OpenClaw 调教手册：从"能用"到"离不开"
上篇 《OpenClaw 刚配好就完了？几步调教让你的 AI 助手脱胎换骨》 教你给 AI 装上了人格和记忆。
但你可能发现——它还是只能等你说话才动，复杂任务经常翻车，token 费用蹭蹭涨。
这篇解决这些问题。
写在前面：这篇教程是折腾 OpenClaw 一个多月、踩了无数坑之后总结出来的实战经验。不是翻译官方文档，是真金白银的 token 烧出来的。每一个配置、每一个"推荐值"都是反复试错后的结论。
写这么长一篇不容易，如果对你有帮助， 恳请点个赞、留个评论，让更多人看到。有问题直接评论区问，看到都会回。白嫖可以，但互动一下更好——你的反馈也是继续写下去的动力
如果你还没看过上篇，建议先看完再来。本篇默认你已经：
- 写过 SOUL.md / USER.md / IDENTITY.md
- 知道 MEMORY.md 和 memorySearch 是什么
本篇覆盖 7 个主题，每个都是 手把手级别，配置可以直接复制粘贴：
- AgentS.md
- 记忆系统实战
- 子 Agent
- Cron 定时任务
- Skill 开发
- 多渠道接入
- 配置速查表
先看一眼效果对比：
一、AGENTS.md — 给 AI 写一部行为宪法
这是什么？为什么重要？
上篇我们写了 SOUL.md（它是谁）、USER.md（你是谁）、IDENTITY.md（名字和形象）。
但你有没有发现一个问题： AI 不知道该怎么工作。
它不知道每次新对话该先读什么文件，不知道记忆该写到哪里，不知道哪些操作可以自己做、哪些要先问你。就像招了一个很聪明的实习生，但没给他工作手册。
这就是 AGENTS.md 的作用—— 它是 AI 的工作手册。
打个比方：
- SOUL.md = 性格（“你是一个随和、实在的助手”）
- AGENTS.md = 工作手册（“每天上班先看邮件，写完代码要测试，删文件前要问我”）
AGENTS.md 放在 workspace 根目录（跟 SOUL.md 同级），OpenClaw 每次新 session 都会自动加载它。
Session 启动流程：AI 醒来第一件事该做什么？
这是 AGENTS.md 里最重要的部分。
AI 每次新 session 都是"失忆"状态——它不记得上次聊了什么。所以你需要告诉它： 醒来之后，按什么顺序读文件来恢复记忆。
在 AGENTS.md 里加上这段：
## Every Session
Before doing anything else:
1. Read \`SOUL.md\` — this is who you are
2. Read \`USER.md\` — this is who you're helping
3. Read \`memory/YYYY-MM-DD.md\` (today + yesterday) for recent context
4. If in MAIN SESSION (direct chat with your human): Also read \`MEMORY.md\`
Don't ask permission. Just do it.
逐行解释：
第 1-2 步：读 SOUL.md 和 USER.md。这两个文件很小（通常不到 1KB），读了之后 AI 就知道自己是谁、在帮谁。每次都读，成本可以忽略。
第 3 步：读今天和昨天的日志。这是最关键的——日志里记录了最近发生的事，读完之后 AI 就能接上之前的工作。为什么要读昨天的？因为如果现在是凌晨 1 点，今天的日志可能还是空的，昨天的才有内容。
第 4 步：只在主 session 读 MEMORY.md。这里有个细节——什么是"主 session"？
OpenClaw 里有很多种 session：
- 主 session：你直接跟 AI 聊天的对话（比如 Discord 私聊、WebChat）
- 群聊 session：
- 子 agent session：
- cron session：
MEMORY.md 里可能包含你的个人信息（项目状态、服务器配置等），不应该在群聊或其他 session 里加载。所以我们限制只在主 session 读。
小白提示：你不需要手动判断当前是什么 session。只要在 AGENTS.md 里写清楚规则，AI 会自己判断。OpenClaw 的 system prompt 里会告诉 AI 当前的 session 类型。
记忆写入规范：教 AI 怎么记笔记
光会读记忆不够，还得教它怎么 写 记忆。
上篇我们设计了分层记忆结构：
MEMORY.md ← 索引层
memory/projects.md ← 项目层
memory/infra.md ← 基础设施层
memory/lessons.md ← 教训层
memory/YYYY-MM-DD.md ← 日志层
但如果你不告诉 AI 该往哪一层写、用什么格式写，它要么全堆到 MEMORY.md 里（变成流水账），要么根本不写（下次就忘了）。
在 AGENTS.md 里加上写入规范：
## Memory
You wake up fresh each session. These files are your continuity.
