一、OpenClaw的操作手册——Skill 系统是什么？
先说一个反直觉的事实：
AI 什么都懂，但什么都"不会做"。
你问 ChatGPT"北京明天天气怎么样？"，它答不上来。不是它笨，而是它没法联网查实时数据。它的知识停留在训练数据截止的那一刻。它就像一个博学多才但被关在图书馆里的学者，读了很多书，但看不到窗外是晴天还是下雨。
不只是天气。你让 AI 帮你关灯、帮你查 GitHub 上的 issue、帮你发一条消息，它都做不到。它知道这些事情是什么，但它没有手脚去做。
OpenClaw 解决这个问题的方式很巧妙：给 AI 一本操作手册（Skill）。
什么是 Skill？就是一个 Markdown 文件（SKILL.md），里面用人类语言写着操作步骤。比如一本"查天气"Skill，核心内容就几行：
OpenClaw 读到 SKILL.md 后就会照着做，就像实习生拿到了 SOP，不需要额外培训就能上手。
OpenClaw 内置了 50 多本这样的Skill，覆盖天气查询、GitHub 操作、智能家居控制，甚至"指挥其他 AI 写代码"。但更厉害的是，你可以自己写新的 Skill，教 AI 做任何你想让它做的事。
每本 SKILL.md 从"放进去"到"被 AI 使用"，经过 5 步流水线，加上 1 条后台常驻的监听线程：
阶段 |
在做什么 |
产出 |
Discovery |
扫描 6 个目录找到所有 SKILL.md，按优先级合并，自定义的会覆盖内置的 |
Skill[]
|
Parse |
读取 YAML 封面，提取名字、描述、依赖条件等结构化信息 |
SkillEntry
|
Filter |
过三道关：用户禁用了吗？依赖工具装了吗？系统兼容吗？不通过直接丢弃，AI 看不到它 |
过滤后的 SkillEntry[] |
Inject |
把通过筛选的 Skill 打包成一段 XML 塞进系统提示词，每个 Skill 只有摘要，约 100 词 |
SkillSnapshot
|
Runtime |
用户提问时 AI 扫描摘要匹配，命中后读取完整 SKILL.md 正文执行 |
— |
Watch |
文件保存 → change 事件 → 版本号递增 → SkillSnapshot 过期 → 下次对话自动重建，全程无需重启 |
新 SkillSnapshot |
纵向看"产出"那一列：Skill[] → SkillEntry → SkillSnapshot，这就是一条 SKILL.md 在内存里的完整变身路径。
这套流程的精髓是渐进式披露（Progressive Disclosure），不一次性把所有 SKILL.md 的 body 塞给 AI（那样会超出 token 限制），而是先注入 description 摘要（约 100 词/个），匹配命中后才读全文。
本文中，我们会通过创建一个基于 RDS DuckDB 分析型实例的商品分析与预测 Skill 来详细介绍下 OpenClaw 的 Skill 原理。
张大爷在菜市场卖了 20 年菜。每天下午他都会想：明天进什么货？
凭经验，他知道：周末排骨好卖、下雨天叶子菜不好卖、春节前牛肉必须多进。这就是最原始的购买预测，靠人脑、靠经验。
但如果张大爷不是一个菜摊，而是一家日均百万订单的电商平台呢？
几千万用户、几十万 SKU，每天产生上亿条浏览、收藏、加购、下单记录，不同地区、不同季节、不同促销活动，规律完全不同。人脑搞不定了。需要让 AI 来当张大爷，翻阅所有人的购买记录，找到规律，预测谁在未来 7 天会买什么。
电商的交易数据存在 MySQL 数据库里。MySQL 是一个非常优秀的记账员，每秒处理几万笔交易，稳如老狗。但它的存储方式是行存储（一行一行地存），适合写入一笔订单、查一个用户的最近订单这类操作。可如果我们问它"过去 90 天，按品类统计所有用户的购买频次和金额"，这需要扫描几亿行数据。MySQL 可能要跑几个小时，甚至直接超时。
行存储就像一本按日期排列的流水账。我们要查"过去 3 个月所有人的零食消费"，就得从头到尾一页一页翻，因为零食消费散落在每一天的各种订单里。
而我们可以通过 RDS DuckDB分析实例可以实现了复杂分析查询性能百倍跃升。通过列式存储压缩技术，显著降低存储成本，为企业在海量数据规模场景下提供高性价比的实时分析能力，提升企业数据驱动型决策效能。更多介绍请参考附录 DuckDB分析实例。
三、OpenClaw + DuckDB 完成商品售卖分析与预测
使用 eCommerce behavior data from multi category store 这个公开数据集中的 7 个月的数据，来验证和完成自动进化的商品售卖分析与预测 Skill。在该部分中，我们会根据商品分析与预测 Skill 来剖析 openClaw 的 Skill 能力。
创建并配置 OpenClaw
在 RDS Custom 上简单、快速部署 OpenClaw。详情请参考附录 RDS Custom集成OpenClaw。
