1. 为什么我要 fork openclaw，让 AI 自己写 skill
openclaw 这类 CUA Agent 最吸引我的地方，不是它能点浏览器，而是它能把「高层目标」拆成可执行动作。但真跑起来你会发现一个问题：如果每次任务都靠一段超长 prompt 描述流程，thinking 内容会爆炸，token 消耗高，而且步骤一多模型就开始飘。我之前的做法是把流程写死成包装好的程序，结果 Agent 变成了 RPA，失去了自主性。
后来我换了个思路：把「怎么做」沉淀成 skill，让 AI 自己读、自己改、自己组合。你只需要给它几个基础方法（读文件、写文件、列目录、执行命令），它就能在 skill 目录里生成新的 skill 文件，下次遇到同类任务直接复用。这相当于给 Agent 装了一个可自我扩展的工具箱。
这篇面向的是已经 fork 了 openclaw、想跑通「AI 自写 skill」闭环的人。我会给出可复制的config.toml与settings.json骨架、TaoToken 统一 Key/API 通道的接入方式，以及 skill 生成后的验证动作清单。整套配置在本地实测能跑通，你照着改路径就能用。
2. TaoToken 前置：统一 Key 与 API 通道
openclaw 的 skill 生成依赖模型调用，而模型调用需要稳定的 API 通道。我试过把不同厂商的 Key 散落在各个 skill 里，维护起来很痛苦。TaoToken 的价值在于它提供统一的 Key 和 API 入口，openclaw 的 config 里只写一份 base_url 和 api_key，所有 skill 共用。
官网入口在这里：https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= ，注册后在控制台创建 Key。API 基地址是https://taotoken.net/api，注意这个地址不带 UTM 参数，直接写进配置即可。
你需要提前准备三样东西：一个 TaoToken API Key、openclaw 的 fork 仓库、以及本地能跑 Python 的环境。Key 的创建入口在控制台的 API Keys 页面：https://taotoken.net/console/api-keys?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= 。如果你还没决定用哪个模型，可以先去模型对话页面试一下：https://taotoken.net/models?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= 。
注意：Key 只写在本地配置文件或环境变量里，不要提交到 git。openclaw 的 skill 目录建议加进
.gitignore。
3. 可复制配置：config.toml 与 settings.json 骨架
openclaw fork 之后，配置分两层：config.toml管模型通道和全局参数，settings.json管 skill 的读写权限和生成策略。下面是我实测的骨架，路径按你的实际目录改。
3.1 config.toml 模型通道配置
# config.toml [llm] provider = "openai_compatible" base_url = "https://taotoken.net/api" api_key = "${TAOTOKEN_API_KEY}" model = "claude-sonnet-4-20250514" max_tokens = 8192 temperature = 0.3 [agent] name = "openclaw-cua" workspace = "./workspace" skill_dir = "./workspace/skills" auto_load_skills = true [skill] enable_self_write = true write_scope = "./workspace/skills" require_confirm = false max_skill_size_kb = 64关键点说明：base_url指向 TaoToken 的 API 地址，api_key用环境变量注入，避免硬编码。enable_self_write打开后，Agent 才有权限往 skill 目录写文件。write_scope限制写入范围，防止它乱写系统目录。
3.2 settings.json skill 生成策略
{ "skill": { "generation": { "enabled": true, "trigger": "on_task_complete", "template": "default", "naming": "snake_case", "overwrite": false }, "validation": { "syntax_check": true, "dry_run": true, "max_retry": 2 }, "tools": [ "read_file", "write_file", "list_dir", "run_python", "http_request" ] }, "logging": { "level": "info", "skill_trace": true } }trigger设为on_task_complete，意思是任务完成后 Agent 判断这次流程是否值得沉淀成 skill。tools列表就是开放给 AI 的基础方法，它靠这几个方法自己组合出新的 skill。dry_run打开后，新生成的 skill 会先空跑一遍再落盘。
3.3 环境变量注入
export TAOTOKEN_API_KEY="sk-你的key" export OPENCLAW_CONFIG="./config.toml"如果你用 Coding Plan 做长期编码任务，可以把模型换成更适合代码的通道，入口在：https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= 。