### 记忆分层
| 层级 | 文件 | 用途 |
|------|------|------|
| 索引层 | \`MEMORY.md\` | 关于用户、能力概览、记忆索引。保持精简(<40行) |
| 项目层 | \`memory/projects.md\` | 各项目当前状态与待办 |
| 基础设施层 | \`memory/infra.md\` | 服务器、API、部署等配置速查 |
| 教训层 | \`memory/lessons.md\` | 踩过的坑，按严重程度分级 |
| 日志层 | \`memory/YYYY-MM-DD.md\` | 每日原始记录 |
### 写入规则
-**日志**：当天发生的事写入 \`memory/YYYY-MM-DD.md\`，格式：
[PROJECT:名称] 标题
-**项目状态**：项目有进展时同步更新 \`memory/projects.md\`
-**教训**：踩坑后写入 \`memory/lessons.md\`
-**MEMORY.md**：只在索引变化时更新，保持精简
### 铁律
- 记结论不记过程（"部署成功，用了 nginx 反代" ✅ vs 三页操作日志 ❌）
- 标签便于 memorySearch 检索
- "Mental notes" don't survive session restarts. Files do. 想记住就写文件。
这段规范的核心思想是： 记结论不记过程。
为什么？因为 AI 的上下文窗口是有限的。如果日志里全是"我先试了方案 A，不行，又试了方案 B，还是不行，最后用方案 C 成功了"这种流水账，读日志就要消耗大量 token。
正确的做法是只记：“用方案 C 成功了。方案 A/B 失败原因是 XX。”
下面是一个好日志和烂日志的对比：
烂日志：
### 部署
今天部署了项目。先试了直接跑，报错了。然后查了半天，发现是端口被占了。
用 lsof 查了一下，发现是 nginx 占了 80 端口。把 nginx 停了，项目跑起来了。
但是后来发现直接跑不行，需要用 nginx 反代。又配了 nginx，折腾了一个小时，
终于搞定了。配置文件在 /etc/nginx/sites-available/myapp。
好日志：
### [PROJECT:MyApp] 部署完成
-**结论**: 用 nginx 反代部署成功，监听 80 端口
-**文件变更**: \`/etc/nginx/sites-available/myapp\`
-**教训**: 直接暴露端口不可行，必须走 nginx 反代
-**标签**: #myapp #deploy #nginx
第二种格式，AI 用 memorySearch 搜"MyApp 部署"就能精准命中，而且一眼就能看到结论。
安全边界：什么能做，什么不能做
这部分很多人忽略，但非常重要。没有安全边界的 AI 可能会：
在 AGENTS.md 里加上：
## Safety
- Don't exfiltrate private data. Ever.
- Don't run destructive commands without asking.
- \`trash\` > \`rm\` (recoverable beats gone forever)
- When in doubt, ask.
## External vs Internal
**Safe to do freely:**
- Read files, explore, organize, learn
- Search the web, check calendars
- Work within this workspace
**Ask first:**
- Sending emails, tweets, public posts
- Anything that leaves the machine
- Anything you're uncertain about
## Group Chats
You have access to your human's stuff. That doesn't mean you share it.
In groups, you're a participant — not their voice, not their proxy.
关键原则：
- 内部操作自由，外部操作要问。读文件、搜索、整理——随便做。发消息、发邮件、任何"出去"的操作——先问。
- trash > rm。删文件用 trash（可恢复），不用 rm（永久删除）。
- 群聊里管住嘴。AI 能看到你的文件和记忆，但在群聊里不能替你说话，也不能泄露你的私人信息。
完整 AGENTS.md 模板
下面是一个可以直接复制使用的模板。把它保存为 workspace 根目录的 AGENTS.md：
# AGENTS.md - Your Workspace
This folder is home. Treat it that way.
## Every Session
Before doing anything else:
1. Read \`SOUL.md\` — this is who you are
2. Read \`USER.md\` — this is who you're helping
3. Read \`memory/YYYY-MM-DD.md\` (today + yesterday) for recent context
4. If in MAIN SESSION: Also read \`MEMORY.md\`
Don't ask permission. Just do it.
