1. 项目概述OpenClaw Skills的隐秘宝藏如果你最近在折腾AI Agent尤其是围绕Claude、GPTs或者本地大模型搞一些自动化流程那你大概率已经听说过OpenClaw了。它现在几乎是开源AI Agent框架里的一个“显眼包”功能强大社区活跃。但今天我们不聊怎么安装部署OpenClaw也不讲那些基础配置这些教程网上已经一抓一大把了。我想聊点更“内行”的东西——Skills。简单说OpenClaw的Skills就是赋予这个AI Agent“超能力”的插件或工具集。一个Agent光有大脑大模型不够还得有手有脚去执行具体任务比如读写文件、调用API、分析数据、控制智能设备。Skills就是这些手和脚。然而我发现一个挺有意思的现象很多朋友费了老大劲把OpenClaw部署起来了模型也接上了但用的Skills却始终是那几个最基础的像read_file、web_search之类的。社区里明明藏着不少堪称“神器”的Skills能极大提升Agent的效率和能力边界却鲜为人知。这就好比你花大价钱组装了一台顶配电脑却只用来刷网页和写文档完全没发挥出它渲染视频、跑深度学习模型的潜力。所以这篇文章的目的很明确我要给你深挖两款被严重低估的OpenClaw Skills。它们可能不是下载量最高的但绝对是能解决实际痛点、让你惊呼“原来还能这样玩”的利器。我会详细拆解它们是什么、能做什么、为什么强以及最关键的一步——怎么把它们集成到你的工作流里让AI Agent真正成为你的得力副手。2. 核心需求解析为什么你需要更强大的Skills在深入那两款具体Skills之前我们得先搞清楚一个根本问题为什么基础的Skills不够用或者说在什么场景下你会感到现有Skills的力不从心2.1 基础Skills的局限性OpenClaw自带的或常见的基础Skills主要解决了“有无”问题。例如文件操作读、写、列出目录。这解决了Agent获取本地信息的渠道。网络搜索让Agent能获取实时信息。代码执行在一个受限的沙箱环境里运行代码片段用于计算或简单数据处理。终端命令执行系统命令功能强大但需谨慎授权。这些Skills构建了一个AI Agent最基本的能力框架。但是当你试图处理更复杂的、业务相关的任务时短板就出现了流程碎片化比如你想让Agent监控一个日志文件当出现特定错误关键词时自动解析错误信息然后到知识库比如Confluence里搜索相关解决方案最后整理成报告发到钉钉群。这个过程涉及监控 - 解析 - 跨平台检索 - 格式化 - 通知。用基础Skills你需要写一个很长的提示词Prompt来串联这些步骤每一步都可能因为输出格式不匹配而中断流程脆弱且低效。专业能力缺失基础Skills是通用工具。但如果你需要Agent帮你分析一张图片里的表格数据、将一段会议录音转换成结构化待办事项、或者与公司内部的CRM系统交互查询客户状态基础Skills就无能为力了。你需要的是具备专业领域能力的Skills。状态管理与记忆复杂的任务往往有状态。例如一个长期运行的Agent需要记住上次处理到哪个文件、上次从API获取的数据的游标cursor是什么。基础Skills缺乏方便的状态管理机制每次交互都是“从头开始”难以处理连续性任务。2.2 高级Skills的价值所在这正是那两款“宝藏Skills”要解决的问题。它们本质上是对基础能力的封装和增强将一系列琐碎操作打包成一个更高阶的、语义化的“动作”。它们的价值体现在提升效率一个高级Skill可能抵得上十几行提示词和多个基础Skill的调用大大简化了Agent的指令。降低复杂度使用者无需关心内部实现细节比如某个API的具体鉴权方式只需关注业务目标。增强可靠性封装好的Skill经过了更多测试对错误处理和边界情况有更好保障比临时拼凑的流程更稳定。扩展边界将Agent的能力延伸到新的领域如图像识别、音视频处理、专业软件交互打开新的应用场景。理解了这些我们再去看那两款具体的Skills你就会明白它们的设计初衷和适用场景而不仅仅是“又多了一个可用的工具”。3. 宝藏Skills一session_manager——给Agent装上“记忆面包”第一个要介绍的Skill我称之为“记忆面包”它的名字可能很普通叫session_manager或conversation_memory具体名称可能因版本或社区贡献而异但其核心功能一致。这个Skill解决了AI Agent领域一个经典难题如何让Agent记住跨对话轮次的重要信息3.1 它是什么解决了什么痛点想象一个场景你让Agent帮你分析一个项目的月度数据报告。第一次对话你上传了报告PDFAgent提取了关键指标。第二天你想让它基于昨天的指标预测下个月的趋势。在没有记忆功能的情况下你必须重新上传报告或者手动把昨天的指标再粘贴给它。这非常反人类。