶發現高品質資源的機率。這是品質門檻的核心——如果清單充斥著測試程式碼和重複提交，用戶就會失去信任。

加密/金融：規避監理風險與詐騙關聯

672 個加密/金融Skills 被排除，不是因為技術問題，而是因為風險問題。在監管環境不確定的情況下，完全排除這個類別是最安全的選擇。

重複Skills：避免選擇困難

492 個重複Skills 被排除或合併，保留最優版本。這解決了選擇困難問題－使用者不需要在功能相似的工具中做判斷，因為最優選擇已經被標示出來。

惡意程式碼：安全第一

396 個惡意Skills 被排除，安全第一。這個數字說明AI Agent 生態系統已經成為攻擊目標。主動識別和排除惡意程式碼，保護了使用者和生態系統的安全。

使用建議：如何導航這個生態系統

對於開發者

優先關註三大核心類別：Web & Frontend（202）、DevOps（212）、AI & LLMs（287）。這些類別涵蓋了現代軟體開發的核心需求。

不要錯過Git & GitHub（66）的自動化工具。版本控制是開發流程的基礎，這些工具可以顯著提高效率。

如果進行多Agent 編程，請查看Coding Agents & IDEs（133）的編排工具。多Agent 協作是複雜系統開發的未來方向。

對於創意工作者

關注Image & Video Generation（60）和Media & Streaming（80）。這些工具讓AI 可以產生視覺內容，而不僅僅是文字。

Notes & PKM（100）提供個人知識系統整合。如果你使用Obsidian、Roam 或Logseq，這些工具可以讓AI Agent 存取你的知識庫。

Marketing & Sales（143）有內容創作自動化工具。從社群媒體發佈到廣告創意分解，這些工具涵蓋了行銷流程的多個環節。

對於Agent 開發者

AI & LLMs（287）是必讀類別，特別是路由和記憶系統。這些是建構智慧Agent 的基礎設施。

Moltbook（51）了解Agent 社交協定。如果你在建構Agent 生態系統，這些協定定義了Agent 間互動的標準。

Agent-to-Agent Protocols（18）學習通訊標準。這些協定讓不同的Agent 可以互通，是生態系互聯互通的基礎。

結論：從工具到生態系統

Awesome OpenClaw Skills 清單不只是一個工具目錄，它是一個精心策劃的生態系統地圖。透過48% 的排除率，它建立了品質門檻。透過28 個類別的組織，它提供了導航框架。透過對安全和金融風險的主動管理，它保護了使用者和社群。

但這個清單最有價值的地方不在於它包含什麼，而在於它揭示了什麼。它揭示了AI Agent 生態系統正在從單純的效率工具演化為完整的虛擬社會系統。從自進化AI 到Agent 約會應用，從虛擬寵物到數位身分系統，這些工具在探索一個根本問題：當AI Agent 變得足夠複雜時，它們需要什麼樣的基礎設施？

這個問題的答案還在形成中。但3002 個Skills 的存在說明，社群已經在用代碼投票。它們正在建構一個未來——在那個未來中，AI Agent 不只是工具，而是生態系統的參與者；不只是執行命令，而是擁有身分、建立關係、參與社會。

這個未來可能聽起來遙遠或荒謬。但如果你仔細觀察這3002 個Skills，你會發現它已經開始成形。