本地AI技能调度中枢：OpenClaw+Hermes架构原理与实战

1. 项目概述：这不是一个“AI工具合集”，而是一套可落地的本地化技能调度中枢

“龙虾 Skill 技能库｜OpenClaw+Hermes 全集成 一键调用所有 AI 技能”——这个标题里没有一个词是虚的，但每一个词背后都藏着容易被忽略的工程现实。我从去年底开始系统性地测试 OpenClaw 和 Hermes 的组合部署，不是为了跑通 demo，而是要让它真正嵌入我的日常研发流、文档处理流和自动化分析流。所谓“龙虾”，不是指某种生物或品牌，而是社区对这套本地化 AI 技能调度架构的昵称，源于其核心设计哲学：像龙虾的钳子一样，左右开弓、各司其职、精准夹取——OpenClaw 负责技能注册、元数据管理、安全沙箱与执行路由；Hermes 负责语义理解、任务拆解、上下文编排与多步技能协同。二者不是简单拼接，而是通过一套轻量级 IPC 协议（基于 Unix Domain Socket + JSON-RPC 2.0）完成毫秒级通信，不依赖任何云服务、不上传用户指令、不强制联网验证。

关键词“Skill”在这里有明确定义：它不是 API 调用封装，也不是 prompt 模板集合，而是一个具备完整生命周期的可执行单元。每个 Skill 必须包含schema.json（声明输入/输出结构、权限需求、资源约束）、exec.py（Python 3.9+ 兼容入口）、README.md（人类可读说明）和可选的requirements.txt。例如一个“PDF 摘要生成 Skill”，它会自动检测是否需要 OCR、是否启用大模型摘要、是否保留原始页码引用——这些都不是靠人工写 prompt 决定的，而是由 OpenClaw 在运行时根据 schema 中声明的requires_ocr: true和model_preference: ["qwen2-7b", "deepseek-v2"]自动匹配本地可用资源并调度。这正是它区别于普通“AI 工具网站”的根本：它把 AI 能力变成了像ls或curl一样可脚本化、可管道化、可版本化管理的本地命令。

适合谁来参考？如果你正在做三类事情中的任意一种，这个项目就值得你花两小时搭起来：第一类是技术文档工程师或知识管理负责人，需要把公司内部的 SOP、API 手册、故障排查指南变成可被自然语言调用的技能；第二类是科研辅助人员，比如生物信息方向的博士生，要把本地运行的 BLAST、Primer3、PyMOL 脚本包装成“帮我比对这两个基因序列并高亮突变位点”这样的口语指令；第三类是隐私敏感型开发者，比如金融、医疗、政企系统的后端工程师，不能把原始日志、配置片段、数据库 schema 上传到任何第三方大模型接口，但又需要快速获得 SQL 优化建议、异常日志归因或合规性检查报告。这三类人共同的痛点是：现有 LLM 工具链太“黑盒”，而自己手写 agent 调度又太重。龙虾 Skill 库就是在这条缝隙里长出来的务实方案。

提示：不要被“一键部署”四个字误导。它确实能用一条命令拉起基础环境，但“一键”指的是“一键初始化运行时骨架”，不是“一键解决所有兼容性问题”。比如在 macOS 上，OpenClaw 对 Rosetta 2 的兼容性需手动 patch 一个内存映射标志；在 WSL2 下，Hermes 的 context window 管理器会因内核版本差异触发could not safely verify the wsl2 environment报错——这不是 bug，而是设计上的主动防御：它拒绝在无法确认 cgroup v2 完全启用的环境下启动，防止技能越权访问宿主机资源。这些细节，恰恰是它敢说“本地”“安全”“可控”的底气来源。

2. 架构设计与技术选型逻辑：为什么必须是 OpenClaw + Hermes，而不是 LangChain + Llama.cpp？

2.1 OpenClaw 的不可替代性：技能不是函数，是带策略的进程

很多人第一反应是：“我用 LangChain 就能编排工具，何必另起炉灶？”这个问题我实测对比过 7 种主流方案，结论很明确：LangChain、LlamaIndex、Semantic Kernel 这些框架，本质是“LLM 编排层”，它们把外部能力抽象为Tool对象，调用时走的是 Python 函数调用栈。这在 demo 场景下很丝滑，但在生产环境中会暴露三个硬伤：

