OpenClaw 的 Skills 可以把大模型从聊天工具扩展成能搜索资料、解析课件、生成知识结构、规划练习、记录进度和润色中文表达的工作流系统。以《世界电影史》课程为例，拆解 6 个 Skills 的职责、调用方式和注意事项。
OpenClaw 可以通过 Skills 调用浏览器、邮件等外部工具，把聊天机器人从“会回复”扩展为“能执行任务”的 AI Agent。这里以默认集成的 agent-browser 和手动安装 email Skill 为例，讲清楚 Skills 的作用、使用方式和配置流程。
多能力 Agent 如果把所有领域知识都塞进 System Prompt，会浪费上下文并降低可扩展性。AgentScope-Java 的 Skill 机制通过元数据、指令、资源三层加载，让 Agent 先知道可用能力，再按任务加载 SOP、参考文档和脚本。
Deep Agents 是构建复杂 AI Agent 的多智能体框架，适合处理长期运行、多步骤规划、文件系统上下文、子代理协作和持久记忆等任务。内容围绕它解决的问题、核心机制、适用场景和上手方式展开。
FunctionGemma 可以把自然语言请求转换为函数调用，但通用模型不一定理解企业内部的工具选择策略。这里用“内部知识库搜索”和“Google 搜索”的路由任务，讲清 FunctionGemma 微调的原因、数据准备方式、训练流程、评估方法，以及 FunctionGemma Tuning Lab 的无代码使用方式。
OpenClaw 是一个本地优先的 AI Agent 运行时，把大语言模型、消息通道、本地文件、Shell、浏览器和长期记忆连接起来。内容拆解它的本地架构、ReAct 编排、分层记忆、System Prompt 组装方式，以及适合和不适合的使用场景。
企业接入多个大语言模型后，会遇到接口碎片化、成本失控、数据安全和稳定性问题。围绕模型市场、统一 API、模型调度、Token 成本治理、限流告警和 Key 生命周期，系统讲解企业级大模型网关的设计方法。
Clawdbot/OpenClaw 的高 Token 消耗主要来自系统提示词、ReAct 多轮循环、工具结果回灌和反射重试。围绕这些成本来源，拆解计算模型、典型场景和缓存、工作流、上下文压缩、工具裁剪、模型路由等降本手段。
Agent Skills 可以理解为给 AI Agent 使用的结构化技能包，用来沉淀指令、参考资料、脚本和模板。掌握它的核心后，可以把一次性的 Prompt 改造成可复用、可维护、输出更稳定的工作模块。