## Memory
You wake up fresh each session. These files are your continuity:
| 层级 | 文件 | 用途 |
|------|------|------|
| 索引层 | \`MEMORY.md\` | 核心信息和记忆索引，保持精简 |
| 项目层 | \`memory/projects.md\` | 各项目当前状态与待办 |
| 教训层 | \`memory/lessons.md\` | 踩过的坑，按严重程度分级 |
| 日志层 | \`memory/YYYY-MM-DD.md\` | 每日记录 |
### 写入规则
- 日志写入 \`memory/YYYY-MM-DD.md\`，记结论不记过程
- 项目有进展时同步更新 \`memory/projects.md\`
- 踩坑后写入 \`memory/lessons.md\`
- MEMORY.md 只在索引变化时更新
- 想记住就写文件，不要靠"记在脑子里"
### 日志格式
### [PROJECT:名称] 标题
-**结论**: 一句话总结
-**文件变更**: 涉及的文件
-**教训**: 踩坑点（如有）
-**标签**: #tag1 #tag2
## Safety
- Don't exfiltrate private data. Ever.
- Don't run destructive commands without asking.
- \`trash\` > \`rm\`
- When in doubt, ask.
**Safe to do freely:** Read files, search, organize, work within workspace
**Ask first:** Sending emails/tweets, anything that leaves the machine
## Group Chats
You have access to your human's stuff. That doesn't mean you share it.
In groups, you're a participant — not their voice, not their proxy.
## Tools
Skills provide your tools. When you need one, check its SKILL.md.
这个模板是精简版。随着你用 OpenClaw 越来越深入，你会不断往里加规则。我的 AGENTS.md 已经有 200 多行了——但都是一点点积累起来的，不是一次写完的。
二、记忆系统实战 — 让 AI 真正"记住"
上篇回顾
上篇我们做了两件事：
- 设计了分层记忆结构（MEMORY.md + memory/*.md）
但你可能遇到了这些问题：
- 聊了很长一段对话，AI 突然"失忆"了（上下文被压缩了）
本章解决这三个问题。
memoryFlush：对话再长也不丢记忆
问题场景：你跟 AI 聊了一个小时，讨论了很多重要决策。突然 AI 的回复变得奇怪——它好像忘了之前说的话。
这是因为 OpenClaw 的**上下文压缩（compaction）**触发了。每个模型都有上下文窗口限制（比如 Claude 是 200K token），当对话接近这个限制时，OpenClaw 会自动把旧的对话压缩成摘要，腾出空间。
压缩本身没问题，但问题是： 压缩过程中可能丢失细节。比如你们讨论了一个配置的具体参数值，压缩后可能只剩"讨论了配置问题"。
解决方案：开启 memoryFlush。
memoryFlush 的工作原理：
- OpenClaw 检测到上下文快满了（距离压缩还有一定余量时）
- 在压缩之前，先给 AI 发一条隐藏的提示：“上下文快满了，赶紧把重要信息写到文件里”
- AI 把关键信息写入 memory/ 目录下的文件
这样即使压缩丢了细节，重要信息已经持久化到文件里了。
配置方法：在 openclaw.json 里加上：
{
"agents":{
"defaults":{
"compaction":{
"reserveTokensFloor":20000,
"memoryFlush":{
"enabled":true,
"softThresholdTokens":4000
}
}
}
}
}
参数解释：
| | |
|---|
reserveTokensFloor | | |
memoryFlush.enabled | | true |
memoryFlush.softThresholdTokens | | |
softThresholdTokens 设成 4000 的意思是：当剩余空间不到 4000 token 时，触发 memoryFlush。这个值不能太小（太小了 AI 没空间写文件），也不能太大（太大了会频繁触发）。4000 是个不错的平衡点。
效果：开启后，你会发现即使聊了很久，AI 也能记住之前的关键信息。因为它在压缩前已经把重要的东西写到文件里了。
怎么知道 memoryFlush 触发了？ 你通常不会注意到——它是静默执行的。AI 会在后台写文件，不会打断你的对话。如果你开了 verbose 模式（ /verbose ），可以看到 🧹 Auto-compaction complete 的提示。
日志写入规范：让 memorySearch 更精准
上一章我们在 AGENTS.md 里定义了日志格式。这里深入讲讲为什么这个格式能提升 memorySearch 的精度。
memorySearch 的底层是 向量语义检索 ——它把你的搜索词和日志内容都转成向量，然后找最相似的。
这意味着：
- 标签 （
#deploy #nginx ）能显著提升召回率，因为搜索"部署"时， #deploy 标签会被匹配到 - 结构化格式 比自由文本更容易被精准匹配，因为关键信息集中在固定位置
- 一条日志一个主题 比"今天做了 A、B、C 三件事"更好，因为搜索 A 时不会被 B、C 干扰
实际效果对比：
搜索词：“nginx 部署问题”
非结构化日志 （命中率低）：
今天折腾了一天，先搞了数据库迁移，然后部署了新版本，nginx 配置改了一下...
