Membangun Skill Kustom OpenClaw: Tutorial Praktis

Skill bawaan OpenClaw mencakup alur kerja umum, dan ClawHub menampung banyak lagi. Namun yang paling penting sering kali adalah yang belum ada: otomatisasi yang disesuaikan dengan proyek dan alat Anda sendiri.

Tutorial ini menunjukkan cara membangun dua skill kustom. Yang pertama membungkus skrip Python yang mengonversi notebook Jupyter menjadi dokumen Word. Jika Anda menulis di notebook tetapi menyerahkan file .docx ke editor atau pemangku kepentingan, ini mengubah ekspor manual menjadi perintah garis miring. Yang kedua menghasilkan gambar dengan Nano Banana Pro melalui Replicate API, menambahkan manajemen kredensial dan pembatasan lingkungan di atas dasar-dasarnya.

Tutorial ini juga membahas sandboxing Docker, penyaringan berdasarkan metadata, dan memublikasikan skill ke ClawHub. Untuk gambaran lebih luas tentang platform OpenClaw, lihat OpenClaw Projects: What You Can Build dan panduan kami tentang skill agen teratas. 

Apa Itu Skill OpenClaw?

Skill adalah cara Anda menambahkan perilaku baru ke agen OpenClaw. Sebuah skill bisa sesederhana perintah garis miring yang memformat ulang kode, atau serumit alur kerja multi-langkah yang meninjau PR dan memposting komentar ke Jira atau Slack.

Jika Anda pernah menggunakan server MCP (Model Context Protocol) di Claude Code atau alat serupa, skill memiliki peran yang berbeda. Server MCP adalah proses terpisah yang mengekspos alat melalui protokol standar, cocok untuk integrasi yang memerlukan state persisten atau beberapa endpoint alat. 

Skill melewati semua itu: Anda menulis instruksi berbahasa natural yang dibaca dan diikuti agen saat runtime, sehingga lebih cepat dibuat ketika Anda hanya butuh satu hal diautomasi. Perbandingan OpenClaw vs Claude Code membahas lebih dalam tentang trade-off-nya.

Hook, titik ekstensi lainnya, berjalan otomatis saat sesuatu terjadi, seperti pemanggilan alat selesai atau model menghasilkan respons. Skill diam hingga pengguna mengetik perintah garis miring atau agen menilai skill relevan dengan tugas saat ini.

OpenClaw menyertakan 49 skill yang mencakup email, kalender, GitHub, otomasi browser, dan lainnya. Komunitas telah memublikasikan ribuan skill tambahan di ClawHub. Untuk latar belakang bagaimana platform ini berevolusi, lihat sejarah MoltBot ke ClawdBot.

Prasyarat

Anda memerlukan:

• OpenClaw terpasang dan berjalan via Telegram (panduan instalasi). Integrasi BotFather milik Telegram memiliki dukungan perintah garis miring terbaik, yang akan Anda gunakan untuk memicu skill sepanjang tutorial ini.
• uv terpasang (kedua skill di tutorial ini menggunakannya untuk dependensi Python)
• Kenyamanan menggunakan terminal, YAML, dan Markdown
• Token Replicate API untuk skill pembuatan gambar (pendaftaran gratis, bayar sesuai penggunaan)
• Akun GitHub berusia setidaknya satu minggu, jika Anda ingin memublikasikan ke ClawHub

Jika Anda lebih suka menjalankan OpenClaw dengan model lokal, tutorial OpenClaw dengan Ollama membahas penyiapan tersebut.

Membangun Skill OpenClaw Pertama Anda

Skill pertama ini membungkus skrip Python yang mengonversi notebook Jupyter ke dokumen Word, menangani pemformatan markdown, blok kode, gambar, tabel, dan hyperlink sehingga keluaran .docx mempertahankan struktur notebook asli. Jika Anda rutin menyerahkan konten notebook kepada orang yang bekerja di Word, ini mengubah ekspor manual menjadi satu perintah garis miring.

