Awesome-OpenClaw-Skills 是一个由 VoltAgent 维护的开源资源库，旨在为 OpenClaw 社区提供一个经过精心筛选和结构化分类的技能（Skills）目录。该仓库通过汇总、过滤和整理来自 ClawHub 官方技能商店的海量资源，解决了用户在面对数千个同质化技能时的“选择困难症”，被誉为 OpenClaw 开发者的“必备工具箱”或“技能导航图”。 Awesome-OpenClaw-Skills开源项目官网地址：https://github.com/VoltAgent/awesome-openclaw-skills 1. 项目定位与核心价值 在 OpenClaw 生态中，技能（Skill）是驱动 AI 助手功能的核心插件。然而，官方的 ClawHub 技能库虽然包含上万种技能（Skills），但质量参差不齐，且缺乏有效的分类管理，导致用户在搜索和安装时需要花费大量时间去筛选。 Awesome-OpenClaw-Skills 正是为了解决这个痛点而诞生的。它通过“去伪存真”的方式，将大量的技能进行精选，只保留那些功能成熟、社区验证通过、且具备实际应用价值的插件。这样，用户无需从零开始编写代码，也不必在海量的技能中盲目试错，只需通过目录快速定位需求。 2. 内容规模与质量控制 该仓库在 GitHub 上拥有极高的关注度，Star 数已超过 20k，堪称 OpenClaw 社区的“明星项目”。截至目前（2026 年），它收录了 5,400+ 个经过筛选的技能（Skills）。在质量控制方面，仓库只收录经过社区验证、功能成熟、且维护活跃的技能。这种严格的筛选标准确保了用户安装的每一个插件都是“即插即用”，大大降低了因技能冲突或功能失效导致的使用障碍。 3. 结构化分类体系 为了便于用户快速查找，仓库对技能进行了精细化的功能分类。它将技能按场景划分为 18 个大类（如 Productivity、Image Generation、Data Analysis 等），并进一步细分为具体的子功能。这种“场景化”的分类方式，使得用户可以像在应用商城浏览一样，只需浏览对应的类别即可快速找到所需的工具。例如，如果你需要一个用于生成图像的插件，只需进入 Image Generation 类别，挑选对应的技能即可。 4. 安装与使用指南 该仓库不仅提供了技能的目录清单，还支持多种安装方式： npx 安装：用户可以直接通过 npx 命令，从 GitHub 上批量安装整个仓库的技能，或单独安装某个特定技能。对话框安装：对于不熟悉命令行的新手用户，OpenClaw 提供了对话框安装方式。用户只需在对话框中输入指令（如“请帮我安装tavily-search技能”）或粘贴 GitHub 链接，即可轻松完成安装。自动加载：大多数技能安装后无需重启，系统会在下次对话时自动加载，确保用户体验流畅。5. 社区与生态影响 Awesome-OpenClaw-Skills 已成为 OpenClaw 开发者的默认入门指南和常备资源。许多技术博客、视频解说和官方教程（如 Datawhale、阿里云教程）都会强烈推荐用户使用该仓库来挑选技能。它不仅仅是一个静态的技能列表，更是 OpenClaw 生态中连接开发者与实际应用场景的关键桥梁。通过它，用户可以快速发现最新的技能趋势，避免重复造轮子，从而将精力集中在更高阶的应用开发上。 Awesome-OpenClaw-Skills 是一个专业且高效的技能资源聚合平台，它通过精选和分类的方式，将 OpenClaw 的无限潜能转化为可直接使用的生产力工具。

