1. 从零跑通 ReAct 助理为什么我盯上了 OpenClaw 的 Skill 机制OpenClaw 是一个命令行 AI 助理系统核心能力是让模型在 ReAct 循环里自主决定「先想什么、再调哪个工具、拿到结果后怎么继续」。Datawhale 出品的 Hello Claw 教程把它拆成领养龙虾、龙虾大学、构建龙虾三块其中「构建龙虾」第 13 章专门讲 Skill 编写这也是我决定动手跑第一个 ReAct 助理的入口。如果你之前只玩过单轮对话可能会觉得「助理」和「聊天机器人」差不多。差别在于聊天机器人拿到问题直接生成答案而 ReAct 助理会先判断需不需要外部信息需要就调用工具把工具返回塞回上下文再决定下一步。这个「思考—行动—观察」的循环才是 OpenClaw 里 Skill 真正跑起来的样子。我这次的目标很具体写一个能查本地时间并做时区换算的 Skill让助理在收到「现在东京几点」这类问题时自动触发工具调用而不是靠模型瞎猜。整条链路涉及 Skill 目录结构、frontmatter 声明、工具函数注册、以及一次完整的触发验证。下面按可跟做的顺序展开配置片段都能直接复制。适合谁看已经装好 OpenClaw、想理解 ReAct 循环怎么落地的人或者想给助理加自定义能力、但卡在 Skill 怎么写的人。零基础也能跟因为我会把每个文件放哪、命令敲什么写清楚。2. TaoToken 前置给 OpenClaw 配一个稳定的模型入口OpenClaw 本身不绑定模型它通过 provider 配置去调外部 API。ReAct 循环对模型的要求比普通对话高模型要能稳定输出结构化的工具调用意图还要在多轮里保持上下文不崩。所以第一步是把模型入口配好再谈 Skill。我用的方式是 TaoToken 的聚合入口。它的 API 地址是https://taotoken.net/api兼容 OpenAI 风格的调用格式OpenClaw 的 Custom Provider 可以直接填。先去控制台建一个 API Key路径在console下的api-keys页面建完复制出来后面写进配置文件。这里有个容易踩的点OpenClaw 的模型配置分两层一层是 provider 定义base URL、key一层是 agent 绑定哪个模型。很多人只改了 provider 没改 agent结果助理还是走默认模型Skill 触发行为对不上。所以下面配置里两层都会写。关于模型选择ReAct 场景建议用指令跟随能力强的型号工具调用格式不容易跑偏。TaoToken 的模型对话页面可以先把候选模型拉出来试一轮确认它能正确返回 tool call 结构再写进 OpenClaw。如果你打算长期跑编码类或 Agent 类任务Coding Plan 的额度模型更适合高频循环调用普通体验用按量就行。配好之后先别急着写 Skill用一条最简请求确认 provider 通。命令我在下一节给连同 Skill 配置一起。3. 可复制配置Skill 目录、frontmatter 与 openclaw.jsonOpenClaw 的 Skill 放在工作区的skills/目录下每个 Skill 一个子目录里面至少有一个SKILL.md和一个入口脚本。我先建目录mkdir -p ~/.openclaw/workspace/skills/timezone-helper cd ~/.openclaw/workspace/skills/timezone-helper然后写SKILL.md。frontmatter 是 Skill 的声明区name 和 description 决定模型什么时候会想到调用它description 要写清楚「什么情况下用」这是 ReAct 里模型做工具选择的主要依据--- name: timezone-helper description: 当用户询问某个城市当前时间、或需要做时区换算时使用。输入城市名或时区标识返回该地当前时间与 UTC 偏移。 version: 0.1.0 entry: index.js tools: - name: get_city_time description: 查询指定城市的当前本地时间 parameters: type: object properties: city: type: string description: 城市名如 Tokyo、Shanghai required: - city --- # timezone-helper 查询城市当前时间支持常见 IANA 时区映射。入口脚本index.js用 Node 写导出一个工具函数。注意参数校验要做模型偶尔会传空值const tzMap { Tokyo: Asia/Tokyo, Shanghai: Asia/Shanghai, London: Europe/London, New York: America/New_York, }; function get_city_time({ city }) { if (!city || !tzMap[city]) { return { error: unsupported city: ${city} }; } const now new Date(); const local now.toLocaleString(en-US, { timeZone: tzMap[city] }); const offset -now.getTimezoneOffset() / 60; return { city, local_time: local, utc_offset_hours: offset }; } module.exports { get_city_time };接着改~/.openclaw/openclaw.json把 provider 和 agent 都指向 TaoToken并让 agent 加载这个 Skill 目录{ providers: { taotoken: { type: openai-compatible, baseUrl: https://taotoken.net/api, apiKey: sk-你的Key, models: [你的模型ID] } }, agents: { default: { provider: taotoken, model: 你的模型ID, workspace: ~/.openclaw/workspace, skillsDir: ~/.openclaw/workspace/skills } } }三件套对齐检查Base URL 是https://taotoken.net/apiKey 是控制台建的那串Model ID 要和 provider.models 里写的一致。