Taskr 是面向 OpenClaw 的云任务规划执行系统，通过 MCP API 实现人机协作透明化，让用户实时追踪 AI 工作进度，解决多步骤任务管理痛点。

基本信息

• 技能名称?taskr
• 中文名称?透明可追踪的 AI 任务管家
• 作者?echo-of-machines
• 分类?其他
• 版本?未标注
• 标签?productivity, project-program-management, operations, api, automation

使用方法

使用说明
核心用法
Taskr 采用「代理执行、人类观察」的双向架构。AI 代理通过 MCP API 创建任务、更新状态、记录笔记；用户则通过 Web 端（taskr.one）、VS Code 扩展或移动端实时查看进度。核心工作流遵循「计划-创建-执行-文档-重复」五步法：先将用户请求拆解为任务层级，用 create_task 构建结构，通过 get_task 获取当前任务并自动标记为进行中，完成后调用 update_task 更新状态，同时用笔记功能持久化上下文与发现，循环直至全部完成。
显著优点
透明性革命 是 Taskr 最大亮点。它彻底消除了「你在做什么？」的反复询问，用户可随时远程查看进度，建立信任并减少中断。跨会话记忆能力让长期项目不再丢失上下文；结构化的任务层级（支持父子任务）使复杂工作井然有序；自动完成的级联机制（子任务全完成则父任务自动完成）减少手动维护负担。此外，笔记系统作为持久化记忆，支持 CONTEXT/FINDING/PROGRESS/FILE_LIST 四种类型，实现知识的跨会话传承。
潜在缺点与局限性
场景适配成本 不容忽视。Taskr 源自编码工作流，内置大量编程导向的规则（如编译、测试覆盖率、代码行数限制等），非技术用户需主动过滤这些噪音。 generate_tasks 工具明确禁用，只能手动创建任务层级，对简单任务略显繁琐。免费版 200 次/小时的速率限制可能制约高频使用场景。更重要的是，它强制要求将工作数据同步至第三方云服务，对数据主权敏感的用户构成门槛。
适合的目标群体
多步骤任务执行者 是首要受众：编程开发、研究分析、内容创作等需要结构化拆解的领域。其次适合 异步协作需求者 ——管理者或客户希望不打扰地查看 AI 工作进展。跨会话的复杂项目、背景/长时间运行任务、需要审计追踪的合规场景同样受益。反之，单次快速操作（
使用风险
数据隐私风险 ：所有任务状态、笔记内容均上传至 taskr.one 服务器，虽经 HTTPS 加密，但仍属第三方托管。 凭证管理风险 ：API Key 泄露可能导致项目数据被非法访问。 服务依赖风险 ：taskr.one 的可用性直接影响功能，免费版存在速率限制瓶颈。 工作流惯性风险 ：一旦启用必须全程使用，中途放弃会破坏用户仪表盘的完整性，造成「僵尸任务」。

基于OpenClaw Hook架构，并行调用Kimi与GPT为多智能体提供认知多样性视角，有效消除模型偏见并增强决策质量。

基本信息

• 技能名称?openclaw-multi-brain
• 中文名称?多模型并行认知增强协议
• 作者?Dannydvm
• 分类?其他
• 版本?未标注
• 标签?api, development-engineering, productivity, automation, backend

使用方法

使用说明
Multi-Brain Protocol是一个为OpenClaw AI Agent设计的认知增强协议，通过系统级Hook机制在对话前并行调用多个大语言模型，实现"三脑协同"决策。用户只需在消息开头输入 mb 关键字，系统即自动触发Kimi K2.5和GPT 5.3 Codex进行并行推理，并将多视角分析注入主Agent的上下文，最终由Claude Opus综合形成回应，全程无需人工干预。
该协议的显著优势在于认知多样性增强。通过融合不同架构（Anthropic Claude、Moonshot Kimi、OpenAI Codex）和训练数据的模型视角，有效缓解单一模型的思维定势与训练偏见，特别适用于复杂决策、创意发散和偏见敏感场景。其Fail-open容错设计确保任一LLM故障不会中断主流程，且按需触发模式（keyword/hybrid/auto）让用户完全掌控Token消耗成本，避免持续运行的资源浪费。
然而，该方案存在明显局限性。首先是延迟成本，并行调用引入约5秒额外等待时间，不适合实时性要求极高的场景。其次是经济成本，每次触发消耗三倍Token（主模型+两辅助模型），长期高频使用将显著增加API费用。此外，作为T3级社区项目，缺乏企业级维护背书，代码更新与长期支持存在不确定性。
该技能最适合OpenClaw生态的深度用户、需要多视角辅助的开发者团队，以及从事复杂分析、创意写作、决策评估的知识工作者。对于处理高度敏感数据的企业环境，建议仅配合Ollama本地模型使用以避免数据外泄。
使用风险主要集中在数据隐私与API安全层面。用户消息将被明文发送至Moonshot、OpenAI等第三方API，存在数据泄露与合规风险；API密钥以明文形式存储于本地文件（~/.kimi-api-key），需严格做好文件权限管理；网络依赖性强，离线环境或API服务中断将直接导致功能失效。建议仅在非敏感场景使用，并定期审计~/.engram/perspectives/目录下的日志文件。