Jellyfish 是一个由开发者 Forget-C 发起的开源项目，旨在打造一款“一站式 AI 短剧工厂”（AI Short Drama Studio）。该项目专为竖屏短剧和微短剧的创作而设计，致力于解决当前 AI 视频生成领域中最为棘手的角色与场景一致性难题，通过工业化的生产流程，实现从文学剧本到最终成片的全自动化或半自动化生成。 Jellyfish官网入口网址：https://forget-c.github.io/Jellyfish/ Jellyfish开源项目官网入口网址：https://github.com/Forget-C/Jellyfish 在传统的 AI 视频生成工作流中，创作者往往面临人物长相在不同镜头间发生“漂移”、场景风格不统一等问题。Jellyfish 的核心价值在于其“极致一致性”机制。它通过全局种子控制、统一风格设定以及完善的资产复用体系，确保角色、场景、道具甚至服装在整个剧集生产中保持高度一致。这种机制让 AI 生成的视频不再是零散的片段，而是具有连贯叙事能力的完整作品。 Jellyfish 提供了一条完整的闭环生产链路： 剧本输入与智能分镜：用户只需输入文学剧本，系统即可利用 AI 自动进行剧情提取、智能精简，并生成分镜脚本。可视化分镜编辑：提供所见即所得的分镜编辑器，支持对景别、角度、运镜方式、情绪氛围、时长以及对白配乐进行精细控制。用户甚至可以为首帧、尾帧和关键帧编写独立的提示词，实现对镜头语言的深度掌控。高级生成控制：集成了参考图跨分镜引用、ControlNet 骨骼与深度控制、智能对口型等先进技术，确保动作流畅且口型同步。后期剪辑与导出：内置时间线编辑功能，支持多轨音视频处理，用户可直接在工具内将生成的 AI 片段剪辑成完整的短剧，并一键导出成片。 适用场景 短剧/微短剧内容创作者AI 影视工作室批量生产个人创作者想低成本试水竖屏短剧教育/培训机构制作教学短视频品牌/电商制作带剧情的产品宣传短片 Jellyfish 正处于快速开发阶段，核心工作台、资产管理和分镜编辑等功能已初具规模，而完整的后期剪辑时间线和多模型供应商管理仍在持续完善中。作为一个基于 Apache-2.0 协议开源的项目，它为短剧创作者、AI 影视工作室以及希望低成本试水微短剧的个人提供了极具潜力的生产力工具，有望成为 AI 视频内容创作领域的行业标杆。

DeerFlow（全称 Deep Exploration and Efficient Research Flow）是由字节跳动技术团队开源的一款革命性多智能体（Multi-Agent）框架，旨在解决复杂研究任务中信息搜集难、分析效率低及内容生成繁琐的痛点。 DeerFlow官网入口网址：https://deerflow.tech/DeerFlow开源项目地址：https://github.com/bytedance/deer-flowDeerFlow中文介绍：链接核心架构与功能特性 DeerFlow并非传统的单一LLM封装工具，而是一个模块化、可扩展的分布式智能体系统。其核心在于独特的“Research Team”机制，通过模拟真实研究团队的分工协作，将复杂任务拆解为规划、搜索、阅读、分析、代码执行及内容生成等多个子任务，由不同的智能体并行或串行处理。 全自动化工作流：用户只需输入一个研究主题，DeerFlow即可自动调用搜索引擎、网络爬虫、代码解释器（支持Docker沙箱安全执行）等工具，完成从数据采集到深度分析的全过程。多模态内容生成：除了生成传统的图文研究报告，DeerFlow还能自动制作播客脚本、生成演讲用PPT大纲，甚至直接输出多媒体内容，极大丰富了研究成果的呈现形式。人机协作与可控性：框架支持“人在环中”（Human-in-the-loop）模式，用户可在关键节点介入调整研究方向或审核中间结果。特有的Replay模式允许用户回溯并可视化多轮交互决策过程，增强了系统的透明度和可控性。灵活集成与扩展：基于MIT许可证开源，DeerFlow兼容多种大语言模型（如Qwen、GPT系列等），支持MCP（Model Context Protocol）集成，并提供Python SDK及C++核心版以适应不同性能需求的场景。应用场景与价值 在学术研究领域，DeerFlow能快速综述海量文献，提炼核心观点；在市场分析中，它能实时监控行业动态，生成竞品分析报告；对于开发者，它则是自动化技术调研和文档生成的利器。相比单一模型，DeerFlow通过多智能体协同显著提升了信息的准确度与深度，减少了幻觉问题。 作为OpenAI Deep Research的强力开源替代方案，DeerFlow凭借数据主权可控、零成本部署及强大的社区生态，正重新定义智能研究的边界。无论是需要深度洞察的专业人士，还是渴望提升效率的普通用户，DeerFlow都提供了一套从“信息获取”到“知识创造”的完整解决方案。

