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：
用户问天气时，执行 curl wttr.in/Beijing 这个命令
拿到结果后，用自然语言回复用户
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 |
|
Parse | 读取 YAML 封面，提取名字、描述、依赖条件等结构化信息 |
|
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 |
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 |
|
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 → | 新 |
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。
二、电商数据分析与预测的烦恼
2.1 先从一个简单的场景说起
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。
2.2 但 AI 翻账本存在大问题
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
场景描述：
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。
3.1：环境准备
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。
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。
3.2：下载并导入数据
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>。
3.3 构建商品分析预测 Skill
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
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"]
┌─────────────────────────────── ──────────────────────────────┐ │ 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！📈 │ └─────────────────────────────── ──────────────────────────────┘
3.4: 自优化的四个关键机制
# 每次用「所有历史数据」训练，不是只用最新数据train_start = '2019-10-01' # 固定起点train_end = '2019-11-01' # 动态终点（每月推进）# 下一轮自动变成：train_end = '2019-12-01' # 包含 11 月新数据
保留全部历史模式（季节性、节假日、趋势） 新数据加入后，模型自动学习新规律 不会遗忘旧知识（不是在线学习） 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。
# 用下个月的真实数据验证准确性val_start = train_end # 验证集开始 = 训练集结束val_end = '2019-12-01' # 验证集结束# 计算 MAPE、R² 等指标mape = mean_absolute_percentage_error(y _true, y_pred) * 100
PV（页面浏览量）预测误差 购买量预测误差 黑五/感恩节等特殊节日的预测效果
# 每次验证结果保存到 JSON 文件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%│ ...
对比不同版本的性能 观察模型是否随数据增加而提升 发现过拟合/欠拟合问题
# 训练 7 种模型，自动选最佳models = {'Ridge': Ridge(alpha=1.0),'Lasso': Lasso(alpha=0.01),'RandomForest': RandomForestRegressor(...),'GradientBoosting': GradientBoostingRegressor(...),'XGBoost': xgb.XGBRegressor(...),...}# 自动选择 PV 预测误差最小的模型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） 自动适配数据特征，不需要人工调参
3.5：第一次预测：
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
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。
3.6 第二次到第六次预测
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）
四、总结
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
分析查询提速 1000+ 倍
不影响线上交易（只读实例隔离）
99.9% 兼容 MySQL 语法（现有 SQL 直接能用）
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。
更多信息
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：