第一，无资源隔离。一个 Skill 如果内部调用了subprocess.run(["ffmpeg", ...])，它就和主进程共享内存、文件描述符、环境变量。如果两个 Skill 同时处理视频转码，很容易因/tmp目录冲突或 GPU 显存争抢导致整个 agent 崩溃。OpenClaw 的解法是：每个 Skill 默认在独立的unshare --user --pid --mount命名空间中启动，挂载只读的/usr、受限的/tmp（每个 Skill 有独立子目录）、以及按 schema 声明的最小必要设备节点（如--device /dev/nvidia0仅当requires_gpu: true时才挂载）。这不是 Docker，而是 Linux 原生 namespace + seccomp-bpf 过滤器，启动开销 <15ms，内存占用 <3MB。

第二，无状态契约。LangChain 的 Tool 没有强制的输入/输出 schema，靠 docstring 描述。而 OpenClaw 要求每个 Skill 的schema.json必须通过 JSON Schema Draft-07 验证，且字段类型、必填项、枚举值、正则校验全部在加载阶段静态检查。比如一个“SQL 审计 Skill”的输入 schema 中，query字段必须满足"pattern": "^SELECT\\s+.*?FROM\\s+\\w+.*?$"，否则直接拒绝注册。这种强契约让 Hermes 在规划阶段就能做类型推导，避免把字符串传给期待 JSON 数组的 Skill。

第三，无执行策略。LangChain 调用 Tool 是同步阻塞的，超时、重试、降级全靠上层代码硬写。OpenClaw 内置了三层策略引擎：① 资源策略（CPU 核心数限制、最大内存 MB、最长执行秒数）；② 安全策略（禁止网络访问、禁止写入家目录外路径、禁止加载动态库）；③ 业务策略（如“当输入长度 >5000 字时，自动启用分块摘要模式”）。这些策略不是配置项，而是 Skill 的一部分，随 Skill 一起版本化、一起审计。

所以 OpenClaw 不是“另一个 LangChain”，它是把 Skill 当作操作系统里的“进程”来管理——有 PID、有资源配额、有权限边界、有退出码语义。这也是为什么它的 CLI 叫claw run而不是claw invoke：你在运行一个受控进程，不是调用一个函数。

2.2 Hermes 的协同价值：为什么单靠 OpenClaw 无法实现“一键调用所有”？

如果 OpenClaw 是“技能执行引擎”，Hermes 就是“技能调度大脑”。很多团队尝试只用 OpenClaw，结果陷入“技能爆炸困境”：注册了 47 个 Skill，但每次用户说“分析这份财报”，系统不知道该调用pdf_extract→table_parse→financial_ratio_calc还是pdf_extract→text_summarize→sentiment_analyze。Hermes 解决的正是这个“意图到技能图谱”的映射问题。

它的核心创新在于Context-Aware Skill Graph（CASG）。传统 agent 用 LLM 做一次 prompt 推理就决定下一步，Hermes 则构建了一个三层图谱：①静态技能图：基于所有 Skill 的schema.json自动提取输入/输出字段语义，建立字段级依赖边（如pdf_extract.output.text→text_summarize.input.content）；②动态上下文图：在对话过程中，实时将用户当前输入、历史消息、已执行 Skill 的输出，编码为向量注入图谱，激活相关子图；③策略增强图：叠加资源约束（如“当前 GPU 显存剩余 <2GB，禁用所有 requires_gpu:true 的 Skill”）、成本约束（如“本次请求预算 <0.03 美元，优先选择本地小模型 Skill”）、合规约束（如“输入含身份证号，自动插入 data_masking Skill”）。

这个图谱不是离线训练的，而是在线推理时用 DGL（Deep Graph Library）做的 subgraph sampling + GNN 推理，耗时 <80ms。实测在 128 个 Skill 的库中，Hermes 平均 3.2 步就能收敛到最优执行路径，错误率比纯 LLM 规划低 67%。更重要的是，它把“调用所有 AI 技能”从一句口号变成了可审计的行为：每次执行都会生成一份execution_trace.json，记录每一步 Skill 的输入哈希、输出哈希、资源消耗、策略触发原因。你可以用hermes trace --id xxx --show-policy直接看到“为什么没选 qwen2-72b 而选了 qwen2-7b”——因为策略引擎检测到输入文本含医疗术语，触发了compliance_medical_mode: true，该模式下自动降级到通过等保三级认证的小模型。

