clawhub
ClawHub 是专为 OpenClaw 生态打造的公开技能与插件注册中心。它让开发者能够轻松发布、版本化管理并检索基于文本的 AI 智能体技能(SKILL.md)、系统设定(SOUL.md)以及代码插件包。
这一工具主要解决了 AI 智能体资源分散、难以统一管理和高效复用的痛点。通过 ClawHub,用户不再需要手动整理零散的脚本或文档,而是拥有一个集中化的“应用商店”,支持对技能进行重命名、合并去重及变更追踪,确保资源引用的稳定性。同时,其配套的 onlycrabs.ai 子站专门用于共享智能体的核心系统设定,进一步完善了生态协作链条。
ClawHub 特别适合 AI 智能体开发者、开源贡献者以及希望快速构建自定义 Agent 的技术人员使用。它不仅提供友好的网页浏览体验,还配备了功能强大的命令行工具(CLI),支持一键登录、搜索、安装、发布及同步更新,极大提升了工作流效率。
在技术亮点方面,ClawHub 摒弃了传统的关键词匹配,采用 OpenAI 嵌入模型结合向量搜索技术,让用户能通过语义理解精准找到所需技能。此外,项目基于 Convex 后端构建,集成了 GitHub 认证、自动化审核机制及细粒度的权限管理(如软删除恢复、别名重定向),既保证了社区内容的质量,又兼顾了数据的安全与灵活维护。
使用场景
某 AI 初创团队正在快速迭代其客服机器人,需要整合多名开发者编写的数十个独立技能模块(如“订单查询”、“情绪安抚”),并统一管理系统提示词(SOUL)。
没有 clawhub 时
- 技能管理混乱:团队成员通过 GitHub 仓库或本地文件共享技能,版本更新不同步,常出现因手动复制粘贴导致的配置冲突。
- 检索效率低下:寻找特定功能的技能只能依靠模糊的文件名或关键词搜索,无法理解技能的实际语义能力,耗时费力。
- 协作维护困难:重命名或合并重复技能时会破坏现有引用链接,导致机器人运行报错,且缺乏统一的审核机制来保证技能质量。
- 系统提示词分散:机器人的核心设定(SOUL)散落在各个开发者的笔记中,难以统一版本控制和分发。
使用 clawhub 后
- 统一注册与版本控制:团队利用 clawhub 发布带标签的技能版本,支持一键同步更新,彻底消除了手动同步带来的配置错误。
- 语义化智能检索:借助内置的向量搜索,开发者只需输入“处理退款”等自然语言描述,即可精准定位到具备相应能力的技能包。
- 安全重构与治理:通过
skill rename和skill merge命令,团队可安全地合并冗余技能或优化命名,旧链接自动重定向,业务零中断。 - 集中化管理系统灵魂:将核心系统提示词作为 SOUL 发布到 onlycrabs.ai(clawhub 生态的一部分),确保所有机器人实例加载一致的最新人设。
clawhub 将原本碎片化的 AI 技能开发流程转变为标准化、可检索且易于协作的现代化工程体系。
运行环境要求
- 未说明
未说明
未说明

快速开始
ClawHub
ClawHub 是 Clawdbot 的公共技能注册表:用于发布、版本化和搜索基于文本的智能体技能(包含 SKILL.md 及其支持文件)。它专为快速浏览和 CLI 友好的 API 设计,同时提供内容审核钩子和向量搜索功能。此外,它现在还公开了一个原生的 OpenClaw 包目录,用于管理代码插件和捆绑插件。
onlycrabs.ai 是 SOUL.md 注册表:以与发布技能相同的方式发布和分享系统背景故事。
ClawHub · onlycrabs.ai · 愿景 · 文档 · 贡献指南 · Discord
你可以用它做什么
- 浏览技能并渲染其
SKILL.md。 - 发布新版本的技能,附带变更日志和标签(包括
latest)。 - 在不破坏旧链接或安装的情况下重命名你拥有的技能。
- 将重复的自有技能合并为一个规范的别名。
- 浏览灵魂并渲染其
SOUL.md。 - 发布新版本的灵魂,并附带变更日志和标签。
- 使用嵌入向量(向量索引)进行搜索,而非依赖脆弱的关键字。
- 收藏和评论;管理员或版主可以对技能进行精选和批准。
- 浏览 OpenClaw 包,并查看其家族、信任度和能力元数据。
- 通过
/packagesAPI 和 CLI 流程发布原生代码插件和捆绑插件。
onlycrabs.ai(SOUL.md 注册表)
- 入口是基于主机的:
onlycrabs.ai。 - 在 onlycrabs.ai 主机上,首页和导航默认显示灵魂。
- 在 ClawHub 上,灵魂位于
/souls路径下。 - 灵魂包目前仅接受
SOUL.md文件(不支持其他文件)。
工作原理(高层次)
- Web 应用:TanStack Start(React、Vite/Nitro)。
- 后端:Convex(数据库、文件存储和 HTTP 操作)+ Convex Auth(GitHub OAuth)。
- 搜索:使用 OpenAI 嵌入模型(
text-embedding-3-small)结合 Convex 向量搜索。 - API 架构和路由:
packages/schema(clawhub-schema)。
CLI
常用 CLI 流程:
- 认证:
clawhub login、clawhub whoami - 发现:
clawhub search ...、clawhub explore - 浏览统一目录(技能 + 插件):
clawhub package explore、clawhub package inspect <name> - 管理本地安装:
clawhub install <slug>、clawhub uninstall <slug>、clawhub list、clawhub update --all - 不安装直接检查:
clawhub inspect <slug> - 发布/同步技能:
clawhub skill publish <path>、clawhub sync - 发布插件:
clawhub package publish <source> - 规范化自有技能:
clawhub skill rename <slug> <new-slug>、clawhub skill merge <source> <target>
文档:docs/quickstart.md、docs/cli.md。
删除权限
clawhub uninstall <slug>仅会移除你本机上的本地安装。- 已上传到注册表的技能采用软删除/恢复机制(
