OpenClaw技能开发：为ollama-QwQ-32B编写自定义Python工具
OpenClaw技能开发：为ollama-QwQ-32B编写自定义Python工具
1. 为什么需要自定义技能
去年冬天，当我第一次用OpenClaw自动整理电脑上的照片时，突然意识到一个问题：现有的技能市场虽然丰富，但总有些个性化需求无法满足。比如我想让AI助手帮我查询实时股票数据，却发现市场上没有现成的解决方案。这促使我踏上了开发自定义技能的旅程。
OpenClaw最迷人的地方在于它的可扩展性。通过开发自定义技能，我们可以让AI助手具备完全个性化的能力。就像给瑞士军刀添加专属刀片，让它成为真正属于你的工具。
2. 开发环境准备
2.1 基础环境配置
在开始之前，我们需要确保开发环境就绪。我的开发机是一台MacBook Pro，系统版本为macOS Ventura 13.5。以下是关键组件：
# 检查Node.js版本（要求v18+） node -v # v20.3.1 # 检查OpenClaw CLI版本 openclaw --version # 1.2.7 # 安装Python环境（建议3.9+） python3 --version # Python 3.11.4特别提醒：如果你使用ollama-QwQ-32B作为后端模型，需要确保模型服务已正常运行：
ollama list # NAME ID SIZE MODIFIED # qwq:32b xxxx...xxxx 32GB 2 days ago2.2 创建技能脚手架
OpenClaw提供了便捷的脚手架工具，可以快速生成技能项目结构：
openclaw skill create stock-query --template=python这个命令会在当前目录下生成如下结构：
stock-query/ ├── README.md ├── package.json ├── pyproject.toml ├── src/ │ ├── __init__.py │ ├── main.py │ └── tools/ │ └── __init__.py └── tests/ └── __init__.py3. 核心功能开发
3.1 设计技能架构
我的股票查询技能需要实现三个核心功能：
- 实时股票数据获取
- 历史K线查询
- 自选股监控提醒
考虑到Python生态的丰富性，我决定使用akshare作为数据源，结合pandas进行数据处理。首先安装依赖：
pip install akshare pandas3.2 工具类封装
在src/tools/stock.py中创建核心工具类：
import akshare as ak from datetime import datetime from typing import Dict, List, Optional class StockTool: def __init__(self, api_key: str = None): self.api_key = api_key def get_realtime_quotes(self, symbols: List[str]) -> Dict: """获取实时股票行情""" try: df = ak.stock_zh_a_spot() if not symbols: return df.to_dict('records') return df[df['代码'].isin(symbols)].to_dict('records') except Exception as e: return {"error": str(e)} def get_history_kline(self, symbol: str, start_date: str, end_date: str) -> Dict: """获取历史K线数据""" try: df = ak.stock_zh_a_daily( symbol=symbol, start_date=start_date, end_date=end_date, adjust="hfq" ) return df.reset_index().to_dict('records') except Exception as e: return {"error": str(e)}3.3 模型调用封装
为了让ollama-QwQ-32B能够理解并调用我们的工具，需要在src/main.py中实现适配层：
from openclaw.skill import BaseSkill from .tools.stock import StockTool import json class StockQuerySkill(BaseSkill): def __init__(self): super().__init__() self.stock_tool = StockTool() self.register_tool("get_stock_quotes", self.get_stock_quotes) self.register_tool("get_stock_history", self.get_stock_history) def get_stock_quotes(self, symbols: list) -> str: """供模型调用的股票查询接口""" result = self.stock_tool.get_realtime_quotes(symbols) return json.dumps(result, ensure_ascii=False) defget_stock_history(self, symbol: str, start_date: str, end_date: str) -> str: """供模型调用的历史数据接口""" result = self.stock_tool.get_history_kline( symbol, start_date, end_date ) return json.dumps(result, ensure_ascii=False)4. 调试与优化
4.1 本地测试方法
开发过程中，我使用以下方法进行本地测试：
# 测试脚本 test_skill.py from src.main import StockQuerySkill skill = StockQuerySkill() print(skill.get_stock_quotes(["600036", "000001"]))遇到的一个典型问题是AKShare的接口限制，我通过添加重试机制和缓存解决了这个问题：
from functools import lru_cache import time class StockTool: @lru_cache(maxsize=128) def get_realtime_quotes(self, symbols: List[str]) -> Dict: retry = 3 while retry > 0: try: df = ak.stock_zh_a_spot() # ...处理逻辑 return result except Exception as e: retry -= 1 time.sleep(1) return {"error": "API请求失败"}4.2 与ollama-QwQ-32B集成测试
配置OpenClaw使用本地ollama服务：
// ~/.openclaw/openclaw.json { "models": { "providers": { "ollama-local": { "baseUrl": "http://localhost:11434", "api": "openai-completions", "models": [ { "id": "qwq:32b", "name": "QwQ-32B Local", "contextWindow": 32768 } ] } } } }测试自然语言交互：
用户：查询贵州茅台的最新股价 Agent: { "action": "get_stock_quotes", "args": { "symbols": ["600519"] } }5. 发布到ClawHub
5.1 打包技能
首先确保package.json配置完整：
{ "name": "stock-query", "version": "0.1.0", "description": "股票数据查询技能", "main": "src/main.py", "keywords": ["stock", "finance", "query"], "author": "YourName", "license": "MIT" }然后使用ClawHub CLI发布：
clawhub login clawhub publish --name stock-query --desc "股票数据查询技能" --public5.2 版本管理建议
在实际开发中，我采用了语义化版本控制：
- 主版本号：重大架构变更
- 次版本号：新增功能且向下兼容
- 修订号：问题修复
每次发布前，我都会：
- 更新CHANGELOG.md
- 运行完整的测试套件
- 检查依赖项安全性
6. 开发经验分享
在开发这个技能的过程中，我总结了几个关键经验：
模型适配层的重要性
ollama-QwQ-32B对工具调用的格式有特定要求。最初我直接返回Pandas DataFrame，导致模型无法正确解析。后来统一采用JSON字符串格式，并添加了详细的字段说明，显著提高了调用成功率。
错误处理的边界情况
金融API常有各种限制，比如：
- 非交易时段返回空数据
- 股票代码变更导致查询失败
- API限流和IP封锁
完善的错误处理能让技能更健壮。我最终实现了三级错误处理：
- 重试机制应对临时故障
- 缓存减少API调用
- 友好的错误消息返回
性能优化技巧
当技能需要处理大量数据时，我发现了几个优化点：
- 使用
@lru_cache装饰器缓存API响应 - 对DataFrame操作使用向量化计算
- 异步处理耗时操作
获取更多AI镜像
想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。