你的AI助手住在哪？論OpenClaw +Docker部署和技能包裝的必要性
整理版優先睇
用 Docker 加技能包，將 AI 助手變成可遷移、可複用嘅基礎設施，唔使再每次重裝環境重踩坑。
呢篇文章係作者分享佢點樣用一個週末，透過 Claude Code 自動化配置 OpenClaw 喺 Docker 入面，再將成個流程打包成技能包發佈上 ClawHub。
作者發現，好多人都花過幾個鐘頭配置 AI 助手，一換機或者重裝系統就歸零，所有踩過嘅坑要再踩一次。佢嘅解決方案係：用 Docker 做 AI 助手嘅「屋企」，用技能包（Skill）記錄同自動化成個配置流程。技能包係 Markdown 檔，包含完整指令，任何人攞到都可以復現同一套環境。
文章整體結論係：Docker 提供隔離性、可遷移性、多實例共存同安全邊界；技能包將一次過嘅手工藝術變成可傳遞嘅知識。作者透過自己寫嘅 openclaw-docker-setup 技能包（ClawHub 上結構審查滿分 33/33），示範咗點樣設計技能包，仲揭露咗四個真實踩過嘅坑：LICENSE 檔案冇副檔名被拒、官方 CLI 發佈超時、自動掃描將 /home/node/ 誤報為可疑路徑、預覽伺服器默認綁定 localhost 搞到手機睇唔到。最後佢提出，技能生態系統係 AI 代理從個人工具走向共享基礎設施嘅關鍵一步。
- Docker 化嘅 OpenClaw 有四大優勢：隨開隨用、互不幹擾、安全邊界、配置可遷移，換機只係一條命令嘅事。
- 技能包係 Markdown 檔，包含完整指令，確保任何人可以復現相同操作，而唔係一次性嘅手工藝。
- Docker 嘅隔離性同多實例共存，令你可以同時行生產、演示、測試環境，主機系統零污染。
- 作者喺製作技能包時踩咗四個坑：LICENSE 檔案要加 .md 副檔名、官方 CLI 超時要用 curl 代替、安全掃描誤報 /home/node/、預覽伺服器要 bind 0.0.0.0 先至可以用手機睇。
- 一次過搞好 Docker 容器同技能包，以後每個人企喺你膊頭上出發；可免去每次重裝系統或換機都要重新配置嘅痛苦。
openclaw-docker-setup 技能包
作者發佈喺 ClawHub 嘅 Docker 環境搭建技能包，免費下載，包含完整步驟同四個坑嘅解法。
結構示例
# 生產環境docker run -d --name openclaw-prod -p 19001:19001 --cpus=2 ghcr.io/openclaw/openclaw:latest# 演示環境docker run -d --name openclaw-demo -p 19003:19001 --cpus=2 ghcr.io/openclaw/openclaw:latest# 測試環境docker run -d --name openclaw-test -p 19004:19001 --cpus=1 ghcr.io/openclaw/openclaw:latest點解要咁做：一個週末嘅經歷
一個週末嘅下午，我打開 Claude Code 嘅終端，輸入一句話：「幫我在 Docker 裏把 OpenClaw 跑起來，配好郵件和 Google Drive。」然後我基本上冇點動手。AI 自己探路，遇到端口衝突自己換端口，遇到 Python 中文亂碼自己改參數，遇到網頁認證無法穿越 Docker 自己揾到繞過方法，遇到 LICENSE 文件被拒自己加上副檔名。成個過程大概一個下午，我主要係睇住佢做嘢，偶爾回答幾個問題。
配置完成之後，我做咗一件更重要嘅事：叫佢將呢一路嘅操作流程同踩過嘅坑，打包成一個可複用嘅技能包，發佈上 ClawHub。呢篇文章就係記錄呢件事——點解要咁做，同埋你可以點樣做。
Docker 化 OpenClaw 嘅四大優勢
喺正式開始之前，先將結論擺喺度：Dockerized OpenClaw 嘅核心優勢係四句話。
- 1 隨開隨用：容器啟動秒級完成，唔依賴本機環境，換電腦都係一條命令嘅事。
- 2 互不幹擾：演示、測試、生產三套環境並存，任意切換，主機系統零污染。
- 3 安全邊界：AI 代理有 shell 權限，Docker 限制佢可以碰咩——你話事，唔係佢話事。
- 4 配置可遷移：環境打包喺容器入面，重裝系統唔歸零，坑只踩一次記住呢四點。
後續嘅技術細節，都係喺解釋點解呢四句話係真嘅。
技能包裝：唔止係配置文件咁簡單