2.3 为什么拒绝魔塔（ModelScope）、Ollama、LMStudio 等“模型中心化”方案？

网络热词里频繁出现“openclaw对接魔塔”，这其实是个典型误区。魔塔、Ollama 的定位是“模型分发平台”，它们解决的是“如何方便地下载和运行大模型”。而龙虾 Skill 库解决的是“如何让大模型安全、可控、可审计地调用本地已有能力”。二者不在同一维度，强行对接反而增加风险。

举个真实案例：某团队把 OpenClaw 的shell_execSkill 对接到 Ollama，想让 LLM 直接生成 shell 命令。结果模型在 prompt 中被诱导输出rm -rf /home/user/docs，而 Ollama 的 sandbox 机制只隔离模型本身，不隔离其生成的命令。OpenClaw 的解法是：shell_execSkill 的 schema 明确声明allowed_commands: ["grep", "awk", "jq", "curl"]，且所有命令参数必须通过白名单正则校验（如curl只允许https?://[a-z0-9.-]+\\.[a-z]{2,}）。这是模型层无法解决的执行层安全。

同理，“hermes agent 安装”常被误解为要装一个“智能体应用”。实际上 Hermes 本身不提供 UI，它是一个 headless daemon，通过hermes serve --port 8080启动后，只暴露/v1/chat/completions兼容接口。你可以用 curl 直接调用，也可以把它嵌入 VS Code 插件、Obsidian 插件、甚至微信机器人后端。它的“agent”属性体现在调度逻辑里，而不是形态上。这种设计让整个栈保持极简：没有前端框架、没有数据库、没有消息队列，所有状态存在内存里，重启即清空——这对注重隐私的用户反而是优势。

3. 实操部署与核心环节详解：从零开始搭建属于你的技能中枢

3.1 环境准备：硬件、系统、依赖的硬性门槛

部署前必须明确：这不是一个“笔记本上随便跑跑”的玩具。龙虾 Skill 库的设计目标是“在工程师的开发机或小型服务器上稳定运行”，因此对环境有明确要求。我整理了一份实测兼容表，覆盖了从 M1 Mac 到 Intel NUC 再到 AWS t3.xlarge 的 12 种组合：

注意：网上流传的“在安卓 Termux 原生部署 openclaw:无 proot 轻量版”是严重误导。Termux 的 Android 环境缺乏完整的 Linux namespace 支持（特别是 user namespace），unshare --user会直接失败。OpenClaw 的安全模型依赖此特性，强行绕过等于放弃所有隔离保障。我们明确不支持 Android 端部署，这是设计取舍，不是技术缺陷。

安装步骤严格按顺序执行，跳过任一环节都可能导致后续报错：

1. 安装系统级依赖（以 Ubuntu 24.04 为例）：

   sudo apt update && sudo apt install -y \ build-essential \ libseccomp-dev \ libcap-dev \ libusb-1.0-0-dev \ python3.11-venv \ python3.11-dev \ jq \ curl

2. 创建专用用户与目录（安全最佳实践）：

   sudo adduser --disabled-password --gecos "" clawuser sudo mkdir -p /opt/claw/skills /opt/claw/logs sudo chown -R clawuser:clawuser /opt/claw sudo chmod 755 /opt/claw

3. 切换用户并初始化 Python 环境：

   sudo su - clawuser python3.11 -m venv /opt/claw/venv source /opt/claw/venv/bin/activate pip install --upgrade pip setuptools wheel

4. 安装 OpenClaw 与 Hermes（注意版本锁）：

   # OpenClaw 必须用 0.8.3+，低于此版本不支持 Hermes IPC 协议 pip install openclaw==0.8.3 # Hermes 必须用 1.2.0+，旧版本不支持 CASG 图谱 pip install hermes-agent==1.2.0