改完重启 OpenClaw 让配置生效openclaw gateway restart openclaw skill listskill list里能看到timezone-helper就说明加载成功。如果没出现八成是 skillsDir 路径写错或 frontmatter 格式有问题下一节排障会讲。4. 验证请求触发一次完整的 ReAct 循环配置就绪后用一条自然语言请求验证。启动交互模式openclaw chat然后输入现在东京几点顺便告诉我伦敦时间。预期行为是模型先「思考」需要调用get_city_time传入Tokyo拿到结果后再调一次传London最后把两个结果组织成回答。你会在终端看到类似这样的循环日志[think] 用户问东京和伦敦时间需要调用 get_city_time [act] get_city_time({ city: Tokyo }) [observe] { city: Tokyo, local_time: 3/21/2025, 11:42:00 AM, utc_offset_hours: 9 } [think] 东京结果已拿到继续查伦敦 [act] get_city_time({ city: London }) [observe] { city: London, local_time: 3/21/2025, 2:42:00 AM, utc_offset_hours: 0 } [final] 东京现在是 11:42伦敦是 2:42。看到[act]和[observe]交替出现就说明 ReAct 循环真的跑起来了不是模型直接编答案。这一步是整个学习笔记里最关键的验证点工具被调用、结果被回灌、模型基于观察继续推理。如果只想知道模型入口通不通可以先跑一条不带工具的请求curl https://taotoken.net/api/v1/chat/completions \ -H Authorization: Bearer sk-你的Key \ -H Content-Type: application/json \ -d {model:你的模型ID,messages:[{role:user,content:ping}]}返回里有choices字段就说明 provider 正常。这一步和 Skill 验证分开做能快速定位问题出在模型侧还是 Skill 侧。5. 本篇常见错排查401、local proxy failed 与 reading choices跑 ReAct 助理最容易卡在几个固定报错上我按实际遇到的顺序列。401 UnauthorizedKey 没填对或没生效。检查openclaw.json里apiKey是不是完整复制有没有多余空格。改完必须openclaw gateway restart热更新对 provider 段不一定生效。如果 curl 也 401那就是 Key 本身问题回控制台重新建一个。local proxy failedOpenClaw 网关没起来或者端口被占。先openclaw gateway status看状态再openclaw gateway restart。如果还报检查 baseUrl 是不是写成了带路径的完整地址provider 段只填到/api这一层。reading choices of undefined模型返回体里没有 choices通常是模型 ID 写错或者 provider 返回了错误结构但被当成正常响应解析。先用第 4 节的 curl 确认模型 ID 能返回标准结构再回填配置。这个错在 ReAct 多轮里更隐蔽因为第一轮可能正常第二轮上下文超长被截断后返回异常。Skill 不触发模型压根没调工具。原因一般是SKILL.md的 description 写得太泛模型判断不出该用。把触发条件写具体比如「当用户询问某城市当前时间时使用」而不是「时间相关」。另外确认skill list里能看到它。OAuth 相关报错如果你用的是需要 OAuth 的 providertoken 过期会报这个。TaoToken 走 API Key 不涉及但如果你混用了其他 provider检查对应凭证是否刷新。排查顺序建议先 curl 验模型再skill list验加载最后 chat 验循环。三层分开问题不会混在一起。6. 继续往下走把 Skill 接进长期工作流第一个 ReAct Skill 跑通后你会发现真正的价值在组合。比如把timezone-helper和日程类 Skill 放一起助理就能处理「帮我约东京同事明天上午十点」这种跨时区任务它会先算时区再写日程。Hello Claw 的龙虾大学里有 11 个场景案例邮箱助手、早间简报、CI/CD 助手都是这个思路的延伸。如果你打算长期跑这类 Agent 任务模型调用频率会比普通对话高很多这时候 Coding Plan 的额度模型更划算适合把 ReAct 循环当日常工具用。想先试模型行为模型对话页面可以直接拉起来对比不同型号的工具调用稳定性。接入文档里有 provider 配置的完整字段说明遇到 openclaw.json 参数不确定时对着查。我自己的习惯是每写一个新 Skill先用一条最小请求验证工具被调用再叠到复杂工作流里。这样出问题时能立刻定位是 Skill 本身还是组合逻辑。你可以从改timezone-helper的 tzMap 开始加一个你常打交道的城市重新openclaw gateway restart再问一次时间看循环日志里是不是多了你新加的那条[act]。