1. 开发一个 OpenClaw Skill 的真实成本，远不止写几行 Python我上线第 3 个自定义 Skill 后，在内部复盘会上被问了一个问题：“如果现在让你重做一次，哪些步骤可以砍掉？”我停了三秒，说：“一个都不能砍。但有 4 步，必须严格按顺序执行——跳过任意一步，上线后第三天必出问题。”这不是理论推演。过去半年，我们团队在生产环境维护着 27 个 OpenClaw Skill，覆盖接口自动化测试、飞书告警聚合、金融数据清洗、UI 操作回放等场景。其中 19 个是 AI 辅助开发的，但上线后触发过 7 次非预期行为：有 3 次因上下文丢失导致重复调用第三方 API；2 次因模型切换未同步配置，让 Skill 在凌晨三点把测试环境当生产环境执行了清理脚本；还有 2 次是基础配置文件里一个timeout字段写成字符串而非整数，OpenClaw 进程直接静默退出，日志里只留下一行invalid config type。这些不是“小概率事件”。它们集中爆发在同一个环节：开发者误把 AI 编程工具当成 IDE 的自动补全，而忽略了 OpenClaw Skill 本质是一个受控 Agent 的可执行单元——它不编译，不校验类型，不拦截非法参数，只信任你给它的 YAML 和 Python 文件。所以本文不讲“如何用 AI 写一个 Skill”，而是讲清楚：从你敲下第一个openclaw skill init命令开始，到它在 ClawHub 上被其他团队稳定调用为止，这中间必须穿过的 7 道关卡。每一道，我都附上实测有效的检查清单、绕不开的配置