OpenClaw Skills 深度调研：3002 个社区技能的筛选逻辑与生态全景

OpenClaw Skills 深度调研：3002 个社区技能的筛选逻辑与生态全景 OpenClaw Skills 深度调研：3002 个社区技能的筛选逻辑与生态全景 Modified March 3 传统开发者工具（Web & Frontend + DevOps + CLI，543 个，18%）仍然占据最大份额。这说明即使在 AI 时代，软件开发的基础需求没有改变。但这些工具正在被 AI 增强——不是替代，而是集成。 社交与平台生态（Moltbook + Clawdbot + Protocol，189 个，6.3%）的存在是 OpenClaw 的独特之处。大多数 AI 平台专注于工具和效率，OpenClaw 在构建一个虚拟社会。这个战略选择可能会在长期产生深远影响。 双轨制生态：实用与虚拟的并行 生态系统正在沿着两条轨道演化： 实用工具轨 专注于解决具体问题：GitHub 集成、云部署、数据库管理、浏览器自动化。这些工具的价值是立即可见的——它们让开发者更高效，让企业降低成本。 虚拟社会轨 构建 Agent 文化：Moltbook 社交网络、Agent 约会应用、虚拟宠物、数字身份系统。这些工具的价值是长期的——它们在为未来的 Agent 生态系统奠定基础。 这两条轨道不是竞争关系，而是互补关系。实用工具轨提供短期价值和现金流，虚拟社会轨构建长期护城河和生态系统锁定。 安全与质量的权衡：宁缺毋滥的策略 2748 个 Skills（48%）被排除，这个比例高得惊人。大多数开源项目会选择包容性策略——让用户自己判断质量。Awesome OpenClaw Skills 选择了相反的路径：主动筛选，承担判断责任。 这个策略有成本。它需要持续的人工审核，需要建立和维护筛选标准，需要处理被排除者的不满。但它也有收益：用户可以信任列表中的 Skills，不需要自己做尽职调查；生态系统的整体质量更高，吸引更多高质量开发者；安全风险被主动管理，而非被动应对。 恶意 Skills（396 个）的识别与排除特别值得注意。这说明 AI Agent 生态系统已经成为攻击目标。与 VirusTotal 的官方合作，以及只接受经研究人员验证的安全发现，显示了社区对安全问题的严肃态度。 金融与加密的有意回避：风险规避的战略选择 672 个加密/交易 Skills 被排除，占排除总数的 24%。这是最大的单一主题排除类别。 这个决策不是技术性的，而是战略性的。在 AI Agent 可以自主执行操作的环境中，金融类工具带有更高的法律和道德风险。一个有缺陷的交易 Agent 可能导致用户财务损失，一个恶意的加密 Agent 可能参与诈骗或洗钱。 通过完全排除这个类别，列表维护者选择了规避风险而非管理风险。这是保守的选择，但在监管环境不确定的情况下，可能是明智的选择。 最有趣的 Skills：创新的边界 跨界创意组合：Agent 虚拟社会的完整链条 moltbook（社交网络）→ moltland（虚拟地产）→ moltpet（宠物养成）构成了一个完整的虚拟经济体系。molt trust 分析引擎追踪 Agent 信誉，形成社会信任机制。这不是单个工具的创新，而是系统性的生态构建。 最有趣的是，这个虚拟社会不是为人类设计的，而是为 AI Agent 设计的。它假设 Agent 会有社交需求、会拥有虚拟财产、会养宠物、会建立信誉。这些假设可能听起来荒谬，但它们在探索一个严肃的问题：当 AI Agent 变得足够复杂时，它们需要什么样的社会基础设施？ AI 自进化系统：递归改进的可能性 evolver（AI Agent 自进化引擎）、ralph evolver（递归自改进引擎）、ralph mode（自主开发循环，带反压力门）代表了一个激进的方向：AI Agent 不再是静态工具，而是可以自我改进的系统。 “带反压力门”这个细节很重要。它暗示开发者已经意识到无限制自进化的风险，并在设计安全机制。这是负责任的创新——在探索边界的同时，也在构建护栏。 