Buat folder skill di direktori skill terkelola OpenClaw:

mkdir -p ~/.openclaw/skills/notebook-to-docx

Skill di ~/.openclaw/skills tersedia di semua sesi Anda. Anda juga bisa menempatkannya di dalam proyek pada <project>/skills untuk membatasi cakupan ke ruang kerja tersebut, dan ketika sebuah nama muncul di kedua lokasi, salinan ruang kerja menang atas yang terkelola, yang pada gilirannya menimpa skill bawaan dengan nama yang sama.

Menulis SKILL.md

Setiap skill membutuhkan satu berkas: SKILL.md. YAML frontmatter di bagian atas menentukan bagaimana OpenClaw memuat skill, dan isi markdown di bawahnya berisi instruksi yang diikuti agen saat runtime.

Buat ~/.openclaw/skills/notebook-to-docx/SKILL.md, mulai dengan frontmatter:

---
name: notebook-to-docx
description: Convert Jupyter notebooks to Word documents with proper formatting
user-invocable: true
metadata: {"openclaw": {"requires": {"bins": ["uv"]}}}
---

name sekaligus menjadi perintah garis miring (/notebook-to-docx). description memberi agen satu kalimat yang digunakannya untuk menilai relevansi dengan tugas saat ini. Mengatur user-invocable: true mendaftarkan perintah garis miring di obrolan Telegram Anda. metadata JSON menangani penyaringan saat pemuatan: requires.bins memberi tahu OpenClaw untuk melewati skill ini jika uv tidak ada di PATH sistem alih-alih gagal saat runtime. 

Jika Anda menginginkan arah sebaliknya, di mana skill tidak pernah berjalan kecuali Anda secara eksplisit mengetik perintah garis miring, atur disable-model-invocation: true.

Tip: YAML frontmatter hanya mendukung nilai satu baris. String multi-baris atau block scalar akan menyebabkan galat parsing, itulah mengapa metadata berupa objek JSON satu baris alih-alih YAML bertingkat.

Di bawah frontmatter, tambahkan isi instruksi:

# Notebook to DOCX Converter
 
Converts Jupyter notebooks (.ipynb) to Word documents (.docx) with proper formatting.
 
## Usage
 
Run the conversion script:
 
	uv run --with nbformat --with python-docx --with Pillow python {baseDir}/notebook_to_docx.py <notebook_path> [output_path]
 
If output_path is not specified, creates a .docx file with the same name as the notebook.
 
## Features
 
- Markdown formatting preserved as Word styles (bold, italics, headings)
- Backticks preserved around inline code with monospace font
- Code blocks show triple backticks and language name, use Courier New font
- Non-code text uses Poppins font
- Images embedded with alt text
- Hyperlinks preserved and clickable
- Markdown tables converted to Word tables
 
## Requirements
 
- nbformat
- python-docx
- Pillow

{baseDir} adalah variabel template yang di-resolve menjadi path folder skill saat runtime, sehingga Anda tidak perlu meng-hardcode lokasinya. Ini penting saat orang lain memasang skill Anda di direktori berbeda. 

Flag uv run --with menarik tiga pustaka yang dibutuhkan skrip, membuat skill berdiri sendiri alih-alih mengasumsikan paket-paket tersebut sudah ada di lingkungan pengguna.

Skrip pendukung

Skrip Python ditempatkan di folder yang sama dengan SKILL.md. Sekitar 490 baris, terlalu panjang untuk dimuat di sini, jadi ambil skrip lengkap dari gist ini dan tempatkan sebagai notebook_to_docx.py di ~/.openclaw/skills/notebook-to-docx/. Skrip ini mencakup semua yang tercantum di bagian Fitur pada SKILL.md di atas.

