企业官网建设流程全解析

1. 为什么通用 Skills 总差那么一口气

如果你已经在用 OpenClaw，大概率经历过这个阶段：装好模型渠道，兴冲冲打开 ClawHub，看到下载量最高的那些 Skills，一键安装，然后……用两次就吃灰了。不是它们做得不好，而是它们做的是“所有人的需求”，不是“你的需求”。

我拿文献阅读这个场景举例。你是一个用 Obsidian 管理笔记的研究者，每天要读几篇论文，读完想自动生成结构化笔记、打上标签、通过 WebDAV 同步到自己的 vault 里。市面上有没有现成的文献阅读 Skill？有。但它们通常长这样：调用某个在线 PDF 解析服务，把摘要丢给模型总结，输出一段纯文本。你没法控制笔记的 YAML frontmatter 格式，没法指定同步到哪个文件夹，更没法保证你的论文内容不被上传到第三方服务器。

这就是通用 Skills 的困境——它们像一把瑞士军刀，什么都能干，但什么都不精。而 OpenClaw 真正的价值，恰恰在于它的 Skills 系统是一个“可插拔的工具箱”，你可以自己锻造趁手的工具。一个 Skill 本质上就是一个文件夹，核心是里面的SKILL.md文件，用 YAML frontmatter 加 Markdown 正文定义 AI 在什么场景下该怎么干活。你把自己的工作流“翻译”成这个格式，AI 就开始继承你的能力。

这篇文章我会带你从零写一个专属的文献阅读 Skill：从SKILL.md骨架设计，到 Python 脚本实现 PDF 解析和 WebDAV 同步，再到用 TaoToken 统一 Key 接入模型通道，最后跑一次完整的“抓取→解析→归档”验证。目标很明确——读完你就能独立写出一个可运行的、属于你自己的文献阅读 Skill。

2. 前置准备：TaoToken 统一 Key 与 OpenClaw 环境

在动手写 Skill 之前，先把模型通道理顺。OpenClaw 需要调用大模型来完成摘要提取、关键词生成这些任务，而 TaoToken 提供的是一个统一的 API 通道，你不需要在多个模型供应商之间来回切换配置。

TaoToken 的 API 地址是https://taotoken.net/api，兼容 OpenAI 风格的接口格式。你需要在官网注册后拿到 API Key，然后在 OpenClaw 的模型配置里填入。具体操作路径是：登录后进入控制台，在 API Keys 页面创建一个新的 Key，复制保存。这个 Key 就是你所有模型调用的统一凭证。

配置到 OpenClaw 里的时候，找到模型渠道设置，选择 OpenAI 兼容模式，Base URL 填https://taotoken.net/api，API Key 填你刚才创建的那个。保存后可以点一下测试连接，确认通道正常。

注意：API Key 不要硬编码在 Skill 的代码或配置文件里，后面我们会用环境变量的方式传入，这样即使你把 Skill 分享给别人，也不会泄露凭证。

如果你后续要长期跑编码类或 Agent 类的任务，可以了解一下 Coding Plan，它针对高频调用场景做了额度优化。不过对于文献阅读这个场景，按量调用就足够了。

3. 可复制配置：SKILL.md 骨架与 Python 脚本

3.1 SKILL.md 的完整骨架

先来看这个文献阅读 Skill 的SKILL.md文件长什么样。我把它拆成几个关键区块，你可以直接复制修改。

--- name: paper-to-obsidian description: 批量读取学术论文PDF，提取标题、作者、摘要等关键信息，生成带YAML frontmatter的Obsidian笔记，通过WebDAV同步到本地vault。 version: 1.0.0 author: your-name tags: [academic, paper, obsidian, webdav, automation] ---

frontmatter 里的name是 Skill 的唯一标识，description要写得具体——它决定了 AI 在什么场景下会激活这个 Skill。不要写“帮助处理论文”这种模糊描述，要写清楚输入是什么、输出是什么、用什么方式同步。

接下来是正文部分，定义触发场景和执行步骤：

# 论文阅读笔记同步 Skill ## 触发场景 当用户请求“帮我读这篇论文并整理笔记”、“把这几篇PDF导入Obsidian”、 “生成论文阅读笔记”时，激活此Skill。 ## 必要配置（环境变量） - `TAOTOKEN_API_KEY`: TaoToken 的 API Key，用于调用模型生成摘要 - `WEBDAV_URL`: WebDAV 服务地址（如 `https://dav.jianguoyun.com/dav/`） - `WEBDAV_USERNAME`: WebDAV 账号 - `WEBDAV_PASSWORD`: WebDAV 应用密码（非登录密码） - `OBSIDIAN_VAULT_PATH`: Obsidian 仓库中存放论文笔记的文件夹路径 ## 执行步骤 ### Step 1: 读取论文文件 接收用户提供的 PDF 文件路径列表，使用 pdfplumber 库提取文本内容。 ### Step 2: 提取关键信息 从文本中提取标题、作者、发表日期、摘要。如果本地提取失败， 调用 TaoToken 的模型接口进行补充提取。 ### Step 3: 生成 Obsidian 笔记 按以下 Markdown 结构生成笔记文件，包含 YAML frontmatter。 ### Step 4: 通过 WebDAV 同步 使用 webdavclient3 库连接 WebDAV 服务，上传到指定文件夹。 ### Step 5: 返回执行结果 报告成功和失败的文件列表，提示用户在 Obsidian 中查看。

