核心用法
skill-explorer 是一个专为 OpenClaw 生态设计的技能发现与评估框架，采用 8 阶段系统化工作流：
1. 需求分析 → 明确任务目标、必备功能与约束条件
2. 搜索发现 → 通过 clawhub search 多关键词检索候选技能
3. 信息收集 → 提取 stars、downloads、installs 等关键指标评估质量
4. 横向探索 → 寻找竞品、互补技能及领域变体
5. 深度审查 → 下载技能包，分析文件结构与依赖
6. 安全评估 → 静态代码扫描，识别可疑模式与风险等级
7. 综合报告 → 生成对比表格与推荐方案
8. 决策支持 → 呈现带权衡的选项，获取用户明确授权
显著优点
- 方法论成熟：将模糊的技能选择转化为可复现的标准化流程，降低决策噪音
- 安全优先：内置静态分析规则（eval/exec/网络请求/文件操作检测），主动暴露风险
- 数据驱动：依赖量化指标（stars/installs/versions）而非主观印象
- 上下文敏感：支持语言、平台、安全等级等多维度约束过滤
- 可追溯：强制要求用户授权，并集成 EVOLUTION.md 实现决策存档
潜在局限
- 依赖生态完善度：要求 OpenClaw 平台提供
clawhubCLI 工具及完整元数据 - 人工审查瓶颈：深度安全分析仍需人工介入，自动化规则可能漏检高级混淆代码
- 冷启动问题：小众或新发布技能可能缺乏足够的 stars/downloads 参考
- 无运行时监控：仅做静态审查，无法检测运行时的恶意行为
适合人群
| 场景 | 推荐度 |
|------|--------|
| 刚接触 OpenClaw 的新用户选技能 | ⭐⭐⭐⭐⭐ |
| 企业/团队进行技能安全审计 | ⭐⭐⭐⭐⭐ |
| 需要在多个同类技能中做对比 | ⭐⭐⭐⭐⭐ |
| 追求极致效率、愿承担风险的快速试错者 | ⭐⭐⭐ |
常规风险
- 误报安全警告：VirusTotal 可能对良性技能误报，需人工复核
- 指标滞后：downloads 高不代表当前质量，可能反映历史营销效果
- 维护状态陷阱：长期未更新（old
updatedAt）的技能存在兼容性风险 - 授权绕过：若跳过"明确用户批准"步骤，可能违背组织合规要求