Berikut entry point agar Anda dapat melihat gambaran tingkat tingginya:

def convert_notebook_to_docx(notebook_path, output_path=None):
	notebook_path = Path(notebook_path)
	if output_path is None:
    	output_path = notebook_path.with_suffix('.docx')
	else:
    	output_path = Path(output_path)
 
	with open(notebook_path, 'r', encoding='utf-8') as f:
    	nb = nbformat.read(f, as_version=4)
 
	doc = Document()
	create_styles(doc)
 
	style = doc.styles['Normal']
	style.font.name = 'Poppins'
	style.font.size = Pt(11)
 
	base_path = notebook_path.parent
 
	for cell in nb.cells:
    	if cell.cell_type == 'markdown':
        	process_markdown_cell(doc, cell.source, base_path)
    	elif cell.cell_type == 'code':
        	process_code_cell(doc, cell.source, cell.get('outputs', []))
 
	doc.save(output_path)
	print(f'Converted: {notebook_path} -> {output_path}')
	return output_path

Menguji skill

OpenClaw mengambil snapshot daftar skill saat sesi dimulai, tetapi file watcher bawaan akan mendeteksi berkas SKILL.md baru dalam sekitar 250 ms. Jika skill tidak muncul, mulai ulang sesi.

Berikut notebook yang akan kita gunakan sebagai uji coba:

Buka obrolan Telegram Anda dengan OpenClaw dan ketik /notebook-to-docx, lalu beri tahu notebook mana yang akan dikonversi:

Dokumen Word yang dihasilkan:

Heading, blok kode, pemformatan inline, dan hyperlink semuanya masuk ke gaya Word yang tepat. Jika ada yang terlihat tidak sesuai pada keluaran Anda, periksa bahwa daftar fitur di SKILL.md sesuai dengan yang didukung skrip.

Keamanan dan Sandboxing OpenClaw

OpenClaw dapat menjalankan eksekusi alat di dalam kontainer Docker, yang membatasi apa yang bisa disentuh skill yang bermasalah atau terkompromi pada mesin Anda. Pengaturan ini berada di agents.defaults.sandbox di dalam ~/.openclaw/openclaw.json, dan ada tiga mode yang dapat dipilih:

• "off" adalah default, dengan alat berjalan langsung di host tanpa lapisan isolasi.
• "non-main" menjaga sesi obrolan utama Anda tetap di host tetapi memindahkan sesi latar belakang dan otomatis ke dalam kontainer.
• Dengan "all", setiap sesi berjalan di dalam kontainer tanpa memandang konteks.

Di atas mode, Anda memilih tingkat akses workspace yang menentukan seberapa banyak sistem berkas Anda yang terlihat oleh kontainer. Defaultnya, "none", memberi sandbox direktori terisolasi sendiri di bawah ~/.openclaw/sandboxes tanpa akses ke berkas proyek Anda. 

Dengan "ro", workspace Anda di-mount read-only di /agent, sehingga agen dapat membaca kode tetapi tidak mengubah apa pun. "rw" melangkah lebih jauh dan memberikan akses baca-tulis penuh di /workspace.

Konfigurasi yang berfungsi yang men-sandbox sesi latar belakang sambil memberinya akses tulis terlihat seperti ini:

{
  "agents": {
	"defaults": {
  	"sandbox": {
    	"mode": "non-main",
    	"scope": "session",
    	"workspaceAccess": "rw"
  	}
	}
  }
}

Ini menjadi relevan saat skill Anda mulai memanggil API atau menangani kredensial. 

Saat sebuah skill berjalan di dalam kontainer, variabel lingkungan dari host tidak otomatis ada di sana. REPLICATE_API_TOKEN yang Anda ekspor di .bashrc tidak akan ada di dalam sandbox, jadi secret perlu melalui sistem konfigurasi OpenClaw, yang akan kita siapkan di bagian berikutnya.