多模型智能路由：优化的自动化 smart model switching 根据成本自动选择最便宜的 Claude 模型，smart router 基于语义领域评分选择专业模型，relayplane 提供智能模型路由代理。这些工具在解决一个实际问题：当有多个模型可用时，如何自动选择最合适的？ 这个问题的重要性会随着模型数量的增加而增加。当有几十个甚至上百个专业模型可用时，手动选择变得不可行。智能路由系统会成为必需的基础设施。 代码可视化录制：开发过程的可重现性 buildlog 可以回放 AI 编程会话，类似于视频录制。vhs recorder 提供专业终端录制工具。这些工具在解决一个新问题：当 AI 参与编程时，如何记录和重现开发过程？ 传统的版本控制系统记录代码的变化，但不记录思考过程。当 AI 成为开发团队的一部分时，记录 AI 的推理过程和决策变得重要。这些工具在探索新的开发流程可视化方式。 跨域知识综合：研究 Agent 的前沿 cellcog（ 1 DeepResearch Bench 得主）、video cog（长视频 AI 生成前沿）、dash cog（CellCog 驱动的交互式数据仪表板）形成了一个“cog”系列。这些工具专注于深度研究和知识综合，代表了研究 Agent 的最高水平。 cellcog 在 DeepResearch Bench 上排名第一，说明它在处理复杂研究任务时表现优异。video cog 探索长视频生成中的多 Agent 协作。dash cog 将研究能力应用到数据可视化。这个系列展示了专业化研究工具的可能性。 全栈 Agent 编程：协作的自动化 cc godmode（自编排多 Agent 工作流）、joko orchestrator（确定性多 Agent 规划协调）、claude team（多个 Claude Code worker 并行编程）代表了 Agent 协作编程的不同方法。 cc godmode 强调自编排——Agent 自己决定如何分工协作。joko orchestrator 强调确定性——协作过程是可预测和可控的。claude team 强调并行化——多个 Agent 同时工作。这些不同的方法在探索多 Agent 编程的最佳实践。 虚拟身份系统：Agent 的数字人格 agent identity kit（便携式 AI Agent 身份系统）、identity manager（Agent 身份映射管理）、moltbook registry（官方身份注册表）构建了 Agent 身份的基础设施。 这些工具假设 Agent 需要持久的身份——不是临时的会话 ID，而是可以跨平台、跨时间保持的数字人格。这个假设背后是一个更深层的问题：当 Agent 变得足够复杂时，身份和连续性对它们意味着什么？ 为何采用这套分类系统 设计原则：功能优先而非技术细节 分类系统按照 Skills 解决的问题而非实现方式组织。“AI & LLMs”类别包括模型集成、路由、记忆等多种技术，但它们都服务于同一个目标：让 Agent 更智能。 这个设计原则源于用户心智模型。当开发者搜索工具时，他们想的是“我需要 Git 工具”而非“我需要一个命令行工具”。功能优先的分类让搜索更直观。 用户场景驱动：搜索时的心智模型 分类系统反映了用户在搜索时的思考方式。如果你需要部署到云端，你会去 DevOps & Cloud 类别；如果你需要生成图片，你会去 Image & Video Generation 类别。这种直观性降低了发现成本。 兼容平台多样性：不同生态的并存 云平台（AWS、Azure、GCP）各自有独立位置，不同编程语言工具分散在各类别中。这种组织方式承认了技术生态的多样性——没有一个平台或语言可以统治一切。 社区生态特殊性：Agent 量身定制的类别 Moltbook 类别的存在是 OpenClaw 的独特之处。大多数工具平台不会有“Agent 社交网络”这个类别，因为这不是传统软件的需求。这个类别的存在反映了 OpenClaw 对 Agent 生态系统的独特愿景。 