此时，你已经拥有了最精简的运行时。验证是否成功：

claw version # 应输出 0.8.3 hermes version # 应输出 1.2.0

3.2 技能注册实战：从一个“天气查询”脚本到可被自然语言调用的 Skill

光有引擎不够，得有“弹药”。我们以一个真实的“本地天气查询 Skill”为例，展示如何把一个普通 Python 脚本变成符合龙虾规范的 Skill。

第一步：编写exec.py

#!/usr/bin/env python3.11 import sys import json import requests from pathlib import Path # 从 stdin 读取输入（OpenClaw 强制约定） input_data = json.load(sys.stdin) # 输入校验（即使 schema 已声明，这里再做一层业务校验） if not input_data.get("city"): print(json.dumps({"error": "city is required"}, ensure_ascii=False)) sys.exit(1) # 调用本地部署的 weather-api（假设已用 FastAPI 部署在 http://localhost:8000） try: resp = requests.get( f"http://localhost:8000/weather?city={input_data['city']}", timeout=10 ) resp.raise_for_status() result = resp.json() except Exception as e: print(json.dumps({"error": f"API call failed: {str(e)}"}, ensure_ascii=False)) sys.exit(1) # 输出必须是 JSON，且字段需与 schema.json 一致 output = { "city": result["city"], "temperature": result["temp_c"], "condition": result["condition"]["text"], "last_updated": result["last_updated"] } print(json.dumps(output, ensure_ascii=False))

第二步：编写schema.json

{ "$schema": "https://json-schema.org/draft-07/schema#", "title": "Weather Query Skill", "description": "Query current weather for a city using local weather API", "type": "object", "required": ["city"], "properties": { "city": { "type": "string", "description": "City name in Chinese or English", "minLength": 2, "maxLength": 20, "pattern": "^[a-zA-Z\\u4e00-\\u9fa5\\s\\-]+$" } }, "outputs": { "type": "object", "properties": { "city": {"type": "string"}, "temperature": {"type": "number"}, "condition": {"type": "string"}, "last_updated": {"type": "string"} } }, "resources": { "cpu_cores": 0.5, "memory_mb": 128, "network_allowed": true, "timeout_seconds": 15 } }

第三步：创建 Skill 包并注册

# 创建技能目录 mkdir -p /opt/claw/skills/weather-query cp exec.py schema.json README.md /opt/claw/skills/weather-query/ # 设置可执行权限（重要！） chmod +x /opt/claw/skills/weather-query/exec.py # 注册技能（OpenClaw 会校验 schema 并加载） claw register /opt/claw/skills/weather-query # 查看注册状态 claw list # 输出应包含：weather-query | 0.1.0 | active | Weather Query Skill

现在，这个 Skill 已经可以被 Hermes 调用了。但注意：claw register只是让 OpenClaw “知道”这个技能存在，它不会自动启动服务。真正的调用发生在 Hermes 发起claw run时，OpenClaw 会按 schema 中的resources限制启动一个隔离进程执行exec.py。

3.3 Hermes 调度配置：让“帮我查北京天气”真的能命中 weather-query

Hermes 的核心配置文件是hermes.yaml，它定义了模型路由、技能图谱策略、上下文管理规则。一个最小可行配置如下：

# /opt/claw/hermes.yaml model: # 本地模型路径，必须是 GGUF 格式 local_path: "/opt/claw/models/Qwen2-7B-Instruct-Q4_K_M.gguf" # 模型参数 n_ctx: 4096 n_batch: 512 n_threads: 8 skill_graph: # 启用 CASG 图谱 enable_casg: true # 图谱刷新间隔（秒），0 表示只在启动时加载 refresh_interval: 300 policies: # 资源策略：当系统内存使用率 >85% 时，禁用所有 requires_gpu:true 的 Skill memory_threshold: 0.85 # 合规策略：输入含身份证号、手机号、银行卡号时，自动插入 data_masking Skill pii_detection: enabled: true patterns: - "\\b\\d{17}[\\dXx]\\b" # 身份证 - "\\b1[3-9]\\d{9}\\b" # 手机号 - "\\b\\d{4}\\s\\d{4}\\s\\d{4}\\s\\d{4}\\b" # 银行卡 logging: level: INFO file: "/opt/claw/logs/hermes.log"

启动 Hermes：

hermes serve --config /opt/claw/hermes.yaml --port 8080

此时，你可以用 curl 测试自然语言调用：

curl -X POST "http://localhost:8080/v1/chat/completions" \ -H "Content-Type: application/json" \ -d '{ "model": "hermes", "messages": [ {"role": "user", "content": "帮我查北京天气"} ], "stream": false }'

Hermes 会返回标准 OpenAI 兼容格式的响应，其中choices[0].message.content就是 weather-query Skill 的输出 JSON 字符串（已自动解析为自然语言）。关键在于：你完全不用告诉 Hermes “去调用 weather-query”，它通过 CASG 图谱自动发现user.content中的“北京”和“天气”语义，匹配到weather-query.schema.json中的city字段和condition字段，从而触发调用。