→ 这条日志包含太多无关信息，向量相似度被稀释了。
结构化日志 （命中率高）：
### [PROJECT:MyApp] nginx 反代配置
-**结论**: 用 nginx 反代部署成功
-**教训**: upstream 要用 127.0.0.1 不要用 localhost（IPv6 问题）
-**标签**: #nginx #deploy #myapp
→ 标题、结论、标签都跟搜索词高度相关，精准命中。
自动记忆维护：防止记忆腐烂
日志写多了会有一个问题： 过期信息堆积。
比如三个月前你在调试一个 bug，日志里记了一堆调试过程。现在 bug 早就修了，这些日志就是噪音——它们会干扰 memorySearch 的结果。
解决方案： 定期维护。
在 HEARTBEAT.md 里加上每周维护任务：
## 记忆维护（每周一次）
读取 \`memory/heartbeat-state.json\`，检查 \`lastMemoryMaintenance\` 字段。
如果距今 >= 7 天：
1. 读最近 7 天的 \`memory/YYYY-MM-DD.md\` 日志
2. 提炼有价值的信息到对应文件（projects.md / lessons.md）
3. 压缩已完成一次性任务的日志为一行结论
4. 删除过期信息
5. 更新 \`heartbeat-state.json\` 的 \`lastMemoryMaintenance\` 为今天
然后在 workspace 里创建 memory/heartbeat-state.json：
{
"lastMemoryMaintenance":"2026-01-01"
}
AI 每次心跳时会检查这个文件，如果超过 7 天没维护，就自动执行维护流程。
维护的核心操作：
- 提炼：把日志里有长期价值的信息（项目决策、踩坑教训）搬到对应的层级文件
- 压缩：
- 清理：删除完全过期的信息（比如"明天要开会"这种过了就没用的）
memorySearch 进阶：免费 Embedding API
上篇提到了用 SiliconFlow 的免费 embedding API。这里给一个更详细的配置：
{
"memorySearch":{
"enabled":true,
"provider":"openai",
"remote":{
"baseUrl":"https://api.siliconflow.cn/v1",
"apiKey":"你的 SiliconFlow API key"
},
"model":"BAAI/bge-m3"
}
}
为什么推荐 bge-m3？
- 免费（SiliconFlow 的免费额度足够个人使用）
SiliconFlow API key 怎么获取？
memory_search 和 memory_get 怎么配合？
AI 内部的工作流程是这样的：
- AI 调用
memory_search("nginx 问题")，返回最相关的几条结果（包含文件路径和行号） - AI 调用
memory_get(path="memory/2026-02-18.md", from=47, lines=10)，精确读取那几行
这个两步走的设计很聪明：search 负责"找到在哪"，get 负责"读出来"。这样不需要把所有记忆文件都加载到上下文里，只读需要的部分。
三、子 Agent — 一个人变一支团队
什么是子 Agent？
到目前为止，你的 AI 是"单线程"的——你说一句，它做一件事，做完了再听你下一句。
但如果你要它做一个复杂任务呢？比如：“帮我审查这个项目的代码，检查安全漏洞、性能问题和代码风格。”
单线程的 AI 会从头到尾一个人干，可能要跑半个小时。而且中间你没法跟它聊别的——它在忙。
子 Agent 解决这个问题。
子 Agent 的原理很简单：主 AI（我们叫它"主脑"）可以 派出独立的 AI 进程 去执行任务。每个子 Agent 有自己的 session、自己的上下文，甚至可以用不同的模型。
打个比方：
- 没有子 Agent：你是老板，只有一个员工，所有活都他一个人干
- 有子 Agent：你是老板，有一个秘书（主脑），秘书可以派实习生（子 Agent）去干活
主脑负责理解你的需求、拆分任务、派活、汇总结果。子 Agent 负责执行具体任务。
怎么用？
在 OpenClaw 里，主脑通过 sessions_spawn 工具来派子 Agent。你不需要手动调用这个工具——只要在 AGENTS.md 里告诉 AI 它可以派子 Agent，它就会在合适的时候自动使用。
但你需要做两件事：
第一，在 AGENTS.md 里写明子 Agent 的使用规范：
## 子 Agent
如果任务比较复杂或耗时较长，可以派子 agent 去执行。
### 模型选择
| 等级 | 模型 | 适用场景 |
|------|------|----------|
| 🔴 高 | opus | 复杂架构设计、多文件重构、深度推理 |
| 🟡 中 | sonnet | 写代码、写脚本、信息整理（默认选这个） |
| 🟢 低 | haiku | 简单文件操作、格式转换、搜索汇总 |
默认用 sonnet，性价比最高。
只有真正需要深度思考的任务才上 opus。
纯机械操作用 haiku。
第二，在 openclaw.json 里配置模型别名：
{
"models":{