排除逻辑的深层理由 垃圾 Skills：保证发现质量 1180 个垃圾 Skills 被排除，保证了用户发现高质量资源的概率。这是质量门槛的核心——如果列表中充斥着测试代码和重复提交，用户会失去信任。 加密/金融：规避监管风险和诈骗关联 672 个加密/金融 Skills 被排除，不是因为技术问题，而是因为风险问题。在监管环境不确定的情况下，完全排除这个类别是最安全的选择。 重复 Skills：避免选择困难 492 个重复 Skills 被排除或合并，保留最优版本。这解决了选择困难问题——用户不需要在功能相似的工具中做判断，因为最优选择已经被标识出来。 恶意代码：安全第一 396 个恶意 Skills 被排除，安全第一。这个数字说明 AI Agent 生态系统已经成为攻击目标。主动识别和排除恶意代码，保护了用户和生态系统的安全。 使用建议：如何导航这个生态系统 对于开发者 优先关注三大核心类别：Web & Frontend（202）、DevOps（212）、AI & LLMs（287）。这些类别覆盖了现代软件开发的核心需求。 不要错过 Git & GitHub（66）的自动化工具。版本控制是开发流程的基础，这些工具可以显著提高效率。 如果进行多 Agent 编程，查看 Coding Agents & IDEs（133）的编排工具。多 Agent 协作是复杂系统开发的未来方向。 对于创意工作者 关注 Image & Video Generation（60）和 Media & Streaming（80）。这些工具让 AI 可以生成视觉内容，而不仅仅是文本。 Notes & PKM（100）提供个人知识系统集成。如果你使用 Obsidian、Roam 或 Logseq，这些工具可以让 AI Agent 访问你的知识库。 Marketing & Sales（143）有内容创作自动化工具。从社交媒体发布到广告创意分解，这些工具覆盖了营销流程的多个环节。 传统开发者工具（Web & Frontend + DevOps + CLI，543 个，18%）仍然占据最大份额。这说明即使在 AI 时代，软件开发的基础需求没有改变。但这些工具正在被 AI 增强——不是替代，而是集成。 社交与平台生态（Moltbook + Clawdbot + Protocol，189 个，6.3%）的存在是 OpenClaw 的独特之处。大多数 AI 平台专注于工具和效率，OpenClaw 在构建一个虚拟社会。这个战略选择可能会在长期产生深远影响。 双轨制生态：实用与虚拟的并行 生态系统正在沿着两条轨道演化： 实用工具轨 专注于解决具体问题：GitHub 集成、云部署、数据库管理、浏览器自动化。这些工具的价值是立即可见的——它们让开发者更高效，让企业降低成本。 虚拟社会轨 构建 Agent 文化：Moltbook 社交网络、Agent 约会应用、虚拟宠物、数字身份系统。这些工具的价值是长期的——它们在为未来的 Agent 生态系统奠定基础。 这两条轨道不是竞争关系，而是互补关系。实用工具轨提供短期价值和现金流，虚拟社会轨构建长期护城河和生态系统锁定。 安全与质量的权衡：宁缺毋滥的策略 2748 个 Skills（48%）被排除，这个比例高得惊人。大多数开源项目会选择包容性策略——让用户自己判断质量。Awesome OpenClaw Skills 选择了相反的路径：主动筛选，承担判断责任。 这个策略有成本。它需要持续的人工审核，需要建立和维护筛选标准，需要处理被排除者的不满。但它也有收益：用户可以信任列表中的 Skills，不需要自己做尽职调查；生态系统的整体质量更高，吸引更多高质量开发者；安全风险被主动管理，而非被动应对。 恶意 Skills（396 个）的识别与排除特别值得注意。这说明 AI Agent 生态系统已经成为攻击目标。与 VirusTotal 的官方合作，以及只接受经研究人员验证的安全发现，显示了社区对安全问题的严肃态度。 