OpenClaw（龙虾）的核心机制不仅仅是 Function Calling，它比 Function Calling 更进了一步
OpenClaw（龙虾）的核心机制不仅仅是 Function Calling，它比 Function Calling 更进了一步。
准确地说，OpenClaw 采用的是“基于自然语言定义的 Skill（技能）”机制，而 Function Calling 只是它底层实现的一部分。
为了让你彻底明白这两者的区别，我们可以从定义方式、执行逻辑和灵活性三个维度来对比：
1. 核心定义的区别
- Function Calling (OpenAI 标准):
- 是“死”的接口契约。
- 你需要用严格的JSON Schema来定义函数。比如：
name: "get_weather",parameters: { "location": "string" }。 - 模型只能在你规定的框框里填空。如果你没定义这个参数，模型就填不了。
- OpenClaw (龙虾) 的 Skill:
- 是“活”的说明书。
- 它是用Markdown (自然语言)写的。你告诉模型：“这是一个关于 GitHub 的技能，你可以用
gh命令行工具来操作，如果遇到报错就重试...”。 - 模型是“读”懂了这份说明书，然后自己决定怎么用底层的工具（如
exec）去执行。
2. 执行逻辑的对比
| 维度 | Function Calling | OpenClaw (Skill) |
|---|---|---|
| 定义格式 | JSON Schema(机器可读，严格类型) | Markdown(人类可读，自然语言) |
| 谁在控制 | 代码驱动。模型只负责填参数，具体执行逻辑完全在你的代码里写死。 | 模型驱动。模型读取说明书后，自主决定调用哪些底层工具、按什么顺序调用。 |
| 灵活性 | 低。只能处理预定义好的场景，参数必须匹配。 | 高。模型可以根据说明书灵活应对未预料的场景（比如处理报错）。 |
| 底层实现 | 你的 Python/JS 代码直接执行。 | 模型调用底层的通用工具（如exec、web_fetch），这些底层工具才用了 Function Calling。 |
3. 形象的比喻
- Function Calling 就像“自动贩卖机”：
- 你（模型）只能按按钮（A1, A2），机器（代码）吐出对应的货。你不能要求它卖说明书里没写的东西，也不能教它怎么找零钱。
- OpenClaw 的 Skill 就像“给实习生一本操作手册”：
- 你给实习生（模型）一本《GitHub 操作指南》（Skill.md）。
- 你说：“帮我把这个 PR 合并了。”
- 实习生读懂了手册，自己拿起键盘（底层工具
exec），输入命令，如果报错了，它还会根据手册里的提示自己修。
总结
OpenClaw 的架构其实是两层抽象：
- 底层（Tool）：使用了类似 Function Calling 的机制，暴露出
exec（执行命令）、file_read（读文件）等原子能力。 - 上层（Skill）：这是 OpenClaw 的创新。它用自然语言把这些原子能力包装成“业务场景”。
所以，OpenClaw 不是简单的 Function Calling，它是“用自然语言编程”来指挥 Function Calling。这也是为什么 OpenClaw 能比传统 API 更灵活地处理复杂任务的原因。