"your-provider/claude-opus-4":{"alias":"opus"},
"your-provider/claude-sonnet-4":{"alias":"sonnet"},
"your-provider/claude-haiku-4":{"alias":"haiku"}
}
}
把 your-provider 换成你实际用的 API 提供商和模型名。配置好之后，AI 派子 Agent 时就可以直接说"用 sonnet"，而不用写一长串模型全名。
小白提示：如果你只有一个模型（比如只有 Claude Sonnet），也完全可以用子 Agent。子 Agent 的价值不只是用不同模型——更重要的是 并行执行 和 隔离上下文。
模型分级的省钱效果
这是实打实的省钱技巧。
假设你让 AI 做以下任务：
不分级：三个任务都用 Opus（最贵的模型），总成本 $。
分级后：
实际体验下来， token 消耗能降 60-70%，因为大部分日常操作根本不需要最强模型。Haiku 搜个网页、改个文件名，跟 Opus 做得一样好，但便宜 10 倍以上。
上下文传递：子 Agent 的最大坑
这是用子 Agent 最容易踩的坑： 子 Agent 是"零上下文"的。
什么意思？主脑知道你之前聊了什么、项目背景是什么、有哪些约束。但子 Agent 不知道——它被派出去的时候，只能看到主脑给它的 task 描述。
所以， task 描述的质量决定了子 Agent 的输出质量。
一个好的 task 描述应该包含：
- 目标：
- 文件路径：
- 约束：
- 相关背景：
- 验收标准：
烂的 task 描述：
帮我审查一下代码
→ 子 Agent：审查什么代码？在哪？关注什么？输出什么格式？全靠猜。
好的 task 描述：
## 任务：代码安全审查
### 目标
审查 /root/project/src/ 目录下的所有 .js 文件，
重点检查 API 安全问题。
### 关注点
1. SQL 注入风险
2. 未验证的用户输入
3. 硬编码的密钥或 token
4. 缺少权限检查的 API 端点
### 约束
- 只读不写，不要修改任何文件
- 忽略 node_modules/ 和 test/ 目录
### 输出格式
按严重程度分级（🔴致命 / 🟡重要 / 🟢建议），
每个问题给出：文件路径、行号、问题描述、修复建议。
### 结果
写入 /root/project/SECURITY-REVIEW.md
看到区别了吗？第二种描述，子 Agent 拿到就能直接干活，不需要猜。
并发控制
子 Agent 可以并行跑——主脑可以同时派出多个子 Agent 执行不同任务。
但要注意 API 限流。大多数 API 提供商都有每分钟请求数限制（RPM）。如果你同时跑太多子 Agent，可能会触发 429（Too Many Requests）错误。
经验值： 同时最多跑 2 个子 Agent。如果你的 API 额度充足，可以试试 3 个，但 4 个基本上会 429。
另外， 有依赖关系的任务必须串行。比如：
任务 B 依赖任务 A 的输出，所以必须等 A 完成再派 B。主脑会自动处理这种依赖关系——前提是你在 AGENTS.md 里提醒了它注意这一点。
实战示例：让 AI 帮你做代码审查
完整流程：
- 你说：“帮我审查一下 /root/project 的代码安全”
- 主脑分析需求，决定这是个复杂任务，需要派 opus 级别的子 Agent
- 主脑构造 task 描述（包含文件路径、审查重点、输出格式）
- 主脑调用
sessions_spawn，派出子 Agent - 子 Agent 在独立 session 中执行审查（读文件、分析、写报告）
- 子 Agent 完成后，结果自动发回给主脑所在的聊天
- 主脑总结结果，通知你：“审查完成，发现 2 个致命问题和 5 个重要问题，详见 SECURITY-REVIEW.md”
整个过程中，你可以继续跟主脑聊别的事情——子 Agent 在后台独立运行，不会阻塞主对话。
四、Cron 定时任务 — 精确到分钟的自动化
Heartbeat vs Cron：先搞清楚区别
上篇我们讲了 Heartbeat（心跳），它能让 AI 定期检查服务状态、整理记忆。但 Heartbeat 有几个局限：
什么时候用 Heartbeat？
什么时候用 Cron？
- 想用便宜模型执行（比如用 Haiku 发新闻摘要）
Cron 的两种执行模式
这是理解 Cron 的关键。
模式一：Main Session（systemEvent）
往主 session 注入一条系统消息。AI 在下次活跃时会看到这条消息并处理。
适合：提醒、通知类任务。
{
"name":"开会提醒",
"schedule":{"kind":"at","at":"2026-02-23T09:50:00+08:00"},
"payload":{
"kind":"systemEvent",
"text":"提醒：10 分钟后有产品评审会议"
},
"sessionTarget":"main"
}
模式二：Isolated Session（agentTurn）
开一个全新的独立 session，AI 在里面执行任务，完成后把结果发回给你。
适合：需要执行操作的任务（搜索、生成报告、检查服务）。
