Openclaw(AI Agent) 背后的skills，这些被包装成“智能体”“自动化系统”的脚手架，到底有多少是真本事，有多少只是把老东西换了个新壳？
下面这篇，就是我站在一个连轴开发 AI 产品的从业者视角，对这个 Agent skill 生态的一些拆解和感受。我会尽量讲清楚：这些 skill 是怎么实现的、它们对普通用户到底有多不友好、里面有哪些结构性问题，以及这些问题对做产品的人意味着什么。
先把结论摆在前面：不管是国内还是国外，现在看上去百花齐放的 Agent skills 市场里，大部分“创新”都没有发生在底层能力上，而是集中在包装层、分发层和故事层。现在的情形，一句话总结，就是 “底层创新的缺失与包装层的狂欢”
现状拆解：当前 Agent Skill 的三大分类
这段时间我大概拆了几十个国外 skill、二十来个国内顶流 skills，大致可以分成三类：
第一类：“提示词型 skill” 它的核心是把一套方法论、分析步骤、写作模板，用很长的一份 SKILL.md 写清楚。常见的例子有 data-analysis、market-research、excel-xlsx、word-docx 之类。宣传上说“会做数据分析”“会做市场研究”，但真正干活的，还是底层大模型加上一些传统工具。这个 skill 更像是一张“流程说明书”或者“操作卡片”，而不是一个真正有独立能力的模块。 第二类：“薄封装 skill” 它做的事情，就是给现成的 API、命令行工具、SaaS 服务，再加一层自然语言入口。比如 baidu-search 实际上就是调百度千帆的搜索 API；nano-banana-pro 用的是 Gemini 3 Pro Image 做图；notion、slack、imap-smtp-email 则是在官方 API 或 CLI 外面再包一层。它的自动化逻辑，拆开就是：把自然语言里的要素映射成参数 → 发一个 HTTP 请求或调用命令行 → 把返回的 JSON 或输出再格式化一下。 第三类：“产品级系统” 它们有一些真正的系统设计：状态管理、缓存、监控、路由策略之类。比如 web-search-plus 会根据用户的 query 特征，在 Serper、Tavily、Exa、Perplexity 等多个搜索服务之间做路由和选择；command-center 会负责本地可观测性、日志收集、任务重启；agent-browser 会用可访问性树来做相对稳定的 DOM 引用，尽量不被前端结构的小改动弄崩；ontology 会在本地维护一个 JSONL 格式的“知识图”或状态库。但很明显，这种有工程厚度的 skill，在整个生态里只是少数。
如果你平时习惯刷官网宣传页，常见的一套话术是：AI Agent、全自动化、深度研究、自我进化、知识图谱记忆、无代码工作流、一键集成 100+ API。拆开这些具体实现后，会发现有几个几乎到处都存在的共性问题。
问题一：“自动化”在工程实现上的单薄
第一个共性问题，是很多人嘴里的“自动化”，在工程上其实很单薄。
在不少 skill 的实现里，“自动化”换成工程语言，就是这一串动作：识别用户意图 → 选一个工具 → 把自然语言拆成参数 → 调一个 API 或 CLI → 把结果整理成用户能看懂的格式。有的会多加一点：把错误记录进 markdown 日志，就说是 self-improving；把同一个请求丢给几个搜索 API，就叫 deep research；把环境变量里配置的几种模型轮流用一下，就叫 free ride 或模型路由。
这些东西当然有用，能省不少体力活。但如果我们心里想的是“自治智能体”，那距离还非常远。更准确的说法，其实是 workflow wrapper——它包了一个工作流，而不是一个能自己做决策、自己改进的“主体”。很多 skill 卖的并不是一个“会做事的智能体”，而是一块“把一堆已有工具接在一起的插线板”。
问题二：被过度乐观估计的“用户友好度”
第二个共性问题，是“对非技术用户友好”这件事，被说得太乐观了。
几乎所有看上去很酷的 skill，背后都有一串被藏起来的前置条件。你如果真想跑起来，往往要经历这样一串步骤：
先去各种平台注册账号，申请一堆 API key； 再在某个配置文件或环境变量里，把这些密钥一条条填进去； 本地还要装 Node 或 Python，装 CLI 工具，装对应依赖； 如果用 Gmail，还要开两步验证、再生成一个 app password； 接 Slack、Notion 之类，还要自己在它们的控制台里创建应用、配置 OAuth、选权限 scope； 用 summarize 这种聚合摘要工具，常常要同时管理 OpenAI、Anthropic、xAI、Google、Firecrawl、Apify 等好几家的凭证，错一个就会报错。
文案写的是“只要用自然语言说出需求，一切自动完成”。真实体验却往往是：自然语言入口只让最后那 10% 的交互简单了，前面 90% 的环境搭建、账户配置、认证管理、错误排查一样都没少。对非技术用户来说，这就像是：门口那几级台阶确实被削平了，但台阶后面其实还有一整段上坡山路，只是宣传里没提。