技能包（Skill）喺 OpenClaw 入面係 Markdown 檔，包含令 AI 代理完成特定任務嘅完整指令。關鍵詞係「完整」——唔係一段筆記，唔係一個備忘錄，而係一個承諾：任何人攞到呢份技能包，都可以復現同樣嘅操作序列。
ClawHub 目前有超過 2,857 個技能包。呢個數字唔係偶然嘅。當一個生態系統有近三千個可複用嘅操作單元喺度流通，佢已經越過咗「玩具」階段，進入基礎設施領域。
Docker：AI 代理嘅正確居所
返到開頭嘅問題：你嘅 AI 助手應該住喺邊？我嘅答案係 Docker 容器。理由有四個，每一個都好實際。
- 隔離性：AI 代理唔應該同你嘅日常工作環境住埋一齊。依賴衝突、權限混亂、工具升級搞到另一個工具死機——呢啲「莫名其妙嘅 bug」根源往往係環境污染。Docker 畀 AI 代理一個乾淨、獨立嘅運行空間。
- 可遷移性：由 MacBook 到雲伺服器，一條命令重建成個環境。重裝系統？換電腦？唔怕。容器喺度，配置喺度。
- 多實例共存：同一部 Mac 可以同時行三個 OpenClaw 容器——一個日常生產、一個演示、一個測試——互不幹擾。裸機安裝幾乎做唔到。
- 安全邊界：AI 代理有 shell 權限，Docker 幫佢畫一條邊界。容器內嘅 AI 可以做咩，由你掛載邊啲目錄、開放邊啲端口決定，唔係由 AI 自己決定。
Help Net Security 喺 2026 年 2 月報道，AI 代理框架被用嚟自動化涉及工具、文件同外部服務嘅工作，呢類自動化引發咗代理能訪問咩、能改變咩嘅安全問題。Docker 嘅作用就係畀呢種權限畫一條邊界。
一個好技能包長點樣——同埋我踩過嘅四個坑
我寫咗一個 openclaw-docker-setup 技能包，發佈上 ClawHub，結構審查拎到 33/33 滿分通過。呢個技能包將 Docker 環境搭建拆成 9 個步驟，每一步都有明確嘅輸入、輸出同判斷邏輯。以下係幾個設計決策，同埋我踩過嘅坑。
Step 0 係防禦性設計：自動執行 docker ps 列出所有已運行嘅容器同佔用端口，建議下一個可用嘅名同端口組合。端口衝突喺部署前係一行報錯，喺部署後係半個鐘嘅排查。
工具選擇方面，郵件集成用 Himalaya，Google Drive 集成用 gog。點解唔用一個工具搞掂？因為 gog 根本唔支持下載 Gmail 附件，佢係為 Google Drive 同文檔設計嘅。Himalaya 專為郵件協議設計，附件支援完整。呢個唔係偏好問題，係功能邊界問題。我喺技能包入面寫清楚呢個理由，令後人唔使再踩同一個坑。
CPU 默認值係一種價值觀：我揀默認 2 個 CPU，因為當 AI 代理同時處理郵件、調用 API、執行腳本時，1 個 CPU 會成為瓶頸。默認值係對使用者隱含嘅承諾。
- 1 坑一：LICENSE 檔案冇副檔名被平台拒絕。平台報錯「Only text-based files are allowed」，解決方法係改名做 LICENSE.md。
- 2 坑二：官方 CLI 發佈超時，哪怕檔案得 72KB。CLI 有約 15 秒超時，但伺服器處理 embedding 需要 40-50 秒。繞過方法係直接用 curl 調用 API。
- 3 坑三：自動安全掃描將 /home/node/ 誤報為「可疑路徑」。呢個係 Docker 容器內部嘅標準路徑，掃描器只做字符匹配，最終判斷要靠人。
- 4 坑四：預覽伺服器默認綁定 localhost，手機睇唔到。解決方法係加 --bind 0.0.0.0 監聽所有網絡接口，然後用 LAN IP 訪問。
件事係咁開始嘅。
一個週末嘅下晝，我開咗 Claude Code 嘅終端，打咗一句嘢：「幫我在 Docker 裏面將 OpenClaw 行起嚟，set 好電郵同 Google Drive。」
然後我幾乎冇點鬱過手。
AI 自己探路，遇到 port 衝突就自己轉 port；遇到 Python 亂碼就自己改 parameters；遇到網頁認證過唔到 Docker，就自己揾到繞過嘅方法；遇到 LICENSE 檔案被 reject，就自己加返個 extension。成個過程大約用咗一個下晝，我主要係睇住佢做嘢，間中答幾個問題。
set 好之後，我做咗一樣更重要嘅嘢：叫佢將成個操作流程同踩過嘅坑，pack 成一個可以重用嘅技能包，發佈上 ClawHub。
呢篇文章就係記錄呢件事——點解要咁做，同埋你可以點樣做。
正式展開之前，先將結論擺喺度：
Dockerized OpenClaw 嘅核心優勢，四句說話：
- • 隨開隨用：容器一開就搞掂，唔使理本機環境，換電腦都係一條 command 嘅事