session_managerSkill 的核心功能就是为Agent提供持久化的对话上下文管理。它不仅仅缓存最近的几条消息这是很多聊天界面的基础功能而是能结构化地存储、索引和检索整个对话历史中的关键实体、事实和决策。它的核心痛点解决能力长期任务支持开发一个功能可能需要和Agent讨论多次。每次都能基于上次的结论继续而不是重启炉灶。用户偏好记忆Agent能记住你喜欢的报告格式、常用的分析维度下次直接应用。事实一致性在复杂的讨论中确保Agent不会前后矛盾。例如它确认了“项目A的负责人是张三”后续讨论中就不会再问“项目A谁负责”3.2 核心原理与工作模式这个Skill的实现通常基于向量数据库如ChromaDB, Weaviate, Qdrant或传统数据库的扩展。记忆写入在对话过程中Skill会监听或由Agent主动触发将对话中的关键信息片段例如“用户决定采用方案B”、“截止日期是2024-10-31”、“技术栈定为Python FastAPI”进行提取和向量化嵌入Embedding然后存入记忆库。提取策略可以是基于规则的识别特定关键词也可以是由一个小模型驱动的摘要提取。记忆检索当新的用户查询到来时session_manager会将查询语句也转化为向量然后在记忆库中进行相似度搜索找出与当前对话最相关的历史记忆片段。上下文构建检索到的记忆片段会被巧妙地插入到本次对话发送给大模型的提示词Prompt中。通常是以“以下是相关历史背景...”或“用户之前提到过...”的形式。这样大模型在生成回复时就“自然而然”地拥有了之前的记忆。一个关键的设计细节它通常不是存储完整的原始对话记录而是存储“知识片段”。这避免了上下文窗口Context Window被迅速填满也提高了检索效率。3.3 实操配置与集成指南假设你已经在本地部署了OpenClaw并且通过Docker或直接安装的方式运行。步骤一安装与启用Skill大多数情况下session_manager不是一个默认启用的核心Skill你需要从OpenClaw的社区Skill仓库或插件市场进行安装。具体命令可能类似于# 假设OpenClaw提供了skill管理命令 openclaw skill install session-manager # 或者如果是手动安装需要将Skill的代码文件放到指定的skills目录下步骤二配置记忆后端这是最关键的一步。你需要配置Skill使用哪种存储后端。# 在OpenClaw的配置文件如 config.yaml中找到或添加session_manager的配置节 skills: session_manager: enabled: true storage: type: chroma # 可选chroma, qdrant, postgres等 persist_directory: ./chroma_db # 向量数据持久化路径 collection_name: openclaw_memories embedding_model: all-MiniLM-L6-v2 # 用于向量化的轻量级模型可本地运行 retrieval_top_k: 5 # 每次检索返回最相关的5条记忆注意如果你选择chroma可能需要额外安装chromadb包。对于轻量级使用也可以配置为type: json_file将记忆以JSON格式存储在本地但检索效率会低很多。步骤三在Agent配置中引用在你的Agent配置文件中需要显式声明使用这个Skill并可能设置一些触发规则。agent: name: my_assistant skills: - name: session_manager config: auto_save: true # 是否自动提取并保存记忆 save_triggers: [task_completed, user_request] # 在什么情况下保存步骤四在提示词模板中调用为了让Agent知道如何使用记忆你需要在它的系统提示词System Prompt中加入指令。例如你是一个有帮助的助手并且拥有记忆能力。 当你需要了解与当前对话相关的过往信息时你会查询你的记忆库。 记忆库会以“记忆.../记忆”的形式提供给你。 请基于这些记忆提供更连贯、个性化的回复。配置完成后重启你的OpenClaw服务。现在当你与Agent对话时你会发现它在回复中可能会引用之前讨论过的内容对话的连贯性大大增强。3.4 使用心得与避坑指南记忆不是越多越好不要配置成保存每一句话。这会导致记忆库充满噪音检索出无关信息反而干扰模型判断。最佳实践是只保存明确的结论、事实、决策和用户偏好。可以通过配置save_triggers或让Agent在认为有必要时主动调用save_memory函数来实现精炼存储。注意隐私与数据安全记忆功能会持久化存储对话内容。