MetaClaw 是一款开源智能体框架，旨在探索 ‍“对话即训练”‍（Talk-to-Learn）的新范式，实现人工智能在真实交互环境中的 持续进化（Evolves in the Wild）‍。该项目通过将强化学习（RL）与大语言模型（LLM）结合，使得 AI 能够在与用户的日常对话中自主学习新技能，而无需依赖传统的离线数据集、GPU集群或人工微调。 MetaClaw开源项目官网入口网址：https://github.com/aiming-lab/metaclawMetaClaw中文介绍：链接核心概念：对话即训练 MetaClaw 的最大创新在于其 ‍“边聊边进化”‍ 的能力。它通过监听用户的反馈（如“这句话很有道理”、“这句话很无聊”），将这些交互信号转换为强化学习的奖励信号（Reward）。从而让模型能够根据用户的即时偏好进行微调，实现个性化的学习过程。 强大的后端技术栈 MetaClaw 并非单一模型，而是一个集成了多种技术的系统： 基础模型（Base Model）‍：支持 Kimi-2.5、Qwen3-4B 等多种 LLM 底座。强化学习引擎（Tinker）‍：MetaClaw 将训练任务交给了 Tinker 云平台，用户只需配置 API 密钥，即可在本地进行在线 RL 训练，无需本地算力支持。技能库（Skill Bank）‍：支持技能注入（Skill Injection）和技能进化（Skill Evolution）机制，使 AI 能主动生成并优化新技能。灵活的运行模式 MetaClaw 提供了两种主要模式： 实时对话模式：无需微调模型权重，适合普通用户在与 AI 对话时即时生成训练数据。离线 RL 微调模式：支持对模型进行实时微调，适用于需要更高定制化程度的场景（但可能需要付费 API 支持）。简单易用 使用 MetaClaw 的门槛极低，只需克隆仓库、安装依赖、设置 OpenAI / Kimi / Azure API 密钥，即可通过一条命令启动服务。它的目标是让“养虾”（养成 AI）变得像养宠物一样简单。 适用场景个人助理：创建一个能随时自我进化的个人 AI 助手。教学与研究：探索具身 AI（Embodied AI）和元学习（Meta-Learning）的最新研究方向。 MetaClaw 代表了 AI 从“训练完成后直接使用”向“使用过程中持续学习”的重要转型，是当前最前沿的开源项目之一。

Agency-Agents是GitHub上一个迅速走红的开源项目，它通过结构化与工程化的方法，构建了一个拥有超过55个专业AI Agent角色的“虚拟数字公司”。该项目并非提供新的AI模型，而是旨在解决团队在落地AI编码助手时普遍遇到的“角色不清晰、上下文不稳定、交付标准不统一”等痛点。其核心价值在于将AI协作从零散的提示词对话，提升为一种可复制、可沉淀的组织能力。 agency-agents开源项目官网网址：https://github.com/msitarzewski/agency-agentsagency-agents中文版项目地址：https://github.com/jnMetaCode/agency-agents-zh项目核心：精心设计的“数字专家”团队 该项目将所有AI Agent按照真实公司的职能部门进行组织，涵盖了工程、设计、营销、产品、测试、数据分析、财务、法务合规及管理层等9大部门。