当前位置：首页 > news >正文

OpenClaw技能开发入门：为百川2-13B-4bits模型定制专属自动化模块

news 2026/8/1 11:15:52

OpenClaw技能开发入门：为百川2-13B-4bits模型定制专属自动化模块

1. 为什么需要自定义OpenClaw技能？

去年冬天，我每天早晨都要手动查询天气来决定穿什么衣服。直到有一天，我突发奇想：能不能让OpenClaw自动完成这个任务？于是开始了我的第一个技能开发尝试——为百川2-13B模型定制天气查询模块。

开发自定义技能的核心价值在于：

解决个性化需求：通用模型无法覆盖所有场景，比如我的"穿衣建议"需要结合当地天气和衣柜库存
降低Token消耗：专用技能通过结构化参数调用API，比让大模型自由发挥更节省资源
复用工程资产：开发好的技能可以发布到ClawHub社区，形成正向循环

2. 开发环境准备

2.1 基础工具链

我的开发环境组合是：

一台搭载RTX 3060的Ubuntu笔记本（显存刚好够跑百川2-13B-4bits）
VS Code + OpenClaw官方插件
已部署的百川模型WebUI服务（默认端口7860）

# 验证环境 curl http://localhost:7860/api/v1/chat -X POST \ -H "Content-Type: application/json" \ -d '{"model":"baichuan2-13b","messages":[{"role":"user","content":"你好"}]}'

2.2 技能脚手架安装

OpenClaw提供了标准的技能开发模板：

npx @openclaw/cli new skill weather-query cd weather-query && npm install

目录结构说明：

. ├── package.json # 技能元数据 ├── skill.json # 技能注册配置 ├── src │ ├── index.ts # 主逻辑 │ └── types.ts # 类型定义 └── test # 测试用例

3. 对接百川模型API

3.1 理解百川的对话协议

百川2-13B的API与OpenAI协议略有不同，需要特别注意：

interface BaichuanMessage { role: 'user' | 'assistant'; content: string; } interface BaichuanRequest { model: string; messages: BaichuanMessage[]; temperature?: number; }

3.2 实现天气查询逻辑

我在src/index.ts中封装了专用方法：

async function queryWeather(location: string): Promise<string> { const prompt = `你是一位专业气象学家。请用中文回答${location}未来24小时的天气情况，包含温度、降水概率、风速。如果无法获取该地区数据，请明确说明。`; const response = await fetch('http://localhost:7860/api/v1/chat', { method: 'POST', headers: { 'Content-Type': 'application/json' }, body: JSON.stringify({ model: 'baichuan2-13b', messages: [{ role: 'user', content: prompt }], temperature: 0.7 }) }); const data = await response.json(); return data.choices[0].message.content; }

4. 设计技能交互协议

4.1 定义技能描述文件

skill.json是技能的"身份证"，我的配置如下：

{ "name": "weather-query", "description": "基于百川大模型的天气查询技能", "author": "yourname", "version": "0.1.0", "triggers": ["天气", "weather"], "parameters": { "location": { "type": "string", "required": true, "description": "需要查询的城市/地区名称" } } }

4.2 实现核心处理逻辑

主入口需要处理两种场景：

直接指令调用："/weather 北京"
自然语言触发："今天上海天气怎么样"

export default async function (ctx: SkillContext) { const { text, parameters } = ctx; // 提取地点参数 let location = parameters?.location; if (!location && text) { // 从自然语言中提取地点 const extractResp = await fetch('http://localhost:7860/api/v1/chat', { method: 'POST', body: JSON.stringify({ model: 'baichuan2-13b', messages: [{ role: 'user', content: `请从以下文本中提取地名作为JSON输出：${text}` }] }) }); location = (await extractResp.json()).choices[0].message.content; } if (!location) { return { text: '请提供需要查询的地点名称' }; } try { const weatherInfo = await queryWeather(location); return { text: weatherInfo, markdown: `## ${location}天气情况\n${weatherInfo}` }; } catch (error) { return { text: `查询失败: ${error.message}` }; } }

5. 测试与调试技巧

5.1 本地测试模式

OpenClaw CLI提供了便捷的测试命令：

openclaw skills test ./weather-query \ --text "明天杭州天气怎么样" \ --params '{"location":"杭州"}'

5.2 调试百川模型输出

我发现百川有时会返回过于冗长的解释，通过修改prompt工程优化：

const prompt = `用最简练的语言报告${location}天气，格式： 城市：[地点] 温度：[数值]℃ 降水概率：[数值]% 风速：[数值]级 建议：[1条]`;

6. 部署与使用

6.1 安装到OpenClaw

开发完成后，通过link方式安装到本地环境：

cd weather-query npm link openclaw skills link weather-query

6.2 实际使用示例

现在可以通过多种方式调用：

Web控制台：输入"/weather 北京"
飞书机器人：@机器人 "广州今天会下雨吗"
命令行：openclaw exec weather --location=上海

7. 进阶优化方向

在后续迭代中，我为这个技能增加了这些特性：

缓存机制：相同地点1小时内不重复查询
多数据源：当百川返回"不清楚"时自动切换至和风天气API
穿衣建议：根据温度区间推荐搭配方案

// 示例：扩展穿衣建议 function getClothingAdvice(temp: number): string { if (temp > 28) return "建议穿短袖、短裤等夏装"; if (temp > 20) return "建议穿衬衫、薄外套等春秋装"; return "建议穿羽绒服、毛衣等冬装"; }

开发自定义技能最有趣的地方在于，你可以像搭积木一样不断扩展AI的能力边界。我的天气查询模块从最初的简单功能，现在已经发展成包含空气质量监测、出行建议的综合性生活助手。