基于 Lokuli MCP 平台的拖车服务预订工具，可快速搜索附近救援车辆并完成在线预约，解决车辆故障紧急需求。

基本信息

• 技能名称?book-towing
• 中文名称?紧急道路救援一键预订
• 作者?edwardrodriguez703-design
• 分类?其他
• 版本?未标注
• 标签?api, operations, productivity, automotive, emergency-services, location-based

使用方法

使用说明
该 Skill 通过 MCP（Model Context Protocol）协议与 Lokuli 拖车服务平台对接，提供三项核心功能：基于地理位置的拖车服务搜索（search）、实时可用性查询（check_availability）以及在线预订（create_booking）。用户只需提供邮编、服务日期和个人联系方式，即可完成从查找附近救援车辆到预约具体时间段的全流程操作，所有通信均通过标准 SSE/JSON-RPC 2.0 协议进行。
作为纯文档型 MCP Skill，其最大优势在于零本地代码执行风险，仅包含配置说明和 JSON 请求示例，本质上是一个安全的"桥梁"配置。功能设计高度聚焦，针对车辆故障场景提供标准化的预订流程，避免了复杂冗余的功能堆砌。同时采用业界标准的 MCP 协议，确保了与各类支持 MCP 的 AI 助手和自动化工具的兼容性，部署和使用门槛极低。
然而，该 Skill 也存在明显局限性。首先，数据来源为 T3 级个人开发者（edwardrodriguez703-design），而非 Lokuli 官方维护，长期更新和维护的持续性存在不确定性。其次，服务范围目前主要面向美国市场（ZIP code 格式），地域覆盖有限。最重要的是，该 Skill 完全依赖 Lokuli 第三方服务的可用性，一旦对方服务器宕机或网络不可达，整个功能将立即失效，用户无法完成预订或获取服务状态。
主要面向在美国境内驾驶的车主、车队管理者以及经常需要长途驾驶的用户群体。特别适合在车辆突发故障、事故抛锚等紧急情况下，需要快速定位并预订可靠拖车服务的场景。对于不熟悉当地拖车公司联系方式的外地驾驶者，或在夜间、恶劣天气等紧急情况下需要自动化协助的用户，该 Skill 提供了便捷的数字化解决方案。
使用风险需重点关注个人隐私数据外泄问题：create_booking 功能必须将用户的真实姓名、邮箱和电话号码发送至 lokuli.com 及其关联的拖车服务提供商，存在数据被第三方存储、分析甚至转售的风险。其次是网络依赖性风险，需要确保稳定连接至 lokuli.com，在偏远地区信号薄弱或网络受限环境下可能无法正常使用。此外，作为非官方维护的 Skill，存在 Lokuli API 变更导致功能失效的兼容性风险，且缺乏官方技术支持渠道，出现问题时难以获得及时修复。

基于Chain-of-Density论文方法，通过5轮迭代实体注入，在固定字数内将稀疏文本转为高密度摘要，保留完整信息并提升可读性。

基本信息

• 技能名称?chain-of-density
• 中文名称?学术论文级迭代文本密度优化
• 作者?killerapp
• 分类?其他
• 版本?未标注
• 标签?content-media, docs, productivity, education-research