每一个Agent都不仅仅是一个简单的提示词模板，而是一个拥有完整“人格”设定的数字专家。每个角色文件都详细定义了其身份认同（包括性格与沟通风格）、核心使命、技术交付样板（含具体代码示例和工作流程）以及成功的量化指标。这种深度设定利用了认知心理学中的“锚定效应”，使AI在对话伊始就锁定特定专业视角，从而输出风格一致、边界清晰的高质量结果。 多工具支持与快速集成 项目提供了极高的灵活性，原生支持Claude Code，并可通过附带的Shell脚本（convert.sh和install.sh）轻松集成到Cursor、Aider、Windsurf、Gemini CLI、OpenCode等多种主流AI编程工具中。对于Claude Code用户，只需简单地将Agent文件复制到指定目录即可激活使用，例如通过指令“Hey Claude, activate Frontend Developer mode”来调用前端开发专家。 适用场景与潜在价值 Agency-Agents非常适合希望系统化、工程化使用AI，并追求跨岗位协作与经验沉淀的团队或个人。它使个人开发者或小团队能够快速组建一支“永不疲倦”的专业AI团队，应用于创业MVP搭建、企业级开发测试、全平台营销策划等多种场景，极大地改变了工作方式与创业成本。项目采用MIT许可证，鼓励用户基于现有角色进行二次改造，逐步形成组织专属的Agent资产库。其未来的发展潜力可能延伸至企业AI角色定制服务、模板订阅或AI协作SOP平台等方向。 Agency-Agents代表了AI应用从“通用助手”向“专业化、团队化”协作演进的一个重要实践，为任何希望将AI能力转化为稳定、可扩展工作流程的用户提供了极具价值的起点和框架。

ClawManager 是基于开源项目 OpenClaw 开发的首个企业级服务器部署管理方案。它专注于解决 AI 桌面和 Agent 在大规模部署中面临的管理混乱、资产流失以及安全风险等核心痛点，旨在为企业提供一个安全、高效且合规的 AI 基础设施治理体系。 ClawManager开源项目地址：https://github.com/Yuan-lab-LLM/ClawManagerClawManager中文介绍：链接1. 背景与动因：解决 OpenClaw 的痛点 OpenClaw 作为 AI 桌面的先行者，曾在技术社区引发广泛关注。然而，在实际的企业级应用中，随着用户规模的扩大，原本开放的架构暴露出以下几个严重问题： 管理混乱：缺乏统一的治理和审计机制，导致资源使用失控。资产流失与失控成本：AI 资产（如模型、数据）难以沉淀，导致无形成本增加。资源浪费：在多用户、多模型调用的场景下，资源分配效率低下。安全风险：缺乏有效的访问控制和审计，存在数据泄露或滥用的隐患。 ClawManager 正是为了解决上述痛点而生的，它不仅是一套部署方案，更被视为打开“AI 原生时代”大门的“钥匙”。 2. 核心架构与技术栈 ClawManager 基于当前主流的容器编排平台 Kubernetes 构建，利用其成熟的生态实现了对 OpenClaw 的深度封装和治理。 统一管理控制台：通过 Kubernetes 的 Operator 模式，提供可视化的统一管理界面，支持批量部署和统一监控。技术栈成熟：依托 Kubernetes 强大的调度和扩展能力，结合云原生技术，实现了高效的资源调度和服务发现。3. 核心功能与治理能力 ClawManager 通过一系列的治理机制，全面解决了 AI 桌面在大模型时代的痛点： 资源配额控制：针对不同用户组或项目，设置 GPU、内存等资源的配额限制，防止“资源抢占”现象。安全访问：实现统一的身份验证和权限控制，确保只有授权用户才能访问特定模型或数据，降低安全风险。模型调用审计：记录每一次模型调用的日志，支持查询和回溯，增强透明度。成本核算与风险控制：通过精细化管理，实现对算力消耗的实时监控和成本核算，避免因模型调用失控导致的高额费用。