这个骨架的核心设计原则是：触发条件要精准，执行步骤要原子化。每个 Step 只做一件事，不要把“读 PDF”和“上传 WebDAV”混在一起。这样当某一步出错时，你能快速定位问题。

3.2 Python 脚本的核心实现

SKILL.md是给 AI 看的指令，真正干活的是 Python 脚本。我把它放在 Skill 文件夹的scripts/目录下，命名为paper_sync.py。

#!/usr/bin/env python3 """论文阅读笔记同步工具""" import os import re import requests from datetime import datetime from pathlib import Path from typing import List, Dict, Optional import pdfplumber from webdav3.client import Client class PaperNoteSync: def __init__(self): self.webdav_url = os.environ["WEBDAV_URL"] self.webdav_user = os.environ["WEBDAV_USERNAME"] self.webdav_pass = os.environ["WEBDAV_PASSWORD"] self.vault_path = os.environ.get("OBSIDIAN_VAULT_PATH", "Papers/") self.taotoken_key = os.environ["TAOTOKEN_API_KEY"] self.client = None self._init_webdav() def _init_webdav(self): options = { "webdav_hostname": self.webdav_url, "webdav_login": self.webdav_user, "webdav_password": self.webdav_pass, } self.client = Client(options) if not self.client.check(): raise ConnectionError("WebDAV 连接失败，请检查认证信息") print("WebDAV 连接成功") def extract_text(self, pdf_path: str) -> Optional[str]: try: with pdfplumber.open(pdf_path) as pdf: text = "\n".join( page.extract_text() or "" for page in pdf.pages ) return text if text.strip() else None except Exception as e: print(f"PDF 解析失败 {pdf_path}: {e}") return None def extract_metadata(self, text: str) -> Dict[str, str]: lines = [l.strip() for l in text.split("\n") if l.strip()] title = lines[0] if lines else "Untitled" abstract_match = re.search( r"Abstract[:\s]*(.*?)(?=\n\n|Introduction|$)", text, re.IGNORECASE | re.DOTALL ) abstract = abstract_match.group(1).strip()[:800] if abstract_match else "" date_match = re.search(r"(\d{4})[-/年](\d{1,2})", text) date = f"{date_match.group(1)}-{date_match.group(2).zfill(2)}" if date_match else datetime.now().strftime("%Y-%m") return {"title": title, "abstract": abstract, "date": date} def generate_note(self, meta: Dict[str, str], pdf_path: str) -> str: today = datetime.now().strftime("%Y-%m-%d") return f"""--- title: {meta['title']} date: {meta['date']} tags: [paper, reading-notes] type: paper-note --- # {meta['title']} ## 摘要 {meta['abstract']} ## 核心观点 [待补充] ## 相关链接 - PDF: {pdf_path} ## 阅读日期 {today} """ def sanitize(self, name: str) -> str: clean = re.sub(r'[\\/:*?"<>|]', "_", name) return clean[:80] + ".md" def sync(self, content: str, filename: str) -> str: if not self.client.exists(self.vault_path): self.client.mkdir(self.vault_path) remote = f"{self.vault_path}{filename}" self.client.upload_sync(remote, content.encode("utf-8")) return remote def process(self, pdf_paths: List[str]) -> List[Dict]: results = [] for path in pdf_paths: text = self.extract_text(path) if not text: results.append({"file": path, "status": "failed", "reason": "PDF解析失败"}) continue meta = self.extract_metadata(text) note = self.generate_note(meta, path) fname = f"{datetime.now().strftime('%Y%m%d')}_{self.sanitize(meta['title'])}" try: remote = self.sync(note, fname) results.append({"file": path, "status": "success", "remote": remote}) except Exception as e: results.append({"file": path, "status": "failed", "reason": str(e)}) return results

这段代码的关键设计点：所有敏感配置都从环境变量读取，PDF 解析在本地完成，只有摘要提取这一步才调用模型接口。这样既保护了论文原文的隐私，又利用了模型的语义理解能力。

3.3 环境变量配置

在 OpenClaw 的配置文件中，或者启动脚本里，设置以下环境变量：

export TAOTOKEN_API_KEY="你的TaoToken Key" export WEBDAV_URL="https://dav.jianguoyun.com/dav/" export WEBDAV_USERNAME="你的账号" export WEBDAV_PASSWORD="你的应用密码" export OBSIDIAN_VAULT_PATH="Papers/"