Tip: Jika skill Anda menggunakan requires.bins di metadata untuk menyaring berdasarkan alat CLI, pemeriksaan itu berjalan di host saat pemuatan. Namun ketika agen di-sandbox, binary tersebut juga harus ada di dalam kontainer. Pasang melalui sandbox.docker.setupCommand atau buat image Docker kustom.

Sandboxing juga membatasi dampak saat operasi berkas atau perintah shell salah. Skill yang tanpa sengaja menjalankan rm -rf / mengenai sistem berkas kontainer alih-alih mesin Anda yang sebenarnya, yang merupakan alasan bagus untuk menyalakannya meski Anda memercayai kode sendiri. 

Untuk lebih lanjut tentang bagaimana alur kerja agen AI menangani batas keamanan, lihat AI Agent Workflows with Claude CoWork.

Membangun Skill Terhubung API

Skill kedua menghasilkan gambar menggunakan model Nano Banana Pro (Gemini 3 Pro Image) milik Google melalui Replicate API, yang berarti menyambungkan manajemen kredensial dan pembatasan lingkungan di atas dasar SKILL.md.

Buat folder skill:

mkdir -p ~/.openclaw/skills/nano-banana-pro

Buat ~/.openclaw/skills/nano-banana-pro/SKILL.md, mulai dengan frontmatter:

---
name: nano-banana-pro
description: Generate or edit images via Gemini 3 Pro Image on Replicate
user-invocable: true
metadata: {"openclaw": {"emoji": "🎨", "requires": {"env": ["REPLICATE_API_TOKEN"], "bins": ["uv"]}, "primaryEnv": "REPLICATE_API_TOKEN"}}
---

Strukturnya sama dengan skill pertama, namun bidang metadata melakukan lebih banyak hal. Sekarang mencakup dua saringan: requires.env memeriksa bahwa REPLICATE_API_TOKEN ada sebelum memuat skill, dan requires.bins memeriksa uv. Jika salah satunya tidak ada, skill akan dilewati secara senyap. 

Bidang emoji menetapkan ikon di daftar perintah garis miring Telegram. Dan primaryEnv memetakan REPLICATE_API_TOKEN ke pintasan apiKey di konfigurasi (lebih lanjut di bagian kredensial di bawah).

Jika Anda ingin UI Skills di macOS menawarkan instalasi sekali klik untuk binary yang dibutuhkan, tambahkan array install ke metadata:

metadata: {"openclaw": {"requires": {"bins": ["uv"]}, "install": [{"id": "brew", "kind": "brew", "formula": "uv", "bins": ["uv"], "label": "Install uv (brew)"}]}}

Di Linux, tangani instalasi secara manual atau melalui sandbox.docker.setupCommand.

Di bawah frontmatter, tambahkan isi instruksi:

# Nano Banana Pro Image Generator
 
Generate and edit images using Google's Nano Banana Pro model via the Replicate API.
 
## Usage
 
Run the generation script:
 
	uv run --with replicate python {baseDir}/generate.py --prompt "<user prompt>" [--aspect-ratio 1:1] [--output image.png]
 
## Options
 
- --prompt: The image description (required)
- --aspect-ratio: Ratio like 1:1, 4:3, 16:9 (default: 1:1)
- --output: Output file path (default: generated_image.png)
 
## Tips
 
- For text in images, be specific about fonts, size, and placement
- The model supports resolutions up to 2K
- Safety filtering is on by default

Isinya lebih singkat daripada skill pertama karena skrip pembuatan menangani sebagian besar kompleksitas. Variabel template {baseDir} bekerja sama, di-resolve ke folder skill saat runtime.

