让 AI 学会 Android 手艺：从零写一个 OpenClaw Skill

• 荣耀 Magic V6 正式发布，MacBook Neo 首发体验出炉——配备手机芯片、入门级定价，苹果试图用最低门槛打开更大的 Mac 市场。

• Matter 协议推动跨品牌智能家居互联，主动感知型智能设备开始从概念走向落地产品。

• 伊朗局势升级引发能源市场波动，国际数据中心与云服务商正密切关注油气价格对电力成本的影响。

你有没有想过，让 AI 学会一门手艺？

比如，当你说"帮我写一个 ViewModel"的时候，AI 不只是给你一段通用代码，而是按照你团队的架构规范、用你们约定的技术栈、遵循你们踩过坑总结出来的最佳实践来生成——这就是 OpenClaw Skill 想解决的问题。

这篇文章，我会从"什么是 Skill"讲起，以一个真实的 android-dev Skill 作为贯穿全文的案例，带你走完从设计到打包的完整流程。

什么是 OpenClaw Skill？

OpenClaw Skill 本质上是一个"领域知识包"——它告诉 AI 在特定场景下该怎么思考、用什么工具、遵循什么规范。你可以把它理解成给 AI 写的"岗前培训手册"。

一个 Skill 的目录结构很简洁：

android-dev/
├── SKILL.md          # 核心：触发条件 + 使用说明
├── references/       # 参考文档，按需加载
│   ├── conventions.md
│   ├── crash_patterns.md
│   └── dependencies.md
└── scripts/          # 可执行脚本

最关键的是 SKILL.md，它分两部分：

• YAML frontmatter：name 和 description，决定 AI 什么时候触发这个 Skill
• 正文 Markdown：触发后 AI 读到的指导内容

关键设计原则：description 是触发机制，越具体越好。正文是使用指南，越简洁越好——上下文窗口是公共资源，不要浪费。

案例：android-dev Skill 的设计思路

第一步：明确要解决什么问题

Android 开发中有大量重复性的代码生成需求，但 AI 在没有上下文的情况下，往往给出"教科书式"的代码——用 AsyncTask、忘记处理 Fragment 生命周期、把 Context 存到 ViewModel 里……这些坑，Android 开发者都踩过。

我希望这个 Skill 能做到：

• 代码生成时自动遵循 MVVM + Hilt + Compose 规范
• 分析 Crash 日志时能快速定位 Android 特有的根因
• 提供当前稳定的依赖版本，直接可用

第二步：设计文件结构

把知识分三类存放：

• conventions.md：ViewModel、Repository、Compose 的标准模板 + 反模式清单
• crash_patterns.md：NPE、ANR、OOM、IllegalState 的分析步骤和修复模式
• dependencies.md：libs.versions.toml 格式的最新稳定版依赖

这样设计的好处是"按需加载"——用户问 Crash 分析，AI 只读 crash_patterns.md；问代码规范，读 conventions.md。不会一次把所有文档都塞进上下文。

第三步：写 SKILL.md

SKILL.md 的 frontmatter 是触发的关键，description 要把所有触发场景都写清楚：

---
name: android-dev
description: Android 开发辅助 skill。当用户提出
Android 开发相关需求时使用，包括：生成
Kotlin/Java 代码（ViewModel、Repository、
Compose UI、Room、Retrofit 等）、分析
Crash/ANR 日志、审查代码质量、解释 Android
系统机制、提供依赖版本建议。
---

正文部分则列出核心能力索引和必须遵守的规范要点，把详细内容放到 references 文件里：

## 代码生成规范生成代码时遵循以下规范
（详见 references/conventions.md）：- 语言：优先 Kotlin
- 架构：MVVM + Repository pattern
- 异步：suspend fun + Flow/StateFlow
- DI：Hilt
- 状态：UiState sealed class + StateFlow
- 错误处理：Result<T> 包裹，不裸上抛

实战效果演示

场景一：生成符合规范的 ViewModel

输入："帮我写一个加载用户信息的 ViewModel"

有了 Skill，AI 直接输出：

@HiltViewModel
class UserViewModel @Inject constructor(
private val repo: UserRepository
) : ViewModel() {private val _uiState = MutableStateFlow<UserUiState>(
UserUiState.Loading
)
val uiState: StateFlow<UserUiState> =
_uiState.asStateFlow()fun loadUser(userId: String) {
viewModelScope.launch {
_uiState.value = UserUiState.Loading
repo.getUser(userId)
.onSuccess { user ->
_uiState.value =
UserUiState.Success(user)
}
.onFailure { e ->
_uiState.value =
UserUiState.Error(
e.message
)
}
}
}
}

没有 GlobalScope，没有裸 LiveData，状态管理用 sealed class，DI 用 Hilt——一次到位。

场景二：分析 ANR 日志

粘贴一段 ANR 的 main thread stacktrace，AI 根据 crash_patterns.md 里的分析框架，能快速定位是主线程 IO 还是锁竞争，并给出具体的修复方案——不是泛泛的"把操作移到子线程"，而是"这里的 SharedPreferences.commit() 改成 apply() 或换 DataStore"。

打包与分发

写完 Skill 后，一条命令打包成 .skill 文件：

python3 package_skill.py \
./android-dev \
./dist# 输出：dist/android-dev.skill

打包脚本会自动校验：

• frontmatter 格式是否正确
• description 是否足够具体
• 文件结构是否符合规范

校验通过后生成 .skill 文件（本质是 zip），发给团队成员安装即可，大家用的是同一套规范。

写在最后

Skill 的核心价值不是让 AI "更聪明"，而是让 AI 知道你的上下文——你的规范、你的技术栈、你踩过的坑。这是通用大模型做不到的，但一个精心设计的 Skill 可以做到。

三个实用建议：

description 要具体：触发场景越清晰，AI 使用 Skill 的准确率越高

references 要分文件：按主题拆分，让 AI 按需加载，别一股脑全塞进 SKILL.md

从真实问题出发：先想"我每次让 AI 做这件事都要重复解释什么"，那些内容就是 Skill 该写的