使用方法

使用说明
Chain-of-Density（CoD）是一项源自学术论文的先进文本摘要技术，通过独特的迭代加密方式，在不增加字数的前提下显著提升文本信息密度。该技能严格遵循《From Sparse to Dense: GPT-4 Summarization with Chain of Density Prompting》论文方法论，采用5轮渐进式优化流程，将冗长文档转化为高密度的结构化摘要。
核心用法
该技能采用"迭代实体注入"机制：首轮生成稀疏基础摘要（约80字），后续每轮识别1-3个源文本中的关键实体（需满足相关性、特异性、新颖性、忠实性、位置任意性五大标准），通过压缩冗余表述腾出空间，在严格保持目标字数的同时纳入新实体。整个过程通过 cod-iteration 子代理串行执行，配合 text_metrics.py 脚本确保字数精确控制，最终输出信息密度最大化的摘要及实体积累历史。
显著优点
首先，该方法突破了传统摘要"字数越少信息越少"的局限，通过实体追踪确保关键信息无遗漏。其次，结构化的5轮迭代提供了可观测的优化路径，每轮明确标注新增的实体，使摘要质量可验证、可复现。第三，基于Apache-2.0开源协议和学术级论文背书，方法论透明且经过同行评议验证。最后，纯本地文本处理机制确保敏感文档的隐私安全。
潜在局限
该方法不适用于法律合规文本（需绝对精确）、教程内容（初学者需要解释性文字）或已很简洁的文本（
适合人群
技术文档工程师可利用其压缩产品手册；产品经理可快速生成需求文档的Executive Summary；学术研究者能处理文献综述；内容运营人员可优化长文阅读体验。特别适合需要处理500字以上冗长文档、追求信息密度的知识工作者。
使用风险
除T3来源需谨慎审查外，主要风险在于性能延迟（多轮调用）和模型依赖。建议对敏感内容先在本地隔离环境测试，并避免用于需要100%精确保留原意的场景（如合同条款）。

纯文档型配置指南，帮助用户启用 Moltbot/Clawdbot 持久化记忆系统，实现跨会话上下文保持。

基本信息

• 技能名称?Memory Setup
• 中文名称?告别金鱼脑，配置持久化记忆系统
• 作者?jrbobbyhansen-pixel
• 分类?其他
• 版本?1.0.0
• 标签?memory, configuration, moltbot, clawdbot, persistence, vector-search, embeddings, documentation-only, context-management

使用方法

使用说明
核心用法
memory-setup 是一个纯文档型 Skill（T-MD 分类），旨在指导用户为 Moltbot/Clawdbot 配置持久化记忆系统。它不提供可执行代码，而是通过结构化文档帮助用户：

1. 启用记忆搜索 ：在 ~/.clawdbot/clawdbot.json 中配置 memorySearch 参数，包括选择嵌入模型提供商（voyage/openai/local）、设置索引模式（hot 实时索引）、调整相关性阈值（minScore）等
2. 建立记忆文件结构 ：创建 MEMORY.md 长期记忆文件，以及 memory/ 目录下的日志、项目、群组、系统偏好等子目录
3. 规范日常记录 ：提供 YYYY-MM-DD.md 格式的每日日志模板，确保对话历史可被向量化检索
4. 配置智能体行为 ：建议在 AGENTS.md 中加入记忆召回指令，让智能体在回答历史相关问题时主动搜索记忆
   显著优点
   零代码风险 ：纯 Markdown 文档，无可执行代码块，无文件系统操作，无网络请求，风险极低
   配置全面 ：涵盖从基础启用、文件结构、日志规范到故障排查的完整流程
   多提供商支持 ：支持 Voyage AI（推荐）、OpenAI、本地嵌入三种方案，适应不同预算和隐私需求
   即时生效 ：配置后重启 gateway 即可启用，无需重新训练或数据迁移
   解决核心痛点 ：明确针对"金鱼脑"问题（会话间失忆），提供系统性解决方案
   潜在缺点与局限性
   无自动化能力 ：用户需手动创建所有文件、编辑配置、维护目录结构，学习成本较高
   依赖外部 API ：若选择 voyage/openai 提供商，需自行管理 API Key 和费用
   无版本控制指导 ：未提及 MEMORY.md 的 Git 管理或备份策略
   BSS 环境发布 ：来源为个人开发者通过 BSS 环境发布，无 GitHub 可追溯历史，透明度有限
   许可证不明 ：文档未声明开源许可证，存在潜在使用合规风险
   适合人群
   使用 Moltbot/Clawdbot 且希望实现跨会话记忆的用户
   有一定技术背景、能手动编辑 JSON 配置和 Markdown 文件的开发者
   重视隐私、愿意采用本地嵌入方案避免云端 API 的用户
   需要长期项目管理、客户关系维护等场景的专业用户
   常规风险
   配置错误风险 ：minScore/maxResults 参数设置不当可能导致检索效果差或成本过高
   API Key 管理 ：用户需自行安全存储 VOYAGE_API_KEY / OPENAI_API_KEY，Skill 仅作说明无加密指导
   记忆污染 ：未提供记忆清理或敏感信息过滤机制，用户需自行维护 MEMORY.md 质量
   来源可信度 ：T3 级别来源，建议用户通读文档后再执行配置步骤