如果涉及敏感信息务必做好存储加密确保数据库文件或向量存储目录的访问权限。内容过滤可以在Skill层加入过滤器避免保存密码、密钥、个人身份信息等。定期清理设置记忆的TTL生存时间自动过期删除旧记忆。向量模型的选择embedding_model的选择直接影响检索质量。all-MiniLM-L6-v2是一个很好的平衡选择它体积小、速度快、效果不错且可以在CPU上运行。如果你的对话专业性很强如医学、法律可以考虑使用在该领域微调过的嵌入模型但部署成本会增高。调试技巧如果发现Agent开始“胡言乱语”或者引用了错误的记忆首先去检查记忆库。OpenClaw可能提供了管理界面或API来查看、编辑和删除存储的记忆片段。定期清理错误或过时的记忆非常重要。这个Skill将你的AI Agent从“金鱼”只有7秒记忆变成了一个“靠谱的秘书”特别适合用于项目协作、长期研究辅助、个性化服务等场景。4. 宝藏Skills二workflow_orchestrator——自动化流水线指挥官如果说session_manager增强了Agent的“脑力”记忆那么第二个Skillworkflow_orchestrator工作流编排器就是增强了它的“执行力”。这个Skill允许你用可视化的方式或DSL领域特定语言定义复杂的工作流然后让Agent作为总指挥自动协调和执行其中的各个步骤。4.1 它是什么解决了什么痛点很多任务不是单一动作而是一个流程。例如数据预处理流水线监控文件夹 - 发现新CSV文件 - 验证数据格式 - 清洗异常值 - 导入数据库 - 发送完成通知。内容创作流水线根据关键词 - 搜索资料 - 生成大纲 - 撰写初稿 - 语法检查 - 排版成Markdown - 发布到博客。客服工单处理接收用户问题 - 意图分类 - 如果是技术问题查询知识库 - 生成解决方案草稿 - 交由人工审核 - 回复用户。用基础Skills来实现你需要写一个极其复杂的提示词让大模型自己“想”下一步该做什么这非常容易出错且难以维护。workflow_orchestratorSkill 将工作流的逻辑控制与步骤执行解耦。它的核心价值可视化与可维护工作流可以用流程图的方式设计一目了然修改起来也方便。可靠性与稳定性每个步骤节点是独立的函数或Skill成功或失败状态明确整个流程有明确的错误处理和重试机制。复用性定义好的工作流可以保存为模板一键应用于类似任务。降低对Prompt工程的依赖你不需要教会大模型整个流程的逻辑只需要告诉它“启动XX工作流”剩下的由编排器可靠执行。4.2 核心原理与架构设计这个Skill通常包含以下几个核心组件工作流定义器一个界面或DSL让你定义工作流的节点步骤和边依赖关系。每个节点对应一个具体的Skill或动作如call_api,run_script,decision_gate。工作流引擎核心执行器。它解析工作流定义维护执行状态哪个节点正在运行、哪个已完成、哪个失败根据节点间的依赖关系决定执行顺序。节点执行器负责实际调用每个节点对应的Skill或代码。它会将节点的输入参数传递下去并捕获输出或错误。上下文传递工作流中一个节点的输出可以作为另一个节点的输入。编排器负责在节点间传递这些数据形成一个处理管道Pipeline。其工作模式类似于Apache Airflow或n8n这类自动化工具但它是深度集成在OpenClaw内部的可以由自然语言指令触发并且每个节点的执行可以结合大模型的判断力例如在一个“决策节点”由大模型根据上下文决定走哪个分支。4.3 实操从零构建一个自动化工作流让我们以一个实际例子来演示构建一个“智能日报生成器”工作流。它每天上午9点自动运行执行1) 从Jira拉取我昨天处理的任务2) 从GitLab拉取我昨天的代码提交3) 让大模型总结成一段流畅的日报4) 发送到钉钉工作群。步骤一安装与基础配置同样需要先安装此Skill。它可能是一个更复杂的插件包。openclaw skill install workflow-orchestrator安装后通常可以通过一个Web界面如http://localhost:8080/workflow来设计工作流。步骤二设计工作流节点在工作流编辑器中我们拖拽创建以下节点开始节点定时触发器设置为每天09:00 AM。节点AGet Jira Tasks一个自定义的Python节点调用Jira API查询指定时间段内分配给“我”且状态已变更的任务。这个节点需要你预先配置好Jira的访问令牌和查询JQL。节点BGet GitLab Commits类似节点A调用GitLab API查询“我”在昨天的主分支提交记录。节点CGenerate Report这是一个“大模型节点”。它将节点A和节点B的输出作为输入拼接成一个提示词如“请根据以下任务和提交记录生成一段简洁的昨日工作日报...”