资产沉淀与合规管理：支持 AI 资产（如微调模型、知识库）的集中管理，实现资产的沉淀和合规使用。4. 价值与意义 ClawManager 的出现标志着 AI Agent 基础设施管理从“开源实验”进入了“企业级治理”的全新阶段： 提升可用性：解决了 AI 桌面在大规模落地时的管理难题，提升了整体系统的稳定性和可用性。保障安全合规：通过全链路审计和安全控制，让企业能够在合规的前提下放心使用 AI 技术。降低运维成本：统一的治理框架减少了人工干预和维护成本，使企业能够更加专注于业务创新。 ClawManager 不仅是一个技术工具，更是元实验室在 AI 基础设施治理领域的一次重要尝试，为企业级用户提供了从“使用”到“治理”AI 资产的完整路径。

EdgeClaw 是由面壁智能联合清华大学自然语言处理实验室（THUNLP）、中国人民大学、AI9Stars 以及 OpenBMB 社区共同研发的开源人工智能智能体运行框架。它定位为“安全高效的端云协同计算平台”，旨在解决当前 AI 应用在数据隐私泄露、成本失控以及对云端算力过度依赖等痛点。 EdgeClaw开源项目官网网址：https://github.com/OpenBMB/EdgeClawEdgeClaw中文介绍地址：链接 EdgeClaw 核心特性、技术架构和应用场景的详细解析： 1. 核心理念：安全与隐私至上 EdgeClaw 的诞生背景是为了解决 OpenClaw 在实际落地中出现的“隐私泄露”和“Token 浪费”问题。它通过引入三级安全协同机制，将用户数据按敏感程度分为 S1、S2、S3 三级进行处理： S1 级（公开数据）‍：可以直接发送至云端模型处理。S2 级（敏感数据）‍：在发送至云端之前会进行脱敏处理，确保隐私信息不外泄。S3 级（核心机密）‍：绝对不出门，必须由本地模型离线运行处理，零 Token 消耗。 这种“分级治理”结合 GuardAgent 隐私中间件和双检测引擎，构建了全链路的自动安全系统，确保数据在传输、处理和存储过程中的安全性。 2. 端云协同：成本与效率的平衡 EdgeClaw 通过性价比感知协同机制，实现了本地模型与云端模型的智能调度。 本地处理：对于计算量小、对延迟敏感或涉及机密信息的任务（如个人助理、内部文档处理），EdgeClaw 会自动路由至本地部署的 MiniCPM 系列模型或其他轻量模型进行处理。云端计算：对于计算量大、需要强大算力的任务（如复杂的内容生成、深度分析），则调用云端大模型。 这种双轨机制不仅保护了隐私，还显著降低了运营成本，因为本地处理的任务不消耗昂贵的云端 Token。 3. 强大的多智能体框架 EdgeClaw 继承了 OpenClaw 的“入口层、调度层、执行层”的设计，并在此基础上强化了安全性。它支持： 多设备部署：支持在 DGX Spark、Mac Mini、松果派等多种硬件设备上运行。多模型协同：不仅支持本地模型（如 MiniCPM），还支持与云端模型的无缝协作。海量 Skills 生态：内置了 54 个 AI 能力（Skills），覆盖通用办公（如邮件分类、简报生成）和专业垂直领域（如审计质检、财务顾问）。4. 硬件落地：EdgeClaw Box 为了让技术更加落地易用，面壁智能推出了硬件产品 EdgeClaw Box。这是一款软硬一体化的 AI 操作系统，预装 EdgeClaw 框架和 MiniCPM 模型，支持开箱即用。用户无需复杂配置，即可体验到“本地跑小龙虾”的安全感和高效性。 5. 开源精神与社区 EdgeClaw 坚持开源原则，所有代码和文档均公开，用户可以在代码层面审视每一个动作，随时修改或定制。这不仅保障了技术的透明度，也鼓励了全球开发者共同参与到智能体生态的建设中。 EdgeClaw 并不是单纯的 AI 软件，它是面向“一人公司”（OPC）和数据敏感型企业的全新 AI 解决方案。它打破了传统 AI 必须依赖云端的思维定式，让用户掌握了数据和算力的主动权，真正实现了“安全可控、成本降低、效率提升”的目标。

