WorkBuddy AI提效实战课：Codex+OpenClaw自定义技能全教程【1.2GB】

这套资料的主题很明确：把 Codex 和 OpenClaw 这两个可以本地/半本地运行的 AI 编码与自动化工具，接进 WorkBuddy 的工作流里，并围绕它们写自定义 Skill。它不讨论模型原理，也不做泛泛的“AI 办公”科普，落点始终在“怎么把一件重复的事固化成一个可复用的技能”。1.2GB 的体积，主要来自演示录屏、配置文件与示例工程，属于那种需要边看边动手、对着改的资料，而不是听完就能记住的课程。

技术栈与三个关键词

理解这份资料，先要拆清三个概念各自负责什么。Codex在这里指代大模型驱动的代码生成与命令行交互能力，负责“把自然语言意图转成可执行的代码或脚本”；OpenClaw承担的是工具调用与外部能力的编排层，把浏览器、文件系统、接口这些分散的操作统一成模型可调用的动作；WorkBuddy则是最终承载这些能力的宿主环境，Skill 是它对外暴露的扩展单元。

所以整条链路是：在 WorkBuddy 里定义一个 Skill 的元信息与触发方式，用 OpenClaw 声明它能调用哪些工具，再借助 Codex 生成或补全 Skill 的执行逻辑。三者不是并列关系，而是“宿主—编排—生成”的分层结构。看懂这个分层，后面所有演示你都能快速定位它在讲哪一层。

自定义 Skill 的抽象方式

资料里反复出现的 Skill，本质上是一个带描述的结构化能力包：一段元数据（名称、用途说明、参数）加一段可执行逻辑。这个设计的价值在于，模型不需要理解你的业务全貌，只需要在合适的时机读到 Skill 的描述并正确填参。因此写 Skill 的难点往往不在代码，而在描述是否精确、参数边界是否清晰、失败返回值是否可被模型正确消化。

你在对照练习时，重点应该放在这几处：

• Skill 的入参如何定义，是否把可选与必填区分开；
• 调用外部工具时异常怎么抛出，模型拿到错误后能否自行重试或改参数；
• 输出格式是否稳定，能否被后续步骤直接消费；
• 多个 Skill 如何组合成一条完整任务链，而不是各自孤立。

这几点在任何 AI 自动化框架里都是通用的，掌握了迁移成本很低。

适合拿它对照什么

如果你已经在用命令行 AI 工具或自建过工作流，这套资料的用法不是从头跟做，而是挑其中的 Skill 示例当模板，替换成自己业务里的动作。比如把“整理下载目录并按类型归档”改造成“拉取工单并生成日报”，骨架几乎不用动，改的是工具声明和输出格式。资料给的是一批可运行的样例，你要做的是从中抽出一套属于自己的 Skill 编写规范。

如果是从零开始，建议先跑通一个最小 Skill：只调用一个工具、只返回一段文本，确认宿主能正确加载、模型能正确触发，再去加第二个工具、加条件分支。很多卡点不在模型能力，而在配置路径、权限声明和参数序列化上，先跑通最小闭环能省掉大量排查时间。

自学顺序建议

按依赖关系推进比按目录顺序推进更有效。先理解 WorkBuddy 里 Skill 的注册与加载机制，搞清楚文件放哪、元信息怎么写；再进 OpenClaw 的工具声明部分，弄明白一个动作怎样被模型看见；最后才看 Codex 参与代码生成与调试的环节。反过来学，很容易在工具调用还没通的时候就被代码生成的结果带偏。

练的过程中保持一个习惯：每写成一个 Skill，就记录它的描述文本和实际触发情况。描述写得太宽会被误触发，写得太窄模型又不调用，这个平衡只能靠实测积累。资料里的示例可以作为起点，但真正决定效果的是你对自身任务边界的梳理。把它当作一套可拆解、可替换的工程参考，边看边改，收益会比单纯过一遍演示大得多。