- • 互不幹擾：演示、測試、生產三套環境並存，任意切換，主機系統零污染
- • 安全邊界：AI agent 有 shell 權限，Docker 限制佢掂到啲乜——你話事，唔係佢話事
- • 配置可遷移：環境 pack 曬喺容器入面，重裝系統唔會 reset，每個坑只踩一次
記住呢四點。後面嘅技術細節，都係解釋點解呢四句說話係真嘅。
你花咗三個鐘頭，將 OpenClaw set 到妥妥當當。電郵駁通咗，日曆 sync 咗，Discord 都接好咗。你嘅 AI 助手終於可以開工。
然後你重裝咗系統。
三個鐘頭歸零。所有配置、所有工具鏈、所有你踩過嘅坑，又要再踩一次。呢種經歷，set 過開發環境嘅人都明。
問題嚟喇：你嘅 AI 助手個「家」，應該係你嘅操作系統，定係一個獨立嘅、可以打包帶走嘅容器？
技能包裝唔止係一個配置文件
先講一個成日被忽略嘅概念：技能包（skill）。
喺 OpenClaw 嘅體系入面，技能係 Markdown 檔案，包含咗俾 AI agent 完成特定任務嘅完整指令。聽落簡單，但關鍵字係「完整」——唔係一段筆記，唔係一個 memo，而係一個承諾：任何人拎到呢份技能包，都可以重複做到同樣嘅操作。
ClawHub 上面目前有超過 2,857 個技能包。呢個數字唔係偶然。當一個生態系統裏面有差唔多三千個可重用嘅操作單元喺度流通，佢已經過咗「玩具」嘅階段，進入咗基礎設施嘅領域。
諗嚇呢個分別：冇技能包嘅時候，安裝同配置係一次性嘅手工藝。你花三個鐘頭搞掂，呢三個鐘頭嘅經驗只係存在你個腦入面。有咗技能包，同樣嘅操作變成咗可交付嘅知識。
打個比喻——一餐飯同一份食譜嘅分別。一餐飯幾好食都好，食完就冇。食譜可以傳播，可以改良，可以俾一千個人煮出同一道菜。技能包就係 AI agent 世界嘅食譜。
Docker：AI agent 嘅正確居所
返去開頭個問題。你嘅 AI 助手應該住喺邊度？
我嘅答案係 Docker container。理由有四個，每一個都好實際。
隔離性。 你嘅 AI agent 唔應該同你嘅日常工作環境住埋一齊。依賴衝突、權限混亂、某個工具升級之後另一個工具突然死咗——呢啲「莫名其妙嘅 bug」，根源通常係環境污染。Docker 俾 AI agent 一個乾淨、獨立嘅運行空間，你嘅主系統唔受影響。
可遷移性。 由 MacBook 到雲伺服器，一條 command 重建成個環境。重裝系統？換電腦？唔怕。容器喺度，配置就喺度。
多實例共存。 呢一點成日俾人低估。你可以喺同一部 Mac 上面同時行三個 OpenClaw container——一個用嚟日常生產，一個用嚟演示，一個用嚟測試——互相唔幹擾，各有各做：
# 生產環境
docker run -d --name openclaw-prod -p 19001:19001 --cpus=2 ghcr.io/openclaw/openclaw:latest
# 演示環境
docker run -d --name openclaw-demo -p 19003:19001 --cpus=2 ghcr.io/openclaw/openclaw:latest
# 測試環境
docker run -d --name openclaw-test -p 19004:19001 --cpus=1 ghcr.io/openclaw/openclaw:latest三個 container，三個 port，彼此完全隔離。呢個喺裸機安裝入面幾乎冇可能做到。
安全邊界。 呢一點一定要認真對待。Help Net Security 喺 2026 年 2 月嘅一篇報導指出，AI agent framework 正被用嚟自動化涉及工具、檔案同外部服務嘅工作，呢類自動化「引發咗關於 agent 可以掂到啲乜、可以改變啲乜嘅安全問題」。AI agent 係有 shell 權限㗎——佢可以執行 command、讀寫檔案。Docker 嘅作用，係俾呢種權限畫一條界線。container 入面嘅 AI 可以做啲乜，由你掛載邊啲目錄、開放邊啲 port 決定，而唔係由 AI 自己決定。
一個好嘅技能包係點——同埋我踩過嘅四個坑
返去技能包裝。抽象咁討論「技能包好重要」冇乜說服力，不如睇一個具體例子——加上真實嘅教訓。
我自己寫咗一個 openclaw-docker-setup 技能包，發佈咗上 ClawHub，經過結構審查拎到 33/33 滿分通過。呢個技能包將 Docker 環境搭建拆成 9 個步驟，每一步都有明確嘅 input、output 同判斷邏輯。幾個設計決策，同埋我踩過嘅坑。