创建 RDS MySQL DuckDB 分析型实例企业用户与个人用户均可免费试用DuckDB分析实例。更多细节，请参见附录免费试用与体验。也可以直接让 OpenClaw 在学习 Aliyun Cli 后，根据该官方文档，直接创建规格为 myduck.n2.large.1 RDS DuckDB 分析型实例。*注意实例最好与 ECS 在同一可用区，使用同一个 VPC。
1.先学学习Aliyun CLi2.根据 https://help.aliyun.com/zh/rds/apsaradb-rds-for-mysql/create-and-connect-to-a-duckdb-based-analytical-primary-instance?spm=a2c4g.11186623.help-menu-26090.d_3_4_0_2.325a17e86coqAu 以及其他官方文档，创建一个规格为 8.0版本、规格为myduck.n2.large.1、磁盘大小为100G的RDS DuckDB分析型实例3. 创建完成后需要创建高权限账号、数据库以及验证数据库连通性，根据RDS官网自行解决连接不上的问题。
- 下载数据：可以通过 附录 中的天池数据集或者 Kaggle 平台进行下载。
- 使用 MySQL 工具 LOAD DATA 导入数据。
- 或者直接让 OpenClaw 帮你编写脚本导入数据到 DuckDB 实例中
通过<该处填写附录中下载地址>下载数据集并解压。编写脚本通过MySQL load data 工具加速导入 csv 文件到<rm-xx该处填写3.1中创建的DuckDB实例名>。
而关于 Skill 的编写，只用了这么一段话，让 OpenClaw 学习我们上传的商品售卖预测 Skill 即可：
先从Aliyun Cli中学习如何调用接口，然后连接<rm-xx该处填写3.1中创建的DuckDB实例名>RDS MySQL 实例，分析下业务与实际数据，最后根据https://github.com/huanjizhou/ecommerce-predictor这个skill做出合适的调整，构建一个能够自动进化的模型能够分析业务并且预测用户行为
Skill 生成后，我们再查看 Skill.md 能看到如下 FrontMatter：
name: ecommerce-predictordescription: "电商用户行为时间序列预测。GradientBoosting/Lasso 预测 PV、UV、购买量。 Use when: 预测、时间序列、趋势分析、销量预测、电商预测。 NOT for: 实时风控、中国电商双 11/618、非时序分类问题。"metadata: OpenClaw: emoji: "📈"requires: bins: ["python3"]
Skill 的主体我们可以看出来，是通过 「滚动式训练 + 自动验证 + 历史追踪」 实现的预测的自优化：
┌─────────────────────────────── ──────────────────────────────┐ │ 第 1 轮：10 月数据训练 → 11 月验证 → 保存结果 │ │ ↓ │ │ 第 2 轮：10-11 月数据训练 → 12 月验证 → 保存结果 │ │ ↓ │ │ 第 3 轮：10-12 月数据训练 → 1 月验证 → 保存结果 │ │ ↓ │ │ ...每导入新月份数据，就重新训练一次... │ │ ↓ │ │ 模型越来越强！📈 │ └─────────────────────────────── ──────────────────────────────┘
如何让模型越来越聪明，预测越来越准确？关键点在于 Skill 中的四个关键机制：3.4.1 滚动式训练 (Rolling Training)
train_start = '2019-10-01' train_end = '2019-11-01' train_end = '2019-12-01'
- 但如果历史数据量变得非常庞大（例如几年甚至十年的分钟级数据），每次训练都包含“所有历史数据”会导致训练时长指数级增加。建议增加一个“窗口滑动”或“权重衰减”机制。
3.4.2 自动验证 (Auto Validation)
val_start = train_end val_end = '2019-12-01' mape = mean_absolute_percentage_error(y _true, y_pred) * 100
3.4.3 历史追踪 (History Tracking)
validation_history.json ├── versions: [ │ ├── version: "v20260309_134100" │ ├── train_days: 31 │ ├── best_model: "Lasso" │ ├── pv_mape: 17.50% │ └── purchase_mape: 11.63% │ ├── version: "v20260309_152600" │ ├── train_days: 61 │ ├── best_model: "GradientBoosting" │ └── pv_mape: 8.15% │ ...