然后调用配置好的Claude或GPT模型来生成文本。节点DSend to DingTalk调用钉钉群机器人的Webhook将节点C生成的日报内容发送到指定群。结束节点。用连接线将节点按顺序连接开始 - A - B - C - D - 结束。节点A和B可以并行执行。步骤三配置节点参数与凭证这是最需要细心的地方。每个节点都需要正确配置API节点需要安全地存储API密钥、访问地址。Skill应支持从环境变量或加密保险库中读取这些敏感信息而不是硬编码在流程定义里。大模型节点需要指定使用哪个模型端点如你的本地Ollama中的llama3或云端的Claude API。错误处理为每个节点配置重试策略如失败后重试2次和失败后的处理方式如继续执行下一个节点或整个工作流失败。步骤四部署与测试保存工作流后将其“发布”或“激活”。编排器会将其加载到内存中等待触发器启动。手动触发测试在界面上先手动运行一次检查每个节点的日志输出确保数据能正确流转日报能成功发送。查看日志与监控Skill应提供工作流运行历史、每个节点的输入输出日志这对于调试至关重要。4.4 高级技巧与常见问题排查变量与上下文管理工作流中经常需要传递数据。学会使用类似{{ node_a.output.tasks }}的模板语法来引用上游节点的输出。确保你清楚每个节点输出数据的结构通常是JSON。处理异步和长时任务有些节点如训练一个模型可能运行几分钟甚至几小时。确保你的工作流引擎支持异步任务并设置合理的超时时间。对于长时任务最好将其拆分为“触发任务”和“轮询结果”两个节点。权限与安全边界工作流编排器能力强大意味着风险也高。务必严格控制工作流创建权限不应向所有用户开放。节点执行权限特别是“执行命令”或“访问数据库”的节点要在沙箱环境或严格权限控制下运行。秘密管理绝对不要将密码、密钥写在流程定义文件里。务必使用集成的密钥管理服务。常见问题排查工作流不触发检查定时触发器的时区设置是否正确检查引擎服务是否正常运行。节点一直失败查看该节点的详细错误日志。最常见的原因是API密钥失效、网络不通、或输入数据格式不符合节点预期。上下文数据丢失检查变量引用路径是否正确。有时节点输出是一个复杂对象你需要引用其子字段如{{ node_c.output.report.text }}。workflow_orchestrator这个Skill将OpenClaw从一个“对话式AI”升级为了一个“自动化平台”。它特别适合用于需要定期执行、步骤固定、但中间又需要AI进行一些判断或创作的场景是提升个人或团队效率的利器。5. Skills的融合与进阶玩法单独使用上述任何一个Skill都已经能带来质的提升。但如果将它们组合起来就能创造出更智能、更自主的Agent。这里分享两种进阶融合思路。5.1 “记忆”赋能“工作流”打造上下文感知的自动化让workflow_orchestrator在执行工作流时能够查询session_manager中的记忆。例如我们改进之前的“日报生成器”痛点每天生成的日报风格可能不同有时我想要详细点有时想要简略点。解决方案在“Generate Report”节点之前添加一个“Query Memory”节点。这个节点会去记忆库中搜索“用户对日报风格的偏好”。比如记忆库里存储了一条“用户说以后的日报请用项目符号列表总结不要太啰嗦”。执行流程工作流引擎在执行到“Query Memory”节点时调用session_manager的检索功能将检索结果用户偏好作为额外上下文传递给后续的“Generate Report”节点。这样大模型在生成日报时就会遵循用户的历史偏好。这就实现了基于历史交互的个性化自动化。你可以把这个思路扩展到任何工作流让自动化流程不再僵化而是具备了一定的“记忆力”和适应性。5.2 开发自定义Skill当现有Skills无法满足你也许你会发现即使有了这两个宝藏Skill你的某个特定需求还是无法满足。比如你需要Agent能操作公司内部一个古老的、只有网页版的管理系统。这时你就需要开发自定义Skill。开发一个自定义Skill的基本步骤明确功能与接口首先想清楚这个Skill要做什么输入是什么输出是什么例如一个“内部系统创建工单”的Skill输入是工单标题、工单描述、紧急程度输出是工单ID或创建状态。创建Skill脚手架OpenClaw通常有Skill开发模板或生成器。你可以使用命令行工具快速创建一个Skill骨架。openclaw skill create my_custom_skill --typepython这会生成一个包含skill.py、config.yaml、requirements.txt等文件的目录结构。实现核心逻辑在skill.py中你需要定义一个类继承自基础的Skill类并实现execute或run方法。