Step 0：先搞清楚你已經有啲乜。
喺你動手建立任何嘢之前，技能包會自動行呢條 command：
docker ps --format '{{.Names}}\t{{.Ports}}' | grep openclaw佢列出所有已經喺度行嘅 OpenClaw container 同佢哋用緊嘅 port，然後建議你用下一個可用嘅名同 port 組合。例如已經有 openclaw-isolated 用咗 19002，佢會建議你用 openclaw-demo 加 19003。
呢個唔係花巧嘅功能，係防禦性設計。Port 衝突喺部署之前係一行 error，喺部署之後係半個鐘頭嘅排查。防禦性設計嘅本質，係令錯誤喺最平嘅時候發生。
工具選擇：一個工具做一樣嘢，因為冇工具可以做曬兩樣。
電郵整合用 Himalaya，Google Drive 整合用 gog。
點解唔用一個工具搞掂？因為 gog 根本唔支援下載 Gmail 附件。佢係為 Google Drive 同文件設計嘅，唔處理 IMAP/SMTP 電郵附件。Himalaya 專門為電郵協議設計，附件支援好完整。
呢個唔係偏好問題，係功能界線問題。如果你嘅 workflow 需要「AI 讀取電郵附件並處理」，用 gog 係死路一條。我喺技能包入面將呢個理由寫清楚，因為之後嘅用家唔應該再踩同一個坑。
cpus=2：預設值係一種價值觀。
好多 Docker 配置預設俾 1 個 CPU。我選擇預設 2 個。
當你嘅 AI agent 同時處理電郵、call API、執行 script 嘅時候，1 個 CPU 會變成瓶頸，回應延遲會明顯上升。呢個唔係隨手填嘅數字，係對生產場景嘅基本尊重。預設值係你對用家隱含嘅一個承諾。
「你需唔需要喺 Mac 面前？」——將限制寫清楚。
技能包入面專登有一節回答呢個問題：邊啲步驟可以用 SSH 遠端完成，邊啲需要掂到部機。
好嘅技能包唔會隱瞞限制。用家唔應該做到第六步先發現要坐喺部機前面。將限制寫清楚，唔係展示缺點，係尊重用家嘅時間。
四個真實踩過嘅坑
寫技能包嘅過程係不斷撞板嘅過程。呢度列出四個實際遇到嘅問題，唔係為咗投訴，係因為呢啲坑好大機會都等你踩。
坑一：LICENSE 檔案俾平台 reject。
發佈技能包上 ClawHub 嗰陣，一個檔案名叫 LICENSE（冇 extension）會俾平台報錯：
Only text-based files are allowed解決方法：將個檔案改名做 LICENSE.md。呢個唔係文件入面寫嘅規則，係撞板先發現。寫技能包嘅人通常習慣用標準開源慣例放 LICENSE 檔案，但平台係按 extension 判斷檔案類型。
坑二：官方 CLI 發佈超時，就算個檔案得 72KB。
用 clawhub publish 用 command 發佈技能包，會出呢個錯：
invalid multi-part form: stream size exceeded limit: 20971520 bytes見到「20MB limit exceeded」以為係檔案太大，但 72KB 嘅目錄點可能超過 20MB？問題係 CLI 有大約 15 秒超時，而伺服器處理技能包嘅 embedding 需要 40-50 秒。時間到咗，連線斷咗，CLI 誤報咗一個流量限制嘅錯誤。
解決方法：繞過 CLI，直接用 curl call API：
curl -X POST https://clawhub.ai/api/v1/skills \
--header "Authorization: Bearer $CLAWHUB_TOKEN" \
--form 'payload={"displayName":"OpenClaw Docker Setup","tags":["docker","setup"]}' \
--form "files=@SKILL.md" \
--form "files=@README.md"curl 冇 15 秒超時限制，伺服器有足夠時間處理。呢個方法而家係我發佈所有技能包嘅標準流程。
坑三：自動安全掃描嘅 false positive。
技能包發佈前會經過 OPSEC 安全掃描，自動檢查有冇可疑路徑或憑證。掃描器將 /home/node/ 標記為「可疑路徑」。
呢個係 Docker container 內部嘅標準路徑——node 係 container 入面行 Node.js 進程嘅用戶，路徑完全合理。但掃描器唔理解 context，只做 string match。