4. 验证请求：跑通 AI 自写 skill 的闭环
配置写完，接下来验证整条链路。分三步：先确认模型通道通，再确认 skill 目录可写，最后让 Agent 真的生成一个 skill。
4.1 验证模型通道
curl -s https://taotoken.net/api/v1/chat/completions \ -H "Authorization: Bearer $TAOTOKEN_API_KEY" \ -H "Content-Type: application/json" \ -d '{ "model": "claude-sonnet-4-20250514", "messages": [{"role": "user", "content": "回复 ok"}], "max_tokens": 16 }'返回里能看到choices[0].message.content就说明通道正常。如果返回 401，检查 Key 是否带上了Bearer前缀。
4.2 验证 skill 目录权限
mkdir -p ./workspace/skills touch ./workspace/skills/.keep python -c "import os; print(os.access('./workspace/skills', os.W_OK))"输出True表示可写。openclaw 启动时会扫描这个目录，把已有 skill 加载进上下文。
4.3 触发 AI 自写 skill
启动 openclaw 后，给它一个带明确步骤的任务，比如「读取 data.csv，统计每列空值数量，把结果写成 report.md」。任务完成后，观察./workspace/skills下是否多出一个.py或.md文件。我实测下来，第一次生成通常会带一个analyze_csv_nulls.py，里面是它自己组合read_file和run_python写出来的。
验证动作清单：
| 检查项 | 命令 | 预期结果 |
|---|---|---|
| skill 文件生成 | ls ./workspace/skills | 出现新文件 |
| 语法正确 | python -m py_compile ./workspace/skills/*.py | 无报错 |
| 可被加载 | 重启 openclaw 看日志 | 日志出现loaded skill: xxx |
| 可复用 | 再发同类任务 | Agent 直接调用而非重新生成 |
4.4 让 skill 可复用
新 skill 落盘后，重启 openclaw，auto_load_skills会自动加载。再发一个同类任务，观察日志里是否出现using skill: analyze_csv_nulls。如果出现了，说明闭环跑通：AI 写了一次 skill，后面直接复用，thinking 内容明显变少。
5. 本篇常见错排查
跑这套配置时我踩过几个坑，列出来帮你省时间。
报错一：PermissionError: write_scope denied原因是write_scope路径和实际 skill 目录不一致。检查config.toml里的skill_dir和settings.json里的write_scope是否指向同一个绝对路径。相对路径在不同启动目录下会解析成不同结果，建议统一用绝对路径。
报错二：skill not loaded after restart新生成的 skill 文件名不符合加载规则。openclaw 默认只加载snake_case命名的.py文件，如果 AI 生成了AnalyzeCSV.py，会被跳过。在settings.json里把naming设为snake_case并打开syntax_check，让它在落盘前就纠正。
报错三：max_skill_size_kb exceededAI 把整个流程写得太长，超过 64KB。这时候不要直接调大限制，而是把trigger改成on_task_complete并加一个max_steps约束，让它只沉淀核心步骤。skill 太大反而难维护。
报错四：模型返回 429并发太高或额度用尽。TaoToken 控制台能看到用量，去 API Keys 页面确认额度：https://taotoken.net/console/api-keys?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= 。如果是长期高频编码任务，考虑切到 Coding Plan。
报错五：skill 生成了但 dry_run 失败说明 AI 写的代码有逻辑错误。把max_retry设为 2，让它自己修。如果两次都失败，检查tools列表里是否缺了它需要的方法，比如它想调http_request但你没开放。
6. 接入文档与后续动作
整套配置的核心就三件事：TaoToken 提供统一通道、config 控制模型和 skill 目录、settings 控制生成策略。跑通之后，你可以把更多基础方法加进tools列表，让 AI 组合出更复杂的 skill。
接入细节和参数说明看官方文档：https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= 。如果你主要做长期编码或 Agent 任务，Coding Plan 的通道更适合：https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= 。ClaudeCode 相关的接入方式在：https://taotoken.net/claudecode?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= 。
最后留一个实用技巧：每次 AI 生成新 skill 后，别急着让它自动覆盖旧文件。把overwrite保持false，新 skill 会带时间戳后缀，你手动对比后再决定合并。这样既能积累，又不会把之前调好的流程冲掉。