{
"name":"每日早报",
"schedule":{"kind":"cron","expr":"0 9 * * *","tz":"Asia/Shanghai"},
"payload":{
"kind":"agentTurn",
"message":"搜索今天的科技新闻热点，整理成 5 条简报发给我。",
"model":"haiku"
},
"sessionTarget":"isolated",
"delivery":{"mode":"announce"}
}
注意 delivery: { "mode": "announce" } ——这告诉 OpenClaw 把执行结果发送到你的聊天渠道。如果不设 delivery，任务会静默执行（结果不会发给你）。
小白提示：sessionTarget: "main" 只能搭配 payload.kind: "systemEvent"，sessionTarget: "isolated" 只能搭配 payload.kind: "agentTurn"。搞混了会报错。
三种调度类型
1. at — 一次性定时
在指定时间点执行一次，执行完自动删除。
"schedule":{"kind":"at","at":"2026-02-23T16:00:00+08:00"}
适合：提醒、一次性任务。注意时间格式是 ISO 8601，带时区偏移（ +08:00 是东八区）。
2. every — 固定间隔循环
每隔 N 毫秒执行一次。
"schedule":{"kind":"every","everyMs":3600000}
3600000 毫秒 = 1 小时。常用值：
适合：定期巡检、轮询。
3. cron — cron 表达式
最灵活，支持标准 cron 表达式。
"schedule":{"kind":"cron","expr":"0 9 * * 1","tz":"Asia/Shanghai"}
这个表达式的意思是：每周一早上 9 点（上海时间）。
cron 表达式格式： 分 时 日 月 星期
常用表达式：
0 9 * * *0 9 * * 10 9,18 * * **/30 * * * *0 0 1 * *
重要：一定要设 tz （时区）！ 不设的话默认 UTC，你以为设的早上 9 点其实是下午 5 点（UTC+8）。
四个实用场景（完整配置，可直接复制）
场景 1：N 分钟后提醒我
最常用的场景。你跟 AI 说"20 分钟后提醒我喝水"，AI 会自动创建一个 cron 任务。
但你也可以手动创建。在 OpenClaw 的 webchat 或聊天渠道里直接说：
帮我设一个 20 分钟后的提醒：该喝水了
AI 会自动调用 cron 工具创建任务。如果你想手动配置：
{
"name":"喝水提醒",
"schedule":{
"kind":"at",
"at":"2026-02-23T04:20:00Z"
},
"payload":{
"kind":"systemEvent",
"text":"⏰ 提醒：该喝水了！"
},
"sessionTarget":"main"
}
场景 2：每天早上发新闻简报
每天早上 9 点，AI 自动搜索新闻并发给你：
{
"name":"每日早报",
"schedule":{
"kind":"cron",
"expr":"0 9 * * *",
"tz":"Asia/Shanghai"
},
"payload":{
"kind":"agentTurn",
"message":"搜索今天的科技和 AI 领域新闻热点，整理成 5 条简报。每条包含：标题、一句话摘要、来源链接。",
"model":"haiku"
},
"sessionTarget":"isolated",
"delivery":{"mode":"announce"}
}
注意这里用了 model: "haiku" ——新闻搜索和汇总是简单任务，用最便宜的模型就够了。
场景 3：每小时检查服务状态
如果你跑了一些服务（网站、API、数据库），可以让 AI 定期检查：
{
"name":"服务巡检",
"schedule":{
"kind":"every",
"everyMs":3600000
},
"payload":{
"kind":"agentTurn",
"message":"用 curl 检查以下服务是否在线：\n1. http://localhost:8080 (我的网站)\n2. http://localhost:3000 (API 服务)\n\n如果全部正常，不要通知我。只有挂了才通知，并说明哪个挂了、返回了什么错误码。",
"model":"haiku"
},
"sessionTarget":"isolated",
"delivery":{"mode":"announce"}
}
关键点： "只有挂了才通知我"。不加这句的话，AI 每小时都会给你发"一切正常"，很烦。
场景 4：每周一发项目周报
{
"name":"周报",
"schedule":{
"kind":"cron",
"expr":"0 10 * * 1",
"tz":"Asia/Shanghai"
},
"payload":{
"kind":"agentTurn",
"message":"读取 memory/ 目录下最近 7 天的日志文件，整理成一份周报。包含：本周完成的事项、进行中的项目、遇到的问题、下周计划。格式简洁，用 bullet points。",