呢個 false positive 需要人工判斷先可以排除。自動化掃描嘅侷限性喺呢度好清楚：佢可以發現明顯嘅問題，但冇辦法分辨「合理嘅 /home/node/」同「可疑嘅 /home/node/」嘅分別。最終判斷，始終要靠人。
坑四：預覽伺服器只 bind localhost，手機睇唔到。
行完 format script 之後，用 Python 開咗一個本地預覽伺服器：
python3 -m http.server 8899喺 Mac 瀏覽器入面開 http://localhost:8899/formatted.html 一切正常。
然後喺手機輸入同一個地址——空白頁。
原因：預設唔加 parameters 嗰陣，Python 嘅 http.server 只監聽 127.0.0.1（本機回環地址），區域網絡入面嘅其他裝置根本連唔到。
解決方法：加 --bind 0.0.0.0，監聽所有網絡接口：
python3 -m http.server 8899 --bind 0.0.0.0然後用 Mac 嘅區域網絡 IP 來 access（唔係 localhost）：http://192.168.0.193:8899/formatted.html。
呢個坑每次都中，因為開發嗰陣習慣用 localhost，直到第一次拎手機驗證排版先發現。
知識嘅基礎設施化
寫文檔同寫技能包有乜嘢分別？
文檔係被動嘅。佢話俾你知要做啲乜，然後等你自己去搞。你睇完，可能漏咗一步，可能理解錯咗一個 parameter，可能喺第三步同第四步之間迷路。
技能包係主動嘅。佢唔單止話俾你知要做啲乜，佢幫你做，同時記錄點解要咁做。AI agent 讀取技能包之後，可以自主執行每一步，遇到分支條件識得自己判斷。
更加重要係社羣維度。我喺加州發佈一個技能包，你喺上海安裝佢，我同事喺慕尼黑安裝佢。三個人在三個時區，得到嘅係同一個配置好嘅環境——包括嗰四個坑嘅解法。呢個唔係「分享經驗」，呢個係將個人經驗變成基礎設施。知識從一個人嘅腦入面，變咗成個社羣可以依賴嘅嘢。
OpenClaw 本身嘅設計亦喺度推動呢件事。佢係 model 無關、私隱優先、喺本地系統運行嘅。啟用 ClawHub 之後，agent 可以自動搜尋同拉取新技能。技能生態唔係需要人手維護嘅目錄，而係一個活嘅、可以自動發現嘅知識網絡。
誠實嘅代價
Docker 唔係冇門檻。
佢有學習曲線。如果你從來未用過容器技術，第一次上手需要時間。初始設定確實需要你坐喺 Mac 面前——SSH 遠端可以完成一部分工作，但有啲操作綁死咗本地環境，呢個係事實。技能包亦唔係寫一次就永遠有效，工具版本更新、依賴變化，都要維護。
呢啲代價係真實嘅，我唔想假裝佢哋唔存在。
但換個角度諗：呢啲代價係一次性嘅、可以分攤嘅。而「三個鐘頭配置歸零」嘅代價，每次重裝、每次換機、每次環境 crash，都要重新俾。一次性投入起好基礎設施，定係不斷俾重複勞動嘅成本？呢條數唔難計。
AI agent 需要文明，唔止係能力
最後講一個大少少嘅觀點。
冇技能包裝嘅 AI agent 係一個強大嘅工匠。佢能力好強，但只係存在你部機度，得你先識用。你嘅配置、你嘅工具鏈、你踩過嘅坑，全部鎖死喺你一個人嘅環境入面。
有咗技能包裝，工匠嘅手藝變咗可以傳授嘅工藝。你嘅經驗唔再只屬於你，佢可以被重現、被檢驗、被改進。
技能生態系統係 AI agent 由「個人工具」走向「共享基礎設施」嘅關鍵一步。如果話 AI agent 嘅能力係蠻力，咁技能包裝就係文明——佢令知識可以累積、傳遞、迭代，而唔係每個人由零開始重新發明輪子。
Docker 俾咗 AI agent 一個安全、可遷移嘅家。技能包俾咗呢個家可複製嘅建造圖紙。嗰四個坑，而家係文檔，唔再係陷阱。
下次 set AI 助手之前，先問自己一個問題：今次嘅配置，可唔可以俾其他人都用得？如果唔得，可能值得花多少少時間，將佢變成可以傳遞嘅知識。
返去最開頭嗰四句說話，換個方式講：
裸機安裝嘅代價：
每次換機重新嚟過，每個坑重新踩過，每次配置只係活喺你一個人個腦入面。
Docker + 技能包嘅代價：
一次安裝，一份文檔，一個技能包——之後嘅每個人都企喺你膊頭上面出發。
呢個唔係技術選擇，係對自己時間嘅態度。
技能包下載：
openclaw-docker-setup 技能包已經發佈上 ClawHub，免費下載：
https://clawhub.ai/chunhualiao/openclaw-docker-setup