Skrip pembuatan

Tambahkan ~/.openclaw/skills/nano-banana-pro/generate.py:

import replicate
import urllib.request
import argparse
 
def main():
	parser = argparse.ArgumentParser()
	parser.add_argument("--prompt", required=True)
    parser.add_argument("--aspect-ratio", default="1:1")
	parser.add_argument("--output", default="generated_image.png")
	args = parser.parse_args()
 
	output = replicate.run(
    	"google/nano-banana-pro",
    	input={
        	"prompt": args.prompt,
        	"aspect_ratio": args.aspect_ratio,
        	"output_format": "png",
        	"safety_filter_level": "block_only_high",
    	},
	)
 
	# Replicate returns a FileOutput; download the image
	url = str(output[0]) if isinstance(output, list) else str(output)
	urllib.request.urlretrieve(url, args.output)
	print(f"Image saved to {args.output}")
 
if __name__ == "__main__":
	main()

Skrip ini mengurai argumen, memanggil replicate.run() dengan nama model dan parameter input, lalu mengunduh gambar yang dihasilkan. Pustaka replicate membaca REPLICATE_API_TOKEN dari lingkungan secara otomatis.

Mengonfigurasi kredensial API

Tambahkan entri ke ~/.openclaw/openclaw.json:

{
  "skills": {
	"entries": {
  	"nano-banana-pro": {
    	"enabled": true,
    	"apiKey": "r8_your_replicate_token_here",
    	"env": {
      	"REPLICATE_API_TOKEN": "r8_your_replicate_token_here"
    	}
  	}
	}
  }
}

Ada dua cara untuk memberikan kredensial di sini. Bidang apiKey adalah pintasan yang memetakan ke apa pun yang dinyatakan primaryEnv di metadata skill. Blok env memberi Anda kontrol yang lebih halus, memungkinkan Anda menyuntikkan beberapa variabel lingkungan jika skill membutuhkannya. 

Kedua pendekatan membatasi nilai ke run agen. Nilai ditetapkan saat run dimulai dan dibersihkan saat berakhir, sehingga tidak bocor ke lingkungan shell global Anda.

Pengujian

Mulai sesi OpenClaw baru dan panggil skill:

/nano_banana_pro generate a beautiful and accurate diagram of how backpropagation works

Berikut diagram yang dihasilkan skill melalui Nano Banana Pro di Replicate:

Gambar berhasil diterima, namun untuk sampai sini sempat ada jalan memutar. Versi pertama SKILL.md ini tidak memiliki bagian ## Rules, yang memberi ruang agen untuk berimprovisasi. Saat Nano Banana Pro mengembalikan error "service unavailable" karena permintaan tinggi, agen memutuskan sendiri untuk mencoba google/nano-banana (varian non-Pro) sebagai fallback dan menghasilkan gambar dengan model itu.

Dari perspektif agen, pilihannya masuk akal: menyelesaikan tugas dengan cara apa pun yang tersedia. Dari perspektif Anda, itu bukan yang diminta. Solusinya adalah menambahkan batasan perilaku pada isi instruksi:

## Rules
 
- Only use the google/nano-banana-pro model. Never fall back to other models like google/nano-banana or any alternative. If the model is unavailable or rate-limited, report the error to the user and stop.
- After generating an image, send the image file directly in the chat. Do not just save it to the workspace silently.

Agen memperlakukan instruksi di SKILL.md sebagai panduan, bukan batas keras, dan akan mengisi celah dengan penilaiannya sendiri. Apa pun yang tidak Anda larang, bisa saja ia coba. 

Jika sebuah perilaku penting bagi Anda, entah itu model mana yang dipakai, ke mana mengirim keluaran, atau apakah perlu mencoba ulang saat gagal, nyatakan dengan jelas di bagian Rules.

Publikasi dan Berbagi Skill di ClawHub

ClawHub adalah registri publik untuk skill OpenClaw, gratis untuk ditelusuri dan dipasang. Publikasi memerlukan akun GitHub yang berusia minimal satu minggu.

Menyiapkan CLI

Instal ClawHub CLI secara global:

npm i -g clawhub

Lalu lakukan autentikasi:

clawhub login

Ini akan membuka browser Anda untuk autentikasi GitHub. Setelah terautentikasi, Anda dapat mencari, memasang, dan memublikasikan skill dari terminal.

