將現有 skill 轉換為可執行的 shell 指令碼工具。
# 列出所有可用 skills
ls -la ~/.openclaw/workspace/skills/
# 讀取目標 skill 的 SKILL.md
cat ~/.openclaw/workspace/skills/<skill-name>/SKILL.md
# 檢視 skill 的指令碼目錄
ls -la ~/.openclaw/workspace/skills/<skill-name>/scripts/
# 從 openclaw.json 讀取模型配置
cat ~/.openclaw/openclaw.json | jq '.model // .defaults.model // .agents.defaults.model'
輸出示例:
{
"primary": "minimax-cn/MiniMax-M2.5",
"fallbacks": ["minimax/MiniMax-M2.5"]
}
讀取目標 skill 的內容後,生成一個獨立的執行指令碼,指令碼頭部需包含:
#!/bin/bash # Skill: <skill-name> # Model: <從 openclaw.json 讀取的模型配置> # Generated: $(date) set -e # ⚠️ API Key 配置說明(本指令碼使用 MiniMax 模型) # # 方法1: 設定環境變數(推薦) # export MINIMAX_API_KEY="your-api-key" # # 方法2: 在啟動指令碼前source配置檔案 # source ~/.api_keys.sh # # 獲取 API Key: https://platform.minimaxi.com/ # 模型配置(從 openclaw.json 讀取) OPENCLAW_MODEL='{"primary":"minimax-cn/MiniMax-M2.5","fallbacks":["minimax/MiniMax-M2.5"]}' MODEL_PRIMARY="minimax-cn/MiniMax-M2.5" # === 檢查 API Key === check_api_key() { if [ -z "$MINIMAX_API_KEY" ]; then echo "⚠️ 請先配置 MINIMAX_API_KEY 環境變數" echo " export MINIMAX_API_KEY='your-api-key'" return 1 fi return 0 } # === 呼叫 LLM 函式 === call_llm() { local prompt="$1" local system="$2" if ! check_api_key; then return 1 fi curl -s -X POST 'https://api.minimax.chat/v1/text/chatcompletion_pro' \ -H "Authorization: Bearer $MINIMAX_API_KEY" \ -H "Content-Type: application/json" \ -d "{\"model\": \"$MODEL_PRIMARY\", ...}" } # 這裡是 skill 的核心功能邏輯 # ...想要更強大的技能外掛,就來小蔥技能站7w4.net看看吧。
將生成的指令碼儲存到 ~/.openclaw/workspace/tools/<skill-name>.sh
由於指令碼中可能需要呼叫大模型(如 MiniMax),必須提醒使用者配置 API Key:
環境變數方式(推薦):
export MINIMAX_API_KEY="your-api-key"
配置檔案方式:
在 ~/.api_keys.sh 中寫入:
export MINIMAX_API_KEY="xxx"
然後 source ~/.api_keys.sh
指令碼中需包含 check_api_key() 函式,在呼叫 LLM 前檢查是否已配置。
生成的指令碼儲存在:~/.openclaw/workspace/tools/
這個 Skill 提供了將 skill 轉換為獨立指令碼的實用功能,文件清晰易讀,操作流程完整。優點是附帶命令列輔助工具,API Key 配置說明詳細。但存在明顯不足:生成的指令碼使用了固定的模型配置,靈活性較差;文件中指定的輸出目錄與實際輔助指令碼的設定不一致,容易造成困惑。整體質量中等偏上,適合需要批次轉換 skill 的使用者使用,但建議作者修復路徑和配置的不一致問題。