实时追踪实际上是构建了一个轻量级的 MLOps 实验记录系统（类似 MLflow 的简易版）。它确保我们每一次训练的成功与失败都有迹可循，从而让模型能够从“靠运气瞎猜”进化为“有据可查的持续优化”。
3.4.4 模型自动选择 (Auto Model Selection)
models = { 'Ridge': Ridge(alpha=1.0), 'Lasso': Lasso(alpha=0.01), 'RandomForest': RandomForestRegressor(...), 'GradientBoosting': GradientBoostingRegressor(...), 'XGBoost': xgb.XGBRegressor(...), ... } best_model = min(val_results.keys(), key=lambda x: val_results[x]['pv_mape'])
- 不同数据量适合不同模型（小样本用 Lasso，大样本用 GradientBoosting）
我们来简单看下预测结果。在第一次预测中，RDS MySQL 分析型实例中存了 eCommerce behavior data from multi category store 这个公开数据集中的前两个月的数据。让它基于 19 年 10 月的数据构建模型，并且用 19 年 11 月的数据进行验证。
在数据洞察、迭代验证、策略调整阶段，需要连接 RDS DuckDB 实例进行查询。对比普通 MySQL 实例，DuckDB 能够加速约 700 倍。
1. 执行预测
/skill ecommerce-predictor 预测下个月的PV\UV\Purchase\Cart
2. 结果
指标 |
数值 |
说明 |
PV MAPE |
26.92% |
平均绝对百分比误差 |
购买量 MAPE |
11.39% |
购买量预测误差 |
黑五误差 |
45% |
黑色星期五期间误差（未考虑节假日） |
训练天数 |
31 天 |
2019-10-01 ~ 2019-11-01 |
验证天数 |
30 天 |
2019-11-01 ~ 2019-12-01 |
特征数 |
5 个 |
基础时间特征 |
模型 |
指数平滑 |
Baseline 模型 |
问题： 黑五预测误差 45%，因为模型不知道 11 月 29 日是黑色星期五。
3. 发现问题、汲取经验教训
1. 未考虑节假日 - 黑五误差 45%
2. 基线建立 - 后续版本可以对比改进
3. 特征太少 - 只有 5 个基础特征，需要增加
可以看到商品预测 Skill 不仅可以分析当前的数据、预测数据，更重要的是，能根据预测结果来优化自身的模型从而使准确率越来越高。
之后每导入一个月的数据，Skill 会自动完成“分析-预测-自优化”的三个步骤。
来看 HISTORY.md 中记录的数据：
版本 |
训练天数 |
最佳模型 |
PV 误差 |
购买量误差 |
发生了什么 |
v1.0 |
31 天 |
指数平滑 |
26.92% |
11.39% |
基线模型，黑五误差 45% |
v2.0 |
61 天 |
RandomForest |
8.15% |
23.17% |
✅ 训练数据翻倍 |
v3.0 |
92 天 |
GradientBoosting |
2.73% |
42.28% |
✅ PV 预测历史最优 |
v4.0 |
123 天 |
GradientBoosting |
2.73% |
42.28% |
✅ 正式 v1 |
v5.0 |
152 天 |
Ridge |
29.99% |
36.99% |
⚠️ 撞上美国疫情爆发 |
v6.0 |
183 天 |
GradientBoosting |
10.03% |
12.65% |
✅ 购买量预测最优 |
PV 预测（每日页面浏览量）
|
指标 |
v1.0 |
v6.0 |
改进 |
PV 预测 |
平均误差 |
26.92% |
10.03% |
↓ 62.7% |
黑五误差 |
45% |
- |
完全解决 |
R² |
- |
0.78 |
模型解释力优秀 |
购买量预测 |
平均误差 |
11.39% |
12.65% |
优秀水平（<15% |
训练数据 |
31 天 |
183 天 |
数据量×5.9 |
模型稳定性 |
低 |
高 |
LOO CV 验证 |
从 v1.0 到 v6.0 的进化：
1. ✅ PV 预测误差下降 62.7%（26.92% → 10.03%）
2. ✅ 购买量预测保持优秀（11.39% → 12.65%，<15%）
3. ✅ 节假日预测完全解决（黑五误差 45% → 完美预测）