这个方法里就写你调用内部系统API或模拟网页操作的代码。from openclaw.skills import Skill, SkillResult class InternalTicketSkill(Skill): name create_internal_ticket description 在内部管理系统中创建工单 async def execute(self, input_data: dict) - SkillResult: title input_data.get(title) description input_data.get(description) # 这里是调用内部系统API的实际代码 # 例如使用requests库发送HTTP请求 ticket_id await self._call_internal_api(title, description) return SkillResult(successTrue, output{ticket_id: ticket_id})处理认证与安全内部系统通常需要登录。千万不要把用户名密码写在代码里最佳实践是在Skill的配置文件中定义认证信息的配置项。OpenClaw在加载Skill时会将这些配置传入。你可以在Skill初始化时使用这些配置来建立认证会话如获取Token。更安全的方式是让OpenClaw集成一个密钥管理服务Skill运行时去动态获取凭证。测试与打包在本地测试你的Skill是否能被OpenClaw正确加载和调用。测试无误后可以将其打包分享给团队其他成员甚至提交到社区Skill仓库。开发自定义Skill是最高阶的玩法它意味着你可以将OpenClaw无缝嵌入到任何业务系统中让AI Agent成为企业工作流中的一环。6. 部署、管理与性能调优实战当你装备了多个强大的Skills后对OpenClaw实例的部署和管理也提出了更高要求。这里分享一些从实战中总结的经验。6.1 基于Docker Compose的稳健部署对于生产环境或长期使用强烈建议使用Docker Compose来管理OpenClaw及其依赖如数据库、向量数据库。# docker-compose.yml version: 3.8 services: openclaw: image: your-openclaw-image:latest # 或从源码构建 container_name: openclaw-main ports: - 3000:3000 # OpenClaw Web界面端口 volumes: - ./config:/app/config # 挂载配置文件 - ./skills:/app/skills # 挂载自定义Skills目录 - ./data:/app/data # 挂载数据持久化目录 environment: - OPENCLAW_MODEL_PROVIDERollama - OLLAMA_BASE_URLhttp://ollama:11434 - OPENCLAW_SKILLS_PATH/app/skills depends_on: - ollama - chromadb ollama: image: ollama/ollama:latest container_name: ollama ports: - 11434:11434 volumes: - ollama_data:/root/.ollama chromadb: image: chromadb/chroma:latest container_name: chromadb volumes: - chroma_data:/chroma/chroma这样部署的好处一键启停docker-compose up -d和docker-compose down管理所有服务。数据持久化通过卷volumes将模型数据、记忆数据、配置持久化在宿主机容器重建也不会丢失。网络隔离服务间通过Docker内部网络通信更安全。资源限制可以方便地为每个容器设置CPU和内存限制避免某个服务如大模型吃光所有资源。6.2 Skills的依赖管理与冲突解决随着安装的Skills增多依赖冲突会成为头疼的问题。Skill A需要requests2.28.0而Skill B需要requests2.30.0。最佳实践虚拟环境隔离为OpenClaw主进程和每个高风险的、有复杂依赖的Skill创建独立的Python虚拟环境。这可以通过Docker容器本身来天然隔离或者在宿主机上用venv管理。使用Skill清单文件在Skill的根目录提供requirements.txt或pyproject.toml文件明确声明依赖。OpenClaw的管理器在安装Skill时可以尝试在隔离环境中安装这些依赖。