clawhub delete <slug>/clawhub undelete <slug>或等效的 API 操作)。 - 软删除/恢复操作允许技能所有者、版主和管理员执行。
- 硬删除仅限管理员操作(通过管理工具或封禁流程)。
- 所有者重命名时,旧的别名 slug 会保留为重定向别名。
- 所有者合并时,源条目将被隐藏,旧的 slug 会被重定向到规范的目标。
遥测
ClawHub 会在你登录状态下运行 clawhub sync 时,收集最少的 安装遥测数据(用于计算安装次数)。
可通过以下方式禁用:
export CLAWHUB_DISABLE_TELEMETRY=1
详情请参阅 docs/telemetry.md。
仓库结构
src/— TanStack Start 应用(路由、组件、样式)。convex/— 架构、查询/变更/动作以及 HTTP API 路由。packages/schema/— CLI 和应用共享的 API 类型及路由。docs/— 项目文档(架构、CLI、认证、部署等)。docs/spec.md— 产品与实现规格说明(适合初次阅读)。
本地开发
先决条件:Bun(Convex 通过 bunx 运行,无需全局安装)。
bun install
cp .env.local.example .env.local
# 编辑 .env.local — 请参考 CONTRIBUTING.md 获取本地 Convex 配置值
# 终端 A:本地 Convex 后端
bunx convex dev
# 终端 B:Web 应用(端口 3000)
bun run dev
# 种植示例数据
bunx convex run --no-push devSeed:seedNixSkills
完整设置说明(环境变量、GitHub OAuth、JWT 密钥、数据库种子等),请参阅 CONTRIBUTING.md。
环境变量
VITE_CONVEX_URL:Convex 部署 URL(https://<deployment>.convex.cloud)。VITE_CONVEX_SITE_URL:Convex 站点 URL(https://<deployment>.convex.site)。VITE_SOULHUB_SITE_URL:onlycrabs.ai 站点 URL(https://onlycrabs.ai)。VITE_SOULHUB_HOST:onlycrabs.ai 主机匹配(onlycrabs.ai)。VITE_SITE_MODE:SSR 构建的可选覆盖模式(skills或souls)。CONVEX_SITE_URL:与VITE_CONVEX_SITE_URL相同(认证和 Cookie)。SITE_URL:应用 URL(本地:http://localhost:3000)。AUTH_GITHUB_ID/AUTH_GITHUB_SECRET:GitHub OAuth 应用程序。JWT_PRIVATE_KEY/JWKS:Convex Auth 密钥。OPENAI_API_KEY:用于搜索和索引的嵌入模型 API 密钥。
Nix 插件(nixmode 技能)
ClawHub 可以在 SKILL 的 frontmatter 中存储一个 nix-clawdbot 插件指针,以便注册表知道要安装哪个 Nix 软件包束。Nix 插件与常规技能包不同:它将技能包、CLI 二进制文件及其配置标志/要求打包在一起。
将以下内容添加到 SKILL.md:
---
name: peekaboo
description: 使用 Peekaboo CLI 捕获并自动化 macOS UI。
metadata:
{
"clawdbot":
{
"nix":
{
"plugin": "github:clawdbot/nix-steipete-tools?dir=tools/peekaboo",
"systems": ["aarch64-darwin"],
},
},
}
---
通过 nix-clawdbot 安装:
programs.clawdbot.plugins = [
{ source = "github:clawdbot/nix-steipete-tools?dir=tools/peekaboo"; }
];
你还可以声明配置要求以及示例片段:
---
name: padel
description: 通过 Playtomic 查看帕德尔球场可用情况并管理预订。
metadata:
{
"clawdbot":
{
"config":
{
"requiredEnv": ["PADEL_AUTH_FILE"],
"stateDirs": [".config/padel"],
"example": "config = { env = { PADEL_AUTH_FILE = \"/run/agenix/padel-auth\"; }; };",
},
},
}
---
为了显示 CLI 帮助信息(建议用于 Nix 插件),请包含 cli --help 的输出:
---
name: padel
description: 通过 Playtomic 查看帕德尔球场可用情况并管理预订。
metadata: { "clawdbot": { "cliHelp": "padel --help\\n用法: padel [命令]\\n" } }
---
推荐使用 metadata.clawdbot,但也接受 metadata.clawdis 和 metadata.openclaw 作为别名。
技能元数据
技能会在 SKILL.md 的 frontmatter 中声明其运行时要求(环境变量、二进制文件、安装规范)。ClawHub 的安全分析会将这些声明与技能的实际行为进行比对。
完整参考:docs/skill-format.md
快速示例:
---
name: my-skill
description: 使用 API 做某件事。
metadata:
openclaw:
requires:
env:
- MY_API_KEY
bins:
- curl
primaryEnv: MY_API_KEY
---
脚本
bun run dev
bun run build
bun run test
bun run coverage
bun run lint