实操心得：第一次部署时，90% 的失败都出在schema.json的pattern正则上。比如上面的身份证正则\\b\\d{17}[\\dXx]\\b，如果写成\\d{18}就会漏掉末位 X 的情况，导致 PII 检测失效。建议用 https://regex101.com/ 在线验证所有正则，尤其是中文字符范围\\u4e00-\\u9fa5必须用双反斜杠转义。

3.4 全集成验证：用一个复杂场景检验“一键调用所有”的可靠性

我们用一个真实工作流来压测整套系统：“分析一份 PDF 格式的竞品产品说明书，提取功能列表、对比我司产品，并生成一页 PPT 大纲”。

这个流程涉及至少 5 个 Skill：

• pdf_extract（OCR + 文本提取）
• table_parse（识别 PDF 中的对比表格）
• feature_extractor（从文本中抽取出功能点）
• competitive_analysis（调用本地 Qwen2-72B 做 SWOT 分析）
• ppt_generator（用 python-pptx 生成大纲）

部署步骤：

1. 下载并注册这 5 个 Skill（官方 Skill 库已提供claw-skill-pdf,claw-skill-table,claw-skill-feature,claw-skill-analysis,claw-skill-ppt）
2. 确保本地有Qwen2-72B-GGUF模型文件（约 15GB），并更新hermes.yaml中的model.local_path
3. 启动 OpenClaw daemon：claw daemon --skills-dir /opt/claw/skills --log-file /opt/claw/logs/claw.log
4. 启动 Hermes：hermes serve --config /opt/claw/hermes.yaml

测试命令：

curl -X POST "http://localhost:8080/v1/chat/completions" \ -H "Content-Type: application/json" \ -d '{ "model": "hermes", "messages": [ {"role": "user", "content": "分析附件中的竞品说明书.pdf，提取功能列表，对比我司产品V3.2，生成一页PPT大纲"} ], "attachments": ["/path/to/competitor-manual.pdf"], "stream": false }'

实测结果（M2 Max, 64GB RAM）：

• 总耗时：28.4 秒（其中 PDF 解析 8.2s，表格识别 3.1s，大模型分析 12.7s，PPT 生成 1.4s）
• 内存峰值：4.3GB（全部在claw run进程内，主进程 <200MB）
• 错误率：0（所有 Skill 的exit_code均为 0）

最关键的是，整个过程无需人工干预。Hermes 的 CASG 图谱自动构建了执行链：pdf_extract.output.text→feature_extractor.input.text→competitive_analysis.input.features→ppt_generator.input.analysis。你看到的只是一次 API 调用，背后是 5 个隔离 Skill 的协同作战。

4. 常见问题与排查技巧实录：那些官网不会写的坑和解法

4.1 OpenClaw 启动报错could not safely verify the wsl2 environment.的根因与修复

这是 WSL2 用户最高频的问题，网上多数教程让你加--skip-env-check，这是危险操作。我们必须理解它在检查什么：

OpenClaw 在启动时会执行以下校验：

1. 检查/proc/cgroups是否存在且cgroup2行的enabled列为 1
2. 检查/sys/fs/cgroup/cgroup.controllers是否包含pids、memory、cpuset
3. 检查当前用户是否在/etc/subuid和/etc/subgid中有足够范围的 UID/GID 映射（用于 user namespace）

正确修复步骤：

# 1. 确保 WSL2 内核已更新（需 Windows 更新到 23H2+） wsl --update # 2. 在 Windows 的 %USERPROFILE%\AppData\Local\Packages\... 目录下找到你的发行版， # 编辑 `wsl.conf`（若不存在则新建），添加： [boot] systemd=true [automount] enabled=true options="metadata,uid=1000,gid=1000,umask=022" # 3. 重启 WSL2 wsl --shutdown wsl # 4. 在 WSL2 内执行（必须用 root） sudo su - echo "kernel.unprivileged_userns_clone=1" >> /etc/sysctl.conf sysctl -p # 5. 为当前用户添加 subuid/subgid（假设用户名为 ubuntu） echo "ubuntu:100000:65536" >> /etc/subuid echo "ubuntu:100000:65536" >> /etc/subgid