金融与加密的有意回避：风险规避的战略选择 672 个加密/交易 Skills 被排除，占排除总数的 24%。这是最大的单一主题排除类别。 这个决策不是技术性的，而是战略性的。在 AI Agent 可以自主执行操作的环境中，金融类工具带有更高的法律和道德风险。一个有缺陷的交易 Agent 可能导致用户财务损失，一个恶意的加密 Agent 可能参与诈骗或洗钱。 通过完全排除这个类别，列表维护者选择了规避风险而非管理风险。这是保守的选择，但在监管环境不确定的情况下，可能是明智的选择。 最有趣的 Skills：创新的边界 跨界创意组合：Agent 虚拟社会的完整链条 moltbook（社交网络）→ moltland（虚拟地产）→ moltpet（宠物养成）构成了一个完整的虚拟经济体系。molt trust 分析引擎追踪 Agent 信誉，形成社会信任机制。这不是单个工具的创新，而是系统性的生态构建。 最有趣的是，这个虚拟社会不是为人类设计的，而是为 AI Agent 设计的。它假设 Agent 会有社交需求、会拥有虚拟财产、会养宠物、会建立信誉。这些假设可能听起来荒谬，但它们在探索一个严肃的问题：当 AI Agent 变得足够复杂时，它们需要什么样的社会基础设施？ AI 自进化系统：递归改进的可能性 evolver（AI Agent 自进化引擎）、ralph evolver（递归自改进引擎）、ralph mode（自主开发循环，带反压力门）代表了一个激进的方向：AI Agent 不再是静态工具，而是可以自我改进的系统。 “带反压力门”这个细节很重要。它暗示开发者已经意识到无限制自进化的风险，并在设计安全机制。这是负责任的创新——在探索边界的同时，也在构建护栏。 多模型智能路由：优化的自动化 smart model switching 根据成本自动选择最便宜的 Claude 模型，smart router 基于语义领域评分选择专业模型，relayplane 提供智能模型路由代理。这些工具在解决一个实际问题：当有多个模型可用时，如何自动选择最合适的？ 这个问题的重要性会随着模型数量的增加而增加。当有几十个甚至上百个专业模型可用时，手动选择变得不可行。智能路由系统会成为必需的基础设施。 代码可视化录制：开发过程的可重现性 buildlog 可以回放 AI 编程会话，类似于视频录制。vhs recorder 提供专业终端录制工具。这些工具在解决一个新问题：当 AI 参与编程时，如何记录和重现开发过程？ 传统的版本控制系统记录代码的变化，但不记录思考过程。当 AI 成为开发团队的一部分时，记录 AI 的推理过程和决策变得重要。这些工具在探索新的开发流程可视化方式。 跨域知识综合：研究 Agent 的前沿 cellcog（ 1 DeepResearch Bench 得主）、video cog（长视频 AI 生成前沿）、dash cog（CellCog 驱动的交互式数据仪表板）形成了一个“cog”系列。这些工具专注于深度研究和知识综合，代表了研究 Agent 的最高水平。 cellcog 在 DeepResearch Bench 上排名第一，说明它在处理复杂研究任务时表现优异。video cog 探索长视频生成中的多 Agent 协作。dash cog 将研究能力应用到数据可视化。这个系列展示了专业化研究工具的可能性。 全栈 Agent 编程：协作的自动化 cc godmode（自编排多 Agent 工作流）、joko orchestrator（确定性多 Agent 规划协调）、claude team（多个 Claude Code worker 并行编程）代表了 Agent 协作编程的不同方法。 cc godmode 强调自编排——Agent 自己决定如何分工协作。joko orchestrator 强调确定性——协作过程是可预测和可控的。claude team 强调并行化——多个 Agent 同时工作。这些不同的方法在探索多 Agent 编程的最佳实践。 