4. ✅ 数据量增长 5.9 倍（31 天 → 183 天）
5. ✅ 特征工程完善（5 个 → 20 个核心特征）
6. ✅ 模型稳定性验证（LOO CV MAPE 5.38%）
7. ✅ 全自动优化（无需人工干预）
让我们回到第 1 部分开头的那句话：
AI 什么都懂，但什么都"不会做"。
现在，我们有了让 AI"会做事"的方法：
Skill 系统：给 AI 一本操作手册
ecommerce-predictor：教 AI 预测购买趋势（完整流程：数据洞察 → 特征工程 → 模型训练 → 验证迭代）
每本 SKILL.md 经过同一套 pipeline：Discovery → Parse → Filter → Inject → Runtime
系统不关心 SKILL.md body 里写的是一条 curl 命令还是一整套机器学习流程
DuckDB：让 AI 能秒级翻账本
没有 DuckDB 之前： 查询一次历史数据等 2 小时，一天只能迭代 2 轮，对业务有影响。
有了 DuckDB 之后： 查询一次 2 秒，一天可以迭代几十轮，对业务无影响。
DuckDB + OpenClaw 如何帮助我们自动优化模型，预测未来？
1. Skill 系统 解决了"教 AI 按流程做事"的问题，给 AI 一本操作手册，它就能照着做
2. DuckDB 分析型实例 解决了"大数据分析太慢"的问题，秒级查询
3. 两者结合 实现了一个自动化的数据分析迭代闭环，AI 按手册操作，用分析引擎快速翻阅数据、生成预测、验证偏差、调整策略，循环往复，越来越准。
附录
1. DuckDB 分析型实例：https://help.aliyun.com/zh/rds/apsaradb-rds-for-mysql/duckdb-analysis-instance/?spm=a2c4g.11186623.help-menu-26090.d_3_4.4f677453pHXOO7
2. ecommerce-predictor skill：https://github.com/huanjizhou/ecommerce-predictor
3. 创建并连接DuckDB分析主实例：https://help.aliyun.com/zh/rds/apsaradb-rds-for-mysql/create-and-connect-to-a-duckdb-based-analytical-primary-instance?spm=a2c4g.11186623.help-menu-26090.d_3_4_0_2.325a17e86coqAu
4. 访问天池数据集下载数据：https://tianchi.aliyun.com/dataset/220316
5. 访问 Kaggle 下载数据：https://www.kaggle.com/datasets/mkechinov/ecommerce-behavior-data-from-multi-category-store
6. RDS Custom集成OpenClaw ：https://help.aliyun.com/zh/rds/apsaradb-rds-for-mysql/rds-custom-openclaw-integration#section-config-apikey
免费试用
企业用户与个人用户均可免费试用DuckDB分析实例。更多细节，请参见免费试用与体验：
https://help.aliyun.com/zh/rds/apsaradb-rds-for-mysql/duckdb-analysis-instance/#15729b3c4b3ln
更多性能测试
基于标准TPC-H 的全面测试结果，请参见 附录：DuckDB分析只读实例性能测试。
-
ClickHouse 官方维护的性能基准测试（Benchmark）仪表板，直观地展示并对比各种主流分析型数据库（OLAP）在处理大规模数据集时的查询速度和性能表现。更多细节，请参见 ClickBench：
https://benchmark.clickhouse.com/#system=-&type=-&machine=-ca2l%7C6t%7Cg4e%7C6ax%7C6ale%7C3al&cluster_size=-&opensource=-&hardware=+c&tuned=+n&metric=cold&queries=-
专家面对面
若您对 DuckDB 有任何问题，可通过钉钉搜索群号入群咨询。您可以直接@群内专家，并附上您要咨询的问题。钉钉群号：106730000316。
粤ICP备14082021号
免费POC，
零成本试错