优先使用社区验证的Skills下载量高、更新活跃的Skill通常依赖管理做得更好冲突概率低。手动解决冲突如果遇到冲突最直接的方法是fork这个Skill的代码修改其依赖版本号使其与你的环境兼容然后安装你自己修改的版本。6.3 性能监控与瓶颈定位一个加载了多个Skills的OpenClaw实例可能会变慢。你需要知道瓶颈在哪。监控方向响应延迟从发送请求到收到Agent回复的总时间。可以拆分为大模型生成时间、Skill执行时间。内存使用OpenClaw进程、向量数据库、大模型服务各自的内存占用量。CPU使用特别是在进行向量检索或复杂工作流计算时。常用工具Docker Statsdocker stats命令可以快速查看各容器的资源使用情况。OpenClaw日志启用详细日志DEBUG级别查看每个Skill调用的耗时。在配置文件中设置log_level: DEBUG。专用APM工具对于更复杂的部署可以集成像PrometheusGrafana这样的监控栈为OpenClaw添加指标暴露端点。典型性能问题与优化问题Agent响应慢日志显示大量时间花在session_manager的向量检索上。排查记忆库中的向量数量是否过多超过10万条嵌入模型是否太慢优化定期归档旧记忆将不常用的记忆转移到冷存储只保留近期高频记忆在向量库中。使用更快的嵌入模型如all-MiniLM-L6-v2已经很快如果还慢可以考虑量化版本或更小的模型。优化检索策略减少retrieval_top_k的值例如从5降到3或引入元数据过滤先按时间、标签过滤再进行向量检索。问题工作流执行卡住超时。排查检查工作流中哪个节点耗时最长。是否是调用了外部慢API还是大模型节点生成内容过长优化为外部API调用设置合理的超时和重试。对于大模型节点在提示词中明确限制输出长度。管理一个功能丰富的OpenClaw实例就像管理一个小型服务器应用需要关注部署、依赖和性能。但这些投入是值得的因为它换来的是一个高度定制化、能力强大的AI助手。7. 安全与隐私的终极考量能力越强责任越大。当你给Agent装备了记忆、自动化流程并能访问内外部的API时安全与隐私就成了不可逾越的红线。7.1 技能执行沙箱化这是最重要的安全原则任何Skill尤其是执行代码或系统命令的Skill必须在严格的沙箱环境中运行。对于code_executor类Skill必须使用像piston或定制Docker容器这样的代码执行沙箱确保其无法访问宿主机的文件系统、网络除白名单外和其他进程。对于workflow_orchestrator要严格控制工作流中可以添加的节点类型。禁止用户自定义任意Shell命令节点。对于需要执行命令的节点应限制可执行的命令白名单。权限最小化每个Skill只应拥有完成其功能所必需的最低权限。例如一个文件读取Skill应该只能读取特定目录下的文件而不是整个磁盘。7.2 数据与记忆的访问控制session_manager保存了对话记忆其中可能包含敏感信息。记忆隔离实现多租户记忆隔离。用户A的Agent只能访问和检索用户A自己的记忆库绝对不能跨用户访问。这需要在向量数据库的层面通过collection或元数据标签进行隔离。记忆加密对于高度敏感的记忆内容可以考虑在存储前进行加密仅在检索后提供给Agent时在内存中解密。但这会增加复杂性和性能开销需权衡。记忆清理API必须向用户提供界面或API让其可以查看、编辑和删除自己的记忆。这是满足数据隐私法规如GDPR“被遗忘权”的基本要求。7.3 外部集成的认证管理Skills经常需要调用外部服务的API如何管理这些API密钥绝对禁止硬编码任何密钥、密码都不能出现在Skill的代码或配置文件中。使用集中式密钥管理OpenClaw应该提供一个安全的密钥存储服务如集成HashiCorp Vault或使用加密的数据库。Skills在运行时通过安全的内部通道向这个服务请求所需的密钥。密钥按需申请与审计Skill声明自己需要哪些密钥管理员进行审批和配置。所有密钥的使用都应该有详细的审计日志记录哪个Skill在什么时间使用了哪个密钥访问了哪个外部服务。7.4 输入输出过滤与内容安全Agent最终是由大模型驱动的要防范提示词注入Prompt Injection等攻击防止用户通过精心构造的输入让Agent执行非预期的Skill或泄露记忆。Skill调用鉴权在Agent决定调用一个Skill前应有一层过滤逻辑。可以基于一些规则如用户角色、对话上下文来判断该请求是否被允许调用这个Skill。输出内容过滤对Agent生成的内容特别是那些将要通过Skill发送到外部系统如邮件、钉钉的内容进行敏感词过滤或二次审核可以是另一个AI模型防止生成有害或不当信息。安全不是一个功能而是一个贯穿设计、开发、部署全过程的基础属性。在享受强大Skills带来的便利时务必时刻将安全放在心上尤其是在企业环境中使用。