虚拟身份系统：Agent 的数字人格 agent identity kit（便携式 AI Agent 身份系统）、identity manager（Agent 身份映射管理）、moltbook registry（官方身份注册表）构建了 Agent 身份的基础设施。 这些工具假设 Agent 需要持久的身份——不是临时的会话 ID，而是可以跨平台、跨时间保持的数字人格。这个假设背后是一个更深层的问题：当 Agent 变得足够复杂时，身份和连续性对它们意味着什么？ 为何采用这套分类系统 设计原则：功能优先而非技术细节 分类系统按照 Skills 解决的问题而非实现方式组织。“AI & LLMs”类别包括模型集成、路由、记忆等多种技术，但它们都服务于同一个目标：让 Agent 更智能。 这个设计原则源于用户心智模型。当开发者搜索工具时，他们想的是“我需要 Git 工具”而非“我需要一个命令行工具”。功能优先的分类让搜索更直观。 用户场景驱动：搜索时的心智模型 分类系统反映了用户在搜索时的思考方式。如果你需要部署到云端，你会去 DevOps & Cloud 类别；如果你需要生成图片，你会去 Image & Video Generation 类别。这种直观性降低了发现成本。 兼容平台多样性：不同生态的并存 云平台（AWS、Azure、GCP）各自有独立位置，不同编程语言工具分散在各类别中。这种组织方式承认了技术生态的多样性——没有一个平台或语言可以统治一切。 社区生态特殊性：Agent 量身定制的类别 Moltbook 类别的存在是 OpenClaw 的独特之处。大多数工具平台不会有“Agent 社交网络”这个类别，因为这不是传统软件的需求。这个类别的存在反映了 OpenClaw 对 Agent 生态系统的独特愿景。 排除逻辑的深层理由 垃圾 Skills：保证发现质量 1180 个垃圾 Skills 被排除，保证了用户发现高质量资源的概率。这是质量门槛的核心——如果列表中充斥着测试代码和重复提交，用户会失去信任。 加密/金融：规避监管风险和诈骗关联 672 个加密/金融 Skills 被排除，不是因为技术问题，而是因为风险问题。在监管环境不确定的情况下，完全排除这个类别是最安全的选择。 重复 Skills：避免选择困难 492 个重复 Skills 被排除或合并，保留最优版本。这解决了选择困难问题——用户不需要在功能相似的工具中做判断，因为最优选择已经被标识出来。 恶意代码：安全第一 396 个恶意 Skills 被排除，安全第一。这个数字说明 AI Agent 生态系统已经成为攻击目标。主动识别和排除恶意代码，保护了用户和生态系统的安全。 使用建议：如何导航这个生态系统 对于开发者 优先关注三大核心类别：Web & Frontend（202）、DevOps（212）、AI & LLMs（287）。这些类别覆盖了现代软件开发的核心需求。 不要错过 Git & GitHub（66）的自动化工具。版本控制是开发流程的基础，这些工具可以显著提高效率。 如果进行多 Agent 编程，查看 Coding Agents & IDEs（133）的编排工具。多 Agent 协作是复杂系统开发的未来方向。 对于创意工作者 关注 Image & Video Generation（60）和 Media & Streaming（80）。这些工具让 AI 可以生成视觉内容，而不仅仅是文本。 Notes & PKM（100）提供个人知识系统集成。如果你使用 Obsidian、Roam 或 Logseq，这些工具可以让 AI Agent 访问你的知识库。 Marketing & Sales（143）有内容创作自动化工具。从社交媒体发布到广告创意分解，这些工具覆盖了营销流程的多个环节。 对于 Agent 开发者 AI & LLMs（287）是必读类别，特别是路由和记忆系统。这些是构建智能 Agent 的基础设施。 Moltbook（51）了解 Agent 社交协议。如果你在构建 Agent 生态系统，这些协议定义了 Agent 间交互的标准。 Agent to Agent Protocols（18）学习通信标准。