问题三：爬虫与搜索能力的“神话”幻象
第三个共性问题，是“爬虫/搜索”这几个词，被严重神话了。
我拆过的这些 skill 里，只要一提“抓网页”“深度搜索”“自动研究互联网”，大多数实际用的都是下面三种思路之一：
直接调用现有搜索 API，比如 baidu-search、ftshare-news-data。连自己的爬虫系统都不搭； 用浏览器自动化工具，比如 agent-browser、playwright：打开页面、等待加载、模拟点击，然后把 DOM 或可访问性树抓下来交给大模型； 做一个 meta-search，比如 web-search-plus，把用户 query 分发给 Serper、Tavily、Exa 等多个搜索服务，在本地加一点缓存和路由策略，再把结果合并一下。
如果站在传统“搜索引擎”或“爬虫系统”的角度来看，这些都只是外围部分。真正意义上的爬虫系统，需要有任务调度、增量抓取策略、URL 去重规则、反爬处理、结构化解析、失败重试、长期数据入库等等。而在现在的很多 skill 里，这一整块几乎是空白的。
多数情况下，“会操作网页”这句话，在代码层面就是：起一个无头浏览器 → 访问一个结构比较稳定的页面 → 多点几下按钮或滚动 → 把当前 DOM 抓下来给模型总结。离我们日常理解的“能对互联网做系统性研究”，还隔着一整套基础设施。
问题四：“免费”标签掩盖下的真实运行成本
第四个共性问题，是“免费”的说法，遮住了真实成本。
一些工具会很大方地写：web-search-plus 会告诉你 Serper 每月 2500 次免费、Tavily 每月 1000 次免费；moltguard 会写安全检测每天有 500 次免费额度；很多聚合搜索或模型路由工具，会强调“只用一个 key 就能接入 N 个服务”。
如果你只拿来玩玩，偶尔跑几次任务，这些免费额度看上去很充裕。但只要你想拿它做一点正经事（如长期行业研究、股票池监控、自动化流水线），你就会很快撞上限额。这时候，真正的复杂问题才会浮出水面：是花钱提额，还是在多个服务间拆分任务？是自搭搜索系统，还是按功能分流？这些决策，几乎都不会出现在 landing page 上，但却是落地关键。
问题五：安全与隐私处理的矛盾现状
第五个共性问题，是安全和隐私，被处理得太乐观。
有一些专门做安全的 skill，比如 skill-vetter、moltguard，本身是很认真的。它们会整理出各种“危险信号”：比如警惕未知 URL 的下载命令、保护敏感路径、拒绝 base64 解码后立即执行的命令。这些清单侧面说明：生态里确实有大量用户看不懂的脚本和二进制被到处调用。
但与之并存的是大量不谨慎的做法：discord skill 漏写依赖却允许上传文件；某些工具自动改写本地配置；要求将所有 API key 存放在明文文件里。这种状态很矛盾：一方面大家都知道有风险，另一方面为了功能跑通，又不得不开放更多权限。
实践反思一：Agent 生态目前更多是“接线员”
站在我自己「1 年 100 个 AI 产品挑战」的实践上，再回头看这整片生态，我的感受有两个特别强烈。
第一个：现在的 agent skill 生态，卖得最多的，其实是“接线能力”，而不是真正的“智能能力”。
很多作者在复杂的工具世界上搭中间件，接上各种 API 后宣称拥有“100+ 能力”。但这些能力大多是原平台的本职工作，skill 只是个集中配线板。真正难的部分——如定义稳健的业务流程、出错自动补救、设计易用的界面、控制成本——很多 skill 几乎没有碰。
实践反思二：真正的价值往往在于“枯燥”的工程细节
第二个感受：那些真正有价值、真正有技术含量的部分，反而一点都不像“AI 神话”。
比如 agent-browser 用传统工程思路做页面定位；command-center 负责本地观测与任务重启；ontology 做透明的状态存储；n8n 认真讨论幂等性和人工审批。这些东西很实在、很“无聊”，不好做惊艳的 demo，但它们才是 AI 系统里最值得长期投资的基础设施。
哪里营销声音越大，往往哪里工程厚度就越薄。那些最容易涨粉的“全自动”功能，大多只是旧工具的再一次封装。
总结：从“AI 神话”回归到解决具体问题
写到这里，我也得承认：作为一个开发者，我也在大量使用这个生态里的“积木”来降低实验门槛。
但如果我们把这些直接给普通人当产品，问题就太多了。“无代码”变成了“配置复杂化”，“自治”变成了“API 调度”。接下来几年，真正有价值的 AI 产品，不会是再造一层“更好看的 skill 市场”，而是老老实实去啃那些不性感的问题：研究透具体工作流、明确自动化边界、做实安全管理、用尽量少的“神话”包装产品。
现在整片 Agent skill 生态更像一个巨大的实验场。它让我看到两条路：一条是做“接线板”堆功能，另一条是向下挖做实能力。如果你也在做 AI 产品，希望这些吐槽能让你在面对“智能体叙事”时，多一点免疫力和判断力。