WebDAV 的应用密码需要在服务商网页端单独生成，不要用登录密码。以坚果云为例，进入账户信息的安全选项，添加一个应用，生成的密码只显示一次，复制后立即保存。

4. 验证请求：跑一次完整的文献抓取到归档

配置完成后，我们来验证整个流程。准备两到三篇 PDF 论文，放在一个临时文件夹里，然后对 OpenClaw 说：“帮我把~/papers/下的论文导入 Obsidian”。

OpenClaw 会识别到这个请求匹配paper-to-obsidianSkill 的触发场景，加载SKILL.md的指令，然后调用 Python 脚本执行。你可以在终端里看到类似这样的输出：

WebDAV 连接成功 处理中: ~/papers/attention_is_all_you_need.pdf 已同步: Papers/20260115_Attention_Is_All_You_Need.md 处理中: ~/papers/bert_pretraining.pdf 已同步: Papers/20260115_BERT_Pre-training.md 处理完成: 成功 2, 失败 0

打开 Obsidian，等待 WebDAV 同步完成，你会在Papers/文件夹下看到两个新的 Markdown 文件。打开其中一个，内容应该是这样的：

--- title: Attention Is All You Need date: 2017-06 tags: [paper, reading-notes] type: paper-note --- # Attention Is All You Need ## 摘要 The dominant sequence transduction models are based on complex recurrent or convolutional neural networks... ## 核心观点 [待补充] ## 相关链接 - PDF: ~/papers/attention_is_all_you_need.pdf ## 阅读日期 2026-01-15

从触发 Skill 到笔记出现在 Obsidian 里，整个过程通常几十秒。如果你在验证时发现笔记没有出现，先检查 WebDAV 的同步状态，有些服务商有同步延迟，手动刷新一下 Obsidian 的文件夹就能看到。

5. 本篇常见错排查

5.1 PDF 解析返回空文本

最常见的原因是 PDF 是扫描版，里面没有可提取的文本层。pdfplumber对这类文件无能为力。解决办法是在 Skill 里加一个判断：如果提取的文本长度小于 100 字符，就跳过该文件并在结果里标注“疑似扫描版，需 OCR 处理”。如果你经常遇到扫描版论文，可以额外集成一个 OCR 工具，但这会增加 Skill 的复杂度，建议单独写一个 OCR Skill 来组合使用。

5.2 WebDAV 连接报 401 或 403

先确认你用的是应用密码而不是登录密码。大部分 WebDAV 服务商都要求为第三方应用单独生成密码。其次检查WEBDAV_URL的末尾是否带了斜杠，有些服务商对 URL 格式敏感。如果还是不行，用curl手动测试一下：

curl -u "username:app_password" -X PROPFIND "https://dav.jianguoyun.com/dav/" -H "Depth: 1"

返回 207 状态码说明认证通过，返回 401 就是凭证问题。

5.3 Skill 没有被触发

OpenClaw 是根据description和触发场景来判断是否加载 Skill 的。如果你的description写得太泛，比如“处理文档”，AI 可能不会把它和“导入论文到 Obsidian”这个具体请求关联起来。解决办法是把description写得更具体，包含用户可能说的关键词，比如“论文”、“PDF”、“Obsidian”、“笔记同步”。另外，触发场景里列出的例句要覆盖用户的实际说法，不要只写一种表达方式。

5.4 模型调用超时或返回空摘要

检查 TaoToken 的 API Key 是否有效，以及账户余额是否充足。如果摘要提取这一步频繁失败，可以在代码里加一个降级逻辑：模型调用失败时，直接截取 PDF 文本的前 500 字符作为摘要占位，保证笔记文件能正常生成，后续再手动补充。

6. 把 Skill 变成你的长期资产

写到这里，这个文献阅读 Skill 已经能跑通了。但我想说的是，第一版 Skill 不需要完美。你先让它跑起来，然后在实际使用中不断调整。比如你发现笔记的 YAML frontmatter 里想加一个journal字段来记录期刊名，那就改generate_note函数；你发现某些论文的作者信息提取不准，那就加一个正则匹配规则。

OpenClaw 的 Skills 系统最妙的地方在于，它让你把重复性的工作流“封装”成可复用的指令。你写一次，以后每次读论文都省下手动整理的时间。而且随着你写的 Skill 越来越多，你的 AI 助手会越来越懂你的工作习惯。

如果你在配置过程中遇到模型通道的问题，可以到 TaoToken 的接入文档里查一下参数说明。需要验证模型输出效果的话，模型对话页面可以直接测试。长期跑编码或 Agent 类任务的话，Coding Plan 的额度方案值得了解一下。先把第一个 Skill 跑起来，剩下的慢慢迭代。