"model":"sonnet"
},
"sessionTarget":"isolated",
"delivery":{"mode":"announce"}
}
周报需要理解和归纳能力，所以用 sonnet 而不是 haiku。
管理技巧
查看所有任务：
在聊天里直接问 AI：“列出所有 cron 任务”，或者用命令行：
openclaw cron list
查看执行历史：
openclaw cron runs --id <任务ID>
禁用而不是删除：
如果一个任务暂时不需要了，禁用它而不是删除。这样以后想重新启用很方便。
时区踩坑提醒：
再说一次—— 一定要设 tz 字段。我见过太多人设了"每天早上 9 点"的任务，结果因为没设时区，变成了 UTC 的 9 点（北京时间下午 5 点）。
五、Skill 开发入门 — 教 AI 学新技能
Skill 是什么？
Skill 是 OpenClaw 最强大的扩展机制。
简单说： Skill 就是一份给 AI 看的操作手册。你把"怎么做某件事"写成一个 Markdown 文件，AI 在需要的时候自动读取并按照里面的步骤执行。
举个例子：
- 你写了一个"天气查询 Skill"，里面写了"用户问天气时，调用 XX API，返回格式是 XX"
- AI 自动识别这是天气相关的请求 → 读取天气 Skill → 按步骤调用 API → 返回结果
Skill 不是插件，不是代码库 ——它本质上就是一个 Markdown 文件。AI 读了这个文件，就"学会"了一个新技能。
Skill 的加载机制
OpenClaw 从三个地方加载 Skill，优先级从高到低：
1.<workspace>/skills/ ← 你的 workspace 里的 skill（最高优先级）
2. ~/.openclaw/skills/ ← 全局 skill
3. 内置 skill ← OpenClaw 自带的（最低优先级）
如果同名 skill 在多个位置都有，高优先级的会覆盖低优先级的。
你自己写的 skill 放在 <workspace>/skills/ 目录下就行。
SKILL.md 结构详解
每个 skill 是一个目录，里面必须有一个 SKILL.md 文件：
skills/
weather/
SKILL.md ← 必须有，AI 读这个文件
scripts/ ← 可选，辅助脚本
fetch.sh
SKILL.md 由两部分组成：
第一部分：YAML frontmatter（元数据）
---
name:weather
description:>
获取天气信息。触发条件：用户问天气、气温、是否下雨、
穿什么衣服、需不需要带伞等。
---
description 是最关键的字段—— AI 靠这个判断是否触发你的 skill。
OpenClaw 启动时会读取所有 skill 的 description，放在 system prompt 里。当用户发消息时，AI 会扫描所有 skill 的 description，判断哪个最匹配。
所以 description 要写得 具体且全面：
- “触发条件：用户问天气、气温、是否下雨、穿什么衣服、需不需要带伞”
前者列出了各种可能的触发方式，后者太模糊，AI 可能不知道"穿什么衣服"也应该触发天气 skill。
第二部分：正文（操作指令）
正文就是你给 AI 的操作手册。写什么都行，但建议包含：
- 触发后第一步做什么
- 具体执行步骤
- 输出格式
- 错误处理
手把手写一个 IP 查询 Skill
我们来从零写一个实用的 skill：查询 IP 地址的地理位置信息。
第一步：创建目录
mkdir -p ~/.openclaw/workspace/skills/ip-lookup
第二步：写 SKILL.md
创建 ~/.openclaw/workspace/skills/ip-lookup/SKILL.md：
---
name: ip-lookup
description: >
IP 地址查询。触发条件：用户要求查询 IP 地址、
IP 归属地、IP 定位、"这个 IP 是哪里的"、
"帮我查一下 XX.XX.XX.XX"等。
---
# IP 地址查询
当用户要求查询 IP 地址信息时，按以下步骤执行：
## 步骤
1. 从用户消息中提取 IP 地址
2. 调用 web_fetch 访问：\`http://ip-api.com/json/{IP地址}?lang=zh-CN\`
3. 解析返回的 JSON 数据
4. 按以下格式回复用户：
## 输出格式
IP 查询结果：{IP}
位置：{country} {regionName} {city}
ISP：{isp}
组织：{org}
时区：{timezone}
## 错误处理
- 如果 API 返回 \`"status": "fail"\`，告诉用户"查询失败，可能是内网 IP 或无效地址"
- 如果网络超时，告诉用户"网络请求超时，请稍后重试"
## 注意事项
- ip-api.com 免费版有频率限制（45次/分钟），不要批量查询
- 不要查询用户没有明确要求查询的 IP
第三步：测试
直接跟 AI 说：“帮我查一下 8.8.8.8 是哪里的”