版本历史
v0.1.02026/01/07相似工具推荐
openclaw
OpenClaw 是一款专为个人打造的本地化 AI 助手,旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚,能够直接接入你日常使用的各类通讯渠道,包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息,OpenClaw 都能即时响应,甚至支持在 macOS、iOS 和 Android 设备上进行语音交互,并提供实时的画布渲染功能供你操控。 这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地,用户无需依赖云端服务即可享受快速、私密的智能辅助,真正实现了“你的数据,你做主”。其独特的技术亮点在于强大的网关架构,将控制平面与核心助手分离,确保跨平台通信的流畅性与扩展性。 OpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者,以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力(支持 macOS、Linux 及 Windows WSL2),即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面,旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点,将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师,还是想要深入探索模型潜力的开发者与研究人员,都能从中获益。其核心亮点在于极高的功能丰富度:不仅支持文生图、图生图、局部重绘(Inpainting)和外绘(Outpainting)等基础模式,还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外,它内置了 GFPGAN 和 CodeFormer 等人脸修复工具,支持多种神经网络放大算法,并允许用户通过插件系统无限扩展能力。即使是显存有限的设备,stable-diffusion-webui 也提供了相应的优化选项,让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎,专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式,采用直观的节点式流程图界面,让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景,也能自由组合模型、调整参数并实时预览效果,轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性,不仅支持 Windows、macOS 和 Linux 全平台,还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构,并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者,还是追求极致创作自由度的设计师与资深 AI 绘画爱好者,ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能,使其成为当前最灵活、生态最丰富的开源扩散模型工具之一,帮助用户将创意高效转化为现实。
markitdown
MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具,专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片(含 OCR)、音频(含语音转录)、HTML 乃至 YouTube 链接等多种格式的解析,能够精准提取文档中的标题、列表、表格和链接等关键结构信息。 在人工智能应用日益普及的今天,大语言模型(LLM)虽擅长处理文本,却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点,它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式,成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外,它还提供了 MCP(模型上下文协议)服务器,可无缝集成到 Claude Desktop 等 LLM 应用中。 这款工具特别适合开发者、数据科学家及 AI 研究人员使用,尤其是那些需要构建文档检索增强生成(RAG)系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性,但其核心优势在于为机器
LLMs-from-scratch
LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目,旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型(LLM)。它不仅是同名技术著作的官方代码库,更提供了一套完整的实践方案,涵盖模型开发、预训练及微调的全过程。 该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型,却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码,用户能够透彻掌握 Transformer 架构、注意力机制等关键原理,从而真正理解大模型是如何“思考”的。此外,项目还包含了加载大型预训练权重进行微调的代码,帮助用户将理论知识延伸至实际应用。 LLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API,而是渴望探究模型构建细节的技术人员而言,这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计:将复杂的系统工程拆解为清晰的步骤,配合详细的图表与示例,让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础,还是为未来研发更大规模的模型做准备