Horizon 是由开发者 Thysrael 打造的开源 AI 新闻聚合与简报工具，核心定位是构建用户专属的 AI 新闻雷达，自动抓取、筛选、提炼多平台资讯，生成中英双语每日简报，帮用户高效过滤信息噪音，快速获取高价值内容。 Horizon开源项目地址：https://github.com/Thysrael/HorizonHorizon中文介绍：链接Horizon官网入口网址1：https://www.horizon1123.top/Horizon官网入口网址2：https://thysrael.github.io/Horizon/核心功能：全链路自动化处理 Horizon 打通从多源抓取到多渠道分发的全流程，核心功能覆盖 8 大模块，兼顾自动化与个性化： 多源聚合：一站式接入 Hacker News、Reddit、Telegram、RSS、Twitter/X、GitHub 六大主流平台，支持自定义订阅源，精准跟踪目标账号、话题或站点更新。AI 智能筛选：集成 Claude、GPT、Gemini、DeepSeek 等主流大模型，为每条资讯 0-10 分打分，按用户设定阈值（默认 6.0）过滤低质量内容，只保留高价值信息。智能去重：跨平台自动合并同一事件的重复内容，避免同一新闻在简报中多次出现，减少信息冗余。背景增强：对陌生概念、公司、技术术语自动联网补充背景信息，解决 “看不懂” 的痛点，且全程规避 AI 幻觉，确保信息真实可靠。社区观点汇总：抓取 Hacker News、Reddit 等平台的高赞评论，提炼核心观点，让用户快速了解社区对热点事件的讨论风向。双语简报生成：基于同一数据源，自动生成英文、中文两种版本的结构化 Markdown 简报，适配不同语言偏好用户。多渠道分发：支持 GitHub Pages 自动建站、自定义 SMTP 邮件订阅、飞书 / 钉钉 / Slack 等社群机器人推送，还可对接自定义 Webhook，灵活适配各类通知场景。可视化配置与自动化：提供交互式配置向导，用户输入兴趣关键词（如 LLM 推理、网络安全）即可自动生成配置文件；支持 GitHub Actions 定时任务，每日自动生成并发布简报，无需人工干预。工作流程：7 步实现信息精炼 Horizon 的核心优势在于标准化、可定制的全链路流程，从配置到输出高效闭环： 配置定义：通过 JSON 文件或交互式向导，设定订阅源、AI 打分阈值、模型选择、分发渠道等核心参数。并行抓取：多线程并发拉取所有订阅源最新内容，支持自定义时间窗口（默认 24 小时，可扩展至 48 小时）。跨源去重：通过 URL、标题相似度等维度，合并不同平台的同一事件内容。AI 打分过滤：调用大模型对去重后的内容打分，保留高于阈值的资讯。背景与评论增强：对关键资讯补充背景信息，汇总社区高赞评论。结构化总结：生成含标题、摘要、标签、参考链接的 Markdown 简报，支持中英双语。多渠道分发：自动同步至 GitHub Pages、发送邮件、推送社群或保存至本地文件。部署与使用：低门槛，多方案 Horizon 提供本地部署与 Docker 容器部署两种方案，适配不同技术基础用户： 本地部署：支持 uv（推荐）或 pip 安装，克隆仓库后执行 uv sync 即可安装依赖，通过 uv run horizon 命令启动，配合 horizon-wizard 向导快速配置订阅源。Docker 部署：提供现成 Dockerfile 与 docker-compose.yml，复制环境配置文件后，一键启动容器，无需处理本地依赖冲突，适合快速体验或服务器部署。 Horizon 本质是 “AI + 人类偏好” 的信息处理工具，既利用大模型高效过滤噪音、提炼信息，又保留人类对订阅源、打分阈值、分发渠道的自定义权限，平衡自动化与个性化。对于关注科技、互联网、开源社区的用户，Horizon 可大幅减少信息筛选时间，是高效获取高质量资讯的利器。