完成后，claw daemon就能正常启动。这个过程不是“绕过检查”，而是真正满足了 OpenClaw 的安全前提。

4.2 Hermes 返回{"error": "No skill found for query"}的 5 种可能原因

这个错误看似简单，实则涉及 CASG 图谱的多个环节。我整理了排查树：

注意：不要迷信“重装 Hermes”。95% 的此类问题，根源都在schema.json的description字段写得太技术化。比如一个数据库查询 Skill，如果description写的是“执行 SQL SELECT 语句”，Hermes 很难联想到用户说的“查一下张三的订单”。改成“查询指定用户的订单记录（支持姓名、手机号、订单号）”就能大幅提升匹配率。

4.3 技能执行超时或内存溢出：如何精准定位是 Skill 本身问题还是 OpenClaw 限制

OpenClaw 的resources.timeout_seconds和resources.memory_mb是硬限制，但有时 Skill 看似“卡住”，其实是它在等待某个外部资源（如数据库连接池耗尽）。区分方法：

步骤 1：用claw run手动执行 Skill

# 加上 --debug 参数，看到底层进程 PID claw run weather-query --input '{"city":"Beijing"}' --debug # 输出类似：[DEBUG] Starting skill process with PID 12345

步骤 2：监控该 PID 的资源

# 在另一个终端 ps -o pid,ppid,vsz,rss,%mem,%cpu,time,comm -p 12345 # 如果 RSS（实际物理内存）持续增长，说明 Skill 有内存泄漏 # 如果 %cpu 为 0 但 time 很长，说明它在阻塞 IO（如 network wait）

步骤 3：检查 OpenClaw 日志

# 查找 skill ID 对应的日志 grep "weather-query" /opt/claw/logs/claw.log \| tail -20 # 如果看到 "KILLED by oom-killer"，说明 memory_mb 设置过低 # 如果看到 "TIMEOUT after 15.00s"，说明需要调高 timeout_seconds

终极技巧：用strace追踪系统调用

# 重新运行并 strace claw run weather-query --input '{"city":"Beijing"}' --debug 2>&1 \| grep "PID" # 假设 PID 是 12345，则 sudo strace -p 12345 -e trace=network,io,process -s 100 # 如果长时间停在 `connect(3, {...}, 16) = -1 EINPROGRESS`，说明网络超时

这个方法能让你一眼看出问题在 Skill 代码层（如死循环）、系统层（如 DNS 解析失败）、还是 OpenClaw 层（如 cgroup 内存限制触发）。

4.4 “龙虾部署教程”中缺失的关键运维实践

所有公开教程都教你“怎么装”，但没人告诉你“怎么维护”。以下是我在 3 个生产环境（20+ Skill，日均调用 1200+ 次）中沉淀的运维清单：

• 技能版本管理：每个 Skill 目录必须有VERSION文件（如0.2.1），claw register会读取它。升级时，先claw unregister old-name，再claw register new-path，避免同名冲突。
• 日志轮转：OpenClaw 默认不轮转日志。在claw daemon启动命令后加--log-max-size 100 --log-max-backups 5。
• 健康检查端点：claw daemon启动后，http://localhost:8081/health返回 JSON，包含skills_count、memory_usage_percent、uptime_seconds。可接入 Prometheus。
• 紧急熔断：当某个 Skill 连续 3 次exit_code != 0，OpenClaw 会自动将其状态设为degraded，Hermes 默认跳过。查看：claw list --status degraded。
• 备份策略：只需备份/opt/claw/skills/目录和/opt/claw/hermes.yaml。恢复时claw unregister --all后重新注册即可，无需停服务。

最后分享一个血泪教训：某次更新hermes-agent到 1.2.1 后，所有 Skill 调用都返回空。排查 6 小时才发现，新版本默认启用了--enable-strict-schema-validation，而一个老 Skill 的schema.json中outputs字段少写了type: object。解决方案不是降级，而是给所有 Skill 加上 CI 检查：jsonschema -i schema.json schema.json。现在我们的 GitLab CI 在每次 push 时自动运行这个命令。

5. 技能生态扩展：如何基于龙虾架构构建垂直领域技能库

5.1 从通用 Skill 到领域 Skill：以“专利分析”为例的架构演进

“龙虾 Skill 库”这个名字容易让人误解为一个固定集合。实际上，它是一个技能开发框架。我们团队用它构建了三个垂直领域库：

• Codex Skill：面向程序员，封装了git blame、pylint、bandit、swagger-to-postman等 37 个开发工具
• 仓颉 Skill：面向中文内容创作者，集成了cn2an（中文数字转换）、jieba（分词）、pypinyin（拼音）、`cn