安裝方式：clawhub install openclaw-docker-setup
事情是這樣開始的。
一個週末的下午，我打開Claude Code的終端，輸入了一句話："幫我在Docker裏把OpenClaw跑起來，配好郵件和Google Drive。"
然後我就基本沒怎麼動手了。
AI自己探路，遇到端口衝突，自己換端口。遇到Python中文亂碼，自己改參數。遇到網頁認證無法穿越docker，自己找到了繞過的方法。遇到LICENSE文件被拒，自己把擴展名加上。整個過程大概花了一個下午，我主要做的事情是看着它工作，偶爾回答幾個問題。
配置完成之後，我做了一件更重要的事：讓它把這一路的操作流程和踩過的坑，打包成一個可複用的技能包，發佈到ClawHub。
這篇文章就是這件事的記錄——為什麼這樣做，以及你也可以怎麼做。
在正式展開之前，先把結論擺在這裏：
Dockerized OpenClaw 的核心優勢，四句話：
- • 隨開隨用：容器啓動秒級完成，不依賴本機環境，換電腦也是一條命令的事
- • 互不干擾：演示、測試、生產三套環境並存，任意切換，主機系統零污染
- • 安全邊界：AI代理有shell權限，Docker限制它能碰什麼——你說了算，不是它
- • 配置可遷移：環境打包在容器裏，重裝系統不歸零，坑只踩一次
記住這四點。後面的技術細節，都是在解釋為什麼這四句話是真的。
你花了三小時，把OpenClaw配置得妥妥帖帖。郵件連上了，日曆同步了，Discord也接好了。你的AI助手終於能幹活了。
然後你重裝了系統。
三小時歸零。所有配置、所有工具鏈、所有你踩過的坑再踩一遍。這種經歷，配過開發環境的人都懂。
問題來了：你的AI助手的"家"，應該是你的操作系統，還是一個獨立的、可以打包帶走的容器？
技能包裝不只是一個配置文件
先說一個容易被忽略的概念：技能包（skill）。
在OpenClaw的體系裏，技能是Markdown文件，包含了讓AI代理完成特定任務的完整指令。聽起來簡單，但關鍵詞是"完整"——不是一段筆記，不是一個備忘錄，而是一個承諾：任何人拿到這份技能包，都能復現同樣的操作序列。
ClawHub上目前有超過2,857個技能包。這個數字不是偶然的。當一個生態系統裏有近三千個可複用的操作單元在流通，它已經越過了"玩具"的階段，進入了基礎設施的領域。
想想這個區別：沒有技能包時，安裝和配置是一次性的手工藝術。你花三小時搞定了，這三小時的經驗只存在於你腦子裏。有了技能包，同樣的操作變成了可交付的知識。
打個比方——一頓飯和一份菜譜的區別。一頓飯再好吃，吃完就沒了。菜譜可以傳播，可以改進，可以讓一千個人做出同一道菜。技能包就是AI代理世界的菜譜。
Docker：AI代理的正確居所
回到開頭的問題。你的AI助手應該住在哪？
我的答案是Docker容器。理由有四個，每一個都很實際。
隔離性。 你的AI代理不應該和你的日常工作環境住在一起。依賴衝突、權限混亂、某個工具升級後另一個工具突然掛了——這些"莫名其妙的bug"，根源往往是環境污染。Docker給AI代理一個乾淨的、獨立的運行空間，你的主系統不受影響。
可遷移性。 從MacBook到雲服務器，一條命令重建整個環境。重裝系統？換電腦？不怕。容器在，配置在。
多實例共存。 這一點常被低估。你可以在同一台Mac上同時跑三個OpenClaw容器——一個用於日常生產，一個用於演示，一個用於測試——互不干擾，各司其職：
# 生產環境
docker run -d --name openclaw-prod -p 19001:19001 --cpus=2 ghcr.io/openclaw/openclaw:latest
# 演示環境
docker run -d --name openclaw-demo -p 19003:19001 --cpus=2 ghcr.io/openclaw/openclaw:latest
# 測試環境
docker run -d --name openclaw-test -p 19004:19001 --cpus=1 ghcr.io/openclaw/openclaw:latest三個容器，三個端口，彼此完全隔離。這在裸機安裝裏幾乎不可能實現。
安全邊界。 這一點必須認真對待。Help Net Security在2026年2月的一篇報道中指出，AI代理框架正在被用來自動化涉及工具、文件和外部服務的工作，這類自動化"引發了關於代理能訪問什麼、能改變什麼的安全問題"。AI代理是有shell權限的——它能執行命令、讀寫文件。Docker的作用，是給這種權限畫一條邊界。容器內的AI能做什麼，由你掛載哪些目錄、開放哪些端口決定，而不是由AI自己決定。