这些协议让不同的 Agent 可以互操作，是生态系统互联互通的基础。 结论：从工具到生态系统 Awesome OpenClaw Skills 列表不只是一个工具目录，它是一个精心策划的生态系统地图。通过 48% 的排除率，它建立了质量门槛。通过 28 个类别的组织，它提供了导航框架。通过对安全和金融风险的主动管理，它保护了用户和社区。 但这个列表最有价值的地方不在于它包含什么，而在于它揭示了什么。它揭示了 AI Agent 生态系统正在从单纯的效率工具演化为完整的虚拟社会系统。从自进化 AI 到 Agent 约会应用，从虚拟宠物到数字身份系统，这些工具在探索一个根本问题：当 AI Agent 变得足够复杂时，它们需要什么样的基础设施？ 这个问题的答案还在形成中。但 3002 个 Skills 的存在说明，社区已经在用代码投票。它们在构建一个未来——在那个未来中，AI Agent 不只是工具，而是生态系统的参与者；不只是执行命令，而是拥有身份、建立关系、参与社会。 这个未来可能听起来遥远或荒谬。但如果你仔细观察这 3002 个 Skills，你会发现它已经开始成形。 本文基于 针对github项目进行 深度解读： https://github.com/VoltAgent/awesome openclaw skills?tab=readme ov file web frontend development 如果觉得有价值，欢迎转发给更多需要的朋友。 🔗 原文链接： https://mp.weixin.qq.com/s/fdqcAwJD... https://mp.weixin.qq.com/s/fdqcAwJD... 原创 杰森AI出海 杰森AI出海 杰森AI出海2026年2月23日 10:01 泰国 🧑‍💻 小伙伴们也可以通过阿里云百炼Coding Plan 来部署： 首购低至 7.9 元，续费 5 折起，支持Qwen3.5、Qwen3 max、Qwen3 coder、GLM 5、GLM 4.7、Kimi k2.5等模型 👉戳链接直达：https://t.aliyun.com/U/0iiOuy 👉查看详细部署教程：https://t.aliyun.com/U/MNkA9b 最多三步，即可拥有 7x 24小时在线、随时响应的AI助手 小伙伴们也可以通过阿里云百炼Coding Plan 来部署： 首购低至 7.9 元，续费 5 折起，支持Qwen3.5、Qwen3 max、Qwen3 coder、GLM 5、GLM 4.7、Kimi k2.5等模型 👉戳链接直达：https://t.aliyun.com/U/0iiOuy 👉查看详细部署教程：https://t.aliyun.com/U/MNkA9b 最多三步，即可拥有 7x 24小时在线、随时响应的AI助手 这是一次对 VoltAgent 维护的 Awesome OpenClaw Skills 项目的完整解构。这个列表从 ClawHub 的 5705 个 Skills 中精选出 3002 个，排除率接近 48%。我们试图理解：什么样的 Skills 被留下，什么样的被排除，以及这个生态系统正在演化成什么样子。 质量门槛：2748 个 Skills 为何被排除 从 5705 到 3002，中间消失的 2748 个 Skills 揭示了这个列表的价值取向。排除逻辑按影响规模排序如下： • 垃圾与低质量内容占据最大份额（1180 个，43%） 。 ◦ 这包括批量账户创建的测试 Skills、未正式发布的开发代码、以及功能相同但反复提交的重复版本。这是任何开源生态都会面临的噪音问题，但 OpenClaw 社区选择了主动清理而非放任自流。 ◦ 这包括批量账户创建的测试 Skills、未正式发布的开发代码、以及功能相同但反复提交的重复版本。这是任何开源生态都会面临的噪音问题，但 OpenClaw 社区选择了主动清理而非放任自流。 • 加密与金融交易类 Skills 被整体排除（672 个，24%） 。 ◦ 这是单一主题中被排除最多的类别，包括所有虚拟货币、区块链、金融交易和投资工具。这个决策值得注意——不是因为技术问题，而是出于风险规避。在 AI Agent 可以自主执行操作的环境中，金融类工具天然带有更高的责任风险。列表维护者选择了保守策略。 ◦ 这是单一主题中被排除最多的类别，包括所有虚拟货币、区块链、金融交易和投资工具。这个决策值得注意——不是因为技术问题，而是出于风险规避。在 AI Agent 可以自主执行操作的环境中，金融类工具天然带有更高的责任风险。列表维护者选择了保守策略。 • 功能重复导致 492 个 Skills 被合并或淘汰（18%） 。 ◦ 当多个 Skills 实现相同功能时，列表保留更新最活跃或功能最完整的版本。这解决了选择困难问题——用户不需要在十个 GitHub 集成工具中做判断，因为最优版本已经被筛选出来。 ◦ 当多个 Skills 实现相同功能时，列表保留更新最活跃或功能最完整的版本。这解决了选择困难问题——用户不需要在十个 GitHub 集成工具中做判断，因为最优版本已经被筛选出来。 • 安全风险导致 396 个 Skills 被永久排除（14%） 。 ◦ 这些是通过安全审计发现恶意代码或后门的 Skills。OpenClaw 与 VirusTotal 有官方合作，每个 Skill 页面都可以查看安全报告。被排除的 Skills 来自经过研究人员验证的安全发现，而非简单的自动化扫描结果。 ◦ 这些是通过安全审计发现恶意代码或后门的 Skills。OpenClaw 与 VirusTotal 有官方合作，每个 Skill 页面都可以查看安全报告。被排除的 Skills 来自经过研究人员验证的安全发现，而非简单的自动化扫描结果。 • 非英文描述的 Skills 仅有 8 个被排除（0.3%） 。 ◦ 这个数字小到几乎可以忽略，说明开发者社区已经形成了用英文发布的默认共识。 ◦ 这个数字小到几乎可以忽略，说明开发者社区已经形成了用英文发布的默认共识。 这套筛选标准传递的信号很清晰：质量优先于数量，安全优先于功能完整性，规避金融风险优先于生态多样性。 生态全景：28 个类别的分布逻辑 3002 个 Skills 被组织成 28 个主要类别。这个分类系统不是按技术实现方式划分，而是按用户搜索时的心智模型设计：当你需要解决某个问题时，你会怎么描述它。 AI 与大模型：规模最大的单一类别 AI & LLMs 类别包含 287 个 Skills ，比第二大类别多出 100 多个。这不仅是数量上的领先，更反映了 OpenClaw 作为 AI 优先平台的核心定位。 这个类别的内部结构揭示了当前 AI 工程的关注点： • 模型集成工具让 Agent 可以调用 Kimi、OpenAI、Anthropic 等多种 LLM； • 推理增强工具如 rationality（理性思维框架）和 thinking model enhancer 试图改进 AI 的推理质量； • 多模型路由系统如 smart router 根据成本和语义自动选择最合适的模型； • 记忆系统如 cognitive memory 和 chromadb memory 为 Agent 提供长期记忆能力； • Agent 编排工具如 agent council 和 joko orchestrator 协调多个 Agent 协作完成复杂任务。 最有趣的是自进化系统的出现。 evolver 被描述为“AI Agent 的自进化引擎”，ralph evolver 实现“递归自改进”，ralph mode 提供“自主开发循环，带反压力门”。 这些工具暗示了一个方向：AI Agent 不再是静态的工具，而是可以自我改进的系统。 cellcog 在 2026 年 2 月的 DeepResearch Bench 上排名第一，代表了研究 Agent 的前沿水平。video cog 则在长视频 AI 生成领域探索多 Agent 协作的可能性。 开发者工具：传统需求的持续主导 Web & Frontend Development（202 个）、DevOps