Memublikasikan skill Anda

Untuk memublikasikan skill pembuatan gambar:

clawhub publish ~/.openclaw/skills/nano-banana-pro \
  --slug nano-banana-pro \
  --name "Nano Banana Pro" \
  --version 1.0.0 \
  --tags latest

Parameter --slug adalah pengenal unik di ClawHub dan harus unik di seluruh registri. Jika seseorang sudah memublikasikan skill dengan slug tersebut, perintah akan gagal dengan error "only the owner can publish updates". Dalam kasus itu, pilih slug lain, misalnya yourname-nano-banana-pro.

Parameter --version mengikuti penomoran versi semantik. Setiap kali Anda memublikasikan pembaruan, naikkan nomor versi dan opsional tambahkan catatan perubahan:

clawhub publish ~/.openclaw/skills/nano-banana-pro \
  --slug nano-banana-pro \
  --version 1.1.0 \
  --changelog "Added image editing with --image-input flag"

ClawHub menyimpan riwayat versi sehingga pengguna dapat mengaudit perubahan dan kembali ke versi sebelumnya bila perlu.

Untuk operasi massal, clawhub sync --all memindai direktori skill Anda dan memublikasikan semua skill baru atau yang diperbarui sekaligus:

clawhub sync --all --bump patch

Memasang skill komunitas

Untuk memasang skill yang dipublikasikan orang lain:

clawhub search "calendar"
clawhub install caldav-calendar

Skill yang dipasang masuk ke ./skills secara default, yang akan dikenali OpenClaw sebagai skill workspace pada sesi berikutnya.

Sedikit catatan tentang skill pihak ketiga

Pada Januari 2026, peneliti keamanan di Koi menemukan 341 skill berbahaya di ClawHub dalam insiden yang dikenal sebagai ClawHavoc. Penyerang menggunakan nama skill tipuan (typosquatting) dan langkah instalasi "prasyarat" palsu untuk mendistribusikan Atomic macOS Stealer (AMOS), reverse shell, dan payload eksfiltrasi kredensial. 

Pada pertengahan Februari 2026, jumlahnya meningkat menjadi lebih dari 824 skill yang ditandai di lusinan kategori.

Sebelum memasang skill komunitas apa pun, baca SKILL.md dan berkas pendukungnya. Waspadai langkah instalasi "prasyarat" yang mencurigakan, kode yang diobfusikasi, atau perintah yang di-encode base64. ClawHub otomatis menyembunyikan skill dengan tiga atau lebih laporan pengguna, namun skill berbahaya baru bisa muncul lebih cepat daripada moderasi menanganinya. 

Alat seperti Clawdex dapat memindai skill yang terpasang terhadap basis data paket berbahaya yang diketahui.

Perlakukan skill pihak ketiga dengan kehati-hatian yang sama seperti kode pihak ketiga mana pun: tinjau sebelum menjalankan.

Kesimpulan

Antara format SKILL.md, pembatasan kredensial melalui openclaw.json, dan ClawHub CLI, Anda memiliki siklus penuh dari otomasi lokal hingga paket yang dibagikan. 

Sebagian besar pekerjaan dalam membangun skill OpenClaw baru adalah menulis instruksi yang jelas di isi markdown dan memutuskan apa yang perlu disaring di metadata. Kode sebenarnya, baik itu skrip konversi atau panggilan API, berada di berkas terpisah yang dapat Anda uji dan iterasikan secara independen.

Untuk melampaui cakupan yang dibahas tutorial ini, skill bawaan di repo OpenClaw menunjukkan bagaimana tim inti menyusun alur kerja yang lebih rumit. Ringkasan Claude Opus 4.6 membahas lebih jauh bagaimana pilihan model memengaruhi perilaku agen, dan kursus Introduction to Claude Models menawarkan praktik langsung dengan model di balik agen seperti OpenClaw.