一個好技能包長什麼樣——以及我踩過的四個坑
說回技能包裝。抽象地討論"技能包很重要"沒什麼說服力，不如看一個具體的例子——加上真實的教訓。
我自己寫了一個openclaw-docker-setup技能包，發佈在ClawHub上，經過結構審查拿到了33/33的滿分通過。這個技能包把Docker環境搭建拆成了9個步驟，每一步都有明確的輸入、輸出和判斷邏輯。幾個設計決策，以及我踩過的坑。
Step 0：先搞清楚你已經有什麼。
在你動手創建任何東西之前，技能包會自動運行這條命令：
docker ps --format '{{.Names}}\t{{.Ports}}' | grep openclaw它列出所有已在運行的OpenClaw容器和它們佔用的端口，然後建議你用下一個可用的名字和端口組合。比如已有 openclaw-isolated 佔用了19002，它會建議你用 openclaw-demo 加19003。
這不是花哨的功能，是防禦性設計。端口衝突在部署前是一行報錯，在部署後是半小時的排查。防禦性設計的本質，是讓錯誤在最便宜的時候發生。
工具選擇：一個工具幹一件事，因為沒有工具能幹兩件事。
郵件集成用Himalaya，Google Drive集成用gog。
為什麼不用一個工具搞定？因為gog根本不支持下載Gmail附件。它是為Google Drive和文檔設計的，不處理IMAP/SMTP郵件附件。Himalaya專門為郵件協議設計，附件支持完整。
這不是偏好問題，是功能邊界問題。如果你的工作流需要"AI讀取郵件附件並處理"，用gog是死路。我在技能包裏把這個理由寫清楚了，因為後來的使用者不應該再踩同一個坑。
cpus=2：默認值是一種價值觀。
很多Docker配置默認分配1個CPU。我選擇默認2個。
當你的AI代理同時處理郵件、調用API、執行腳本時，1個CPU會成為瓶頸，響應延遲會明顯上升。這不是隨手填的數字，是對生產場景的基本尊重。默認值是你對使用者隱含的一個承諾。
"你需要在Mac前面嗎？"——把侷限性寫清楚。
技能包裏專門有一節回答這個問題：哪些步驟可以SSH遠程完成，哪些需要物理接觸機器。
好的技能包不掩蓋侷限性。用戶不應該執行到第六步才發現需要坐在那台機器前面。把約束寫清楚，不是在展示缺點，是在尊重用戶的時間。
四個真實踩過的坑
寫技能包的過程是反覆碰壁的過程。這裏列出四個實際遇到的問題，不是為了抱怨，是因為這些坑大概率也等着你。
坑一：LICENSE文件被平台拒絕。
發佈技能包到ClawHub時，一個文件名為 LICENSE（沒有擴展名）會被平台報錯：
Only text-based files are allowed解決方法：把文件重命名為 LICENSE.md。這不是文檔裏寫的規則，是碰壁才發現的。寫技能包的人通常習慣用標準開源慣例放置LICENSE文件，但平台按擴展名判斷文件類型。
坑二：官方CLI發佈超時，哪怕文件只有72KB。
用 clawhub publish 命令發佈技能包，會報這個錯：
invalid multi-part form: stream size exceeded limit: 20971520 bytes看到"20MB limit exceeded"以為是文件太大，但72KB的目錄怎麼可能超過20MB？問題在於CLI有約15秒的超時，而服務器處理技能包的embedding需要40-50秒。時間到了，連接斷掉，CLI誤報了一個流量限制的錯誤。
解決方法：繞過CLI，直接用curl調用API：
curl -X POST https://clawhub.ai/api/v1/skills \
--header "Authorization: Bearer $CLAWHUB_TOKEN" \
--form 'payload={"displayName":"OpenClaw Docker Setup","tags":["docker","setup"]}' \
--form "files=@SKILL.md" \
--form "files=@README.md"curl沒有15秒超時的限制，服務器有足夠時間處理。這個方法現在是我發佈所有技能包的標準流程。
坑三：自動安全掃描的誤報。
技能包發佈前會經過OPSEC安全掃描，自動檢查是否含有可疑路徑或憑證。掃描器把 /home/node/ 標記為"可疑路徑"。
這是Docker容器內部的標準路徑——node 是容器裏運行Node.js進程的用戶，路徑完全合理。但掃描器不理解上下文，只做字符串匹配。
這個誤報需要人工判斷才能排除。自動化掃描的侷限性在這裏很清楚：它能發現明顯的問題，但無法區分"合理的 /home/node/"和"可疑的 /home/node/"。最終的判斷，還是需要人。
坑四：預覽服務器只綁定 localhost，手機看不到。
跑完格式化腳本之後，用 Python 啓動了一個本地預覽服務：
python3 -m http.server 8899在 Mac 瀏覽器裏打開 http://localhost:8899/formatted.html 一切正常。
然後在手機上輸入同樣的地址——空白頁。
原因：默認不加參數時，Python 的 http.server 只監聽 127.0.0.1（本機迴環地址），局域網內的其他設備根本連不上。
解決方法：加 --bind 0.0.0.0，監聽所有網絡接口：
python3 -m http.server 8899 --bind 0.0.0.0然後用 Mac 的局域網 IP 訪問（不是 localhost）：http://192.168.0.193:8899/formatted.html。
這個坑每次都會踩，因為開發時習慣用 localhost，直到第一次拿手機驗證排版才發現。
知識的基礎設施化
寫文檔和寫技能包有什麼區別？
文檔是被動的。它告訴你該做什麼，然後等你自己去做。你讀完了，可能漏了一步，可能理解錯了一個參數，可能在第三步和第四步之間迷路了。
技能包是主動的。它不只告訴你該做什麼，它幫你做，同時記錄為什麼要這樣做。AI代理讀取技能包後，能自主執行每一步，遇到分支條件能自己判斷。
更重要的是社區維度。我在加州發佈一個技能包，你在上海安裝它，我的同事在慕尼黑安裝它。三個人在三個時區，得到的是同一個配置好的環境——包括那四個坑的解法。這不是"分享經驗"，這是把個人經驗變成了基礎設施。知識從一個人的腦子裏，變成了整個社區可以依賴的東西。
OpenClaw本身的設計也在推動這件事。它是模型無關的、隱私優先的、運行在本地系統上的。啓用ClawHub之後，代理可以自動搜索和拉取新技能。技能生態不是需要人工維護的目錄，而是一個活的、可自動發現的知識網絡。
誠實的代價
Docker不是沒有門檻。
它有學習曲線。如果你從來沒用過容器技術，第一次上手需要時間。初始設置確實需要你坐在Mac前面——SSH遠程可以完成一部分工作，但有些操作綁定了本地環境，這是事實。技能包也不是寫一次就永遠有效，工具版本更新、依賴變化，都需要維護。
這些代價是真實的，我不想假裝它們不存在。
但換個角度想：這些代價是一次性的、可分攤的。而"三小時配置歸零"的代價，每一次重裝、每一次換機器、每一次環境崩潰，都要重新支付。一次性投入建好基礎設施，還是反覆支付重複勞動的成本？這筆賬不難算。
AI代理需要文明，不只是能力
最後說一個稍微大一點的觀點。
沒有技能包裝的AI代理，是一個強大的工匠。它能力很強，但只存在於你的機器上，只有你會用。你的配置、你的工具鏈、你踩過的坑，全部鎖在你一個人的環境裏。
有了技能包裝，工匠的手藝變成了可以傳授的工藝。你的經驗不再只屬於你，它可以被複現、被檢驗、被改進。
技能生態系統是AI代理從"個人工具"走向"共享基礎設施"的關鍵一步。如果說AI代理的能力是蠻力，那麼技能包裝就是文明——它讓知識可以積累、傳遞、迭代，而不是每個人都從零開始重新發明輪子。
Docker給了AI代理一個安全的、可遷移的家。技能包給了這個家可複製的建造圖紙。那四個坑，現在是文檔，不再是陷阱。
下次配置AI助手之前，先問自己一個問題：這次的配置，能不能讓別人也用上？如果不能，也許值得多花一點時間，把它做成可以傳遞的知識。
回到最開始那四句話，換一種方式說：
裸機安裝的代價：
每次換機器重來一遍，每個坑重踩一遍，每次配置只活在你一個人的腦子裏。
Docker + 技能包的代價：
一次安裝，一份文檔，一個技能包——之後的每個人都站在你的肩膀上出發。
這不是技術選擇，是對自己時間的態度。
技能包下載：
openclaw-docker-setup 技能包已發佈到 ClawHub，免費下載：
https://clawhub.ai/chunhualiao/openclaw-docker-setup
安裝方式：clawhub install openclaw-docker-setup