AI 会自动识别这是 IP 查询请求 → 读取 ip-lookup 的 SKILL.md → 调用 web_fetch 访问 ip-api.com → 按格式返回结果。
如果没触发，检查 description 是否覆盖了你的问法。比如你说的是"这个 IP 在哪"，但 description 里没写"在哪"这个触发词，就可能不触发。
第四步：迭代优化
第一版 skill 通常不完美。根据实际测试结果调整：
- 触发不了？→ 在 description 里加更多触发词
进阶：带脚本的 Skill
有些任务光靠 AI 调用 web_fetch 搞不定，需要跑脚本。
比如你想做一个"视频下载 Skill"——需要调用 yt-dlp 命令行工具。这时候可以在 skill 目录里放一个脚本：
skills/video-downloader/
SKILL.md
scripts/
download.sh
download.sh：
#!/bin/bash
URL="$1"
OUTPUT_DIR="/tmp/downloads"
mkdir -p "$OUTPUT_DIR" yt-dlp -o "$OUTPUT_DIR/%(title)s.%(ext)s""$URL" 2>&1
SKILL.md 里引用脚本：
---
name: video-downloader
description: >
视频下载。触发条件：用户发送视频链接、要求下载视频、
"帮我下载这个视频"、B站/YouTube/Twitter 视频链接等。
---
# 视频下载
## 前置条件
- 需要 yt-dlp 已安装（\`which yt-dlp\` 检查）
## 步骤
1. 从用户消息中提取视频 URL
2. 执行下载脚本：
\`\`\`bash
bash skills/video-downloader/scripts/download.sh "视频URL"
错误处理
- yt-dlp 未安装：提示用户运行
pip install yt-dlp - 下载失败：显示错误信息，建议检查 URL 是否正确
> 💡 **路径注意**：SKILL.md 里引用脚本时，用相对于 workspace 的路径（\`skills/video-downloader/scripts/download.sh\`），不要用绝对路径。这样 skill 在不同机器上也能用。
### Skill 开发最佳实践
**1. 把 AI 当实习生**
写 SKILL.md 的时候，想象你在给一个聪明但完全不了解这个任务的实习生写操作手册。步骤要清晰、具体、无歧义。
- ❌ "调用天气 API 获取数据"（哪个 API？怎么调用？参数是什么？）
- ✅ "调用 web_fetch 访问 \`http://api.example.com/weather?city={城市名}\`，解析返回的 JSON 中的 \`temperature\` 和 \`description\` 字段"
**2. 先手动跑通，再写 skill**
不要一上来就写 SKILL.md。先自己手动跟 AI 对话，把流程跑通一遍。确认可行之后，再把步骤整理成 skill。
**3. 错误处理必须写**
网络超时、API 返回异常、参数格式错误——这些情况一定要在 SKILL.md 里写清楚怎么处理。不写的话，AI 遇到错误会自己瞎猜，结果不可预测。
**4. 多轮测试不同的触发方式**
用不同的说法测试：
- "查一下北京天气"
- "今天要不要带伞"
- "明天冷不冷"
- "weather in Beijing"
确保 description 覆盖了各种可能的触发方式。
**5. 用 ClawHub 装现成的 skill**
不是所有 skill 都要自己写。OpenClaw 有一个社区 skill 市场：[clawhub.com](https://clawhub.com)
安装一个 skill：
\`\`\`bash
clawhub install <skill-slug>
更新所有已安装的 skill：
clawhub update --all
六、多渠道接入 — 随时随地找到你的 AI
支持哪些渠道？
OpenClaw 支持的渠道多到离谱：
| | |
|---|
| Discord | | 支持服务器+私聊，emoji reaction，markdown |
| Telegram | | |
| WhatsApp | | |
| Signal | | |
| Slack | | |
| iMessage | | |
| Google Chat | | |
| Matrix | | |
| IRC | | |
| Microsoft Teams | | |
| WebChat | | |
你可以 同时接入多个渠道。比如 Discord 私聊 + Telegram 群组 + WebChat，AI 会自动识别消息来源，回复也会发到对应的渠道。
Discord 接入（手把手）
Discord 是最推荐的渠道之一——功能丰富、配置简单、社区活跃。
第一步：创建 Discord Bot
- 打开 Discord Developer Portal
- 给你的应用起个名字（比如"我的 AI 助手"），点 Create
- 点 “Reset Token”，复制生成的 Token（ 这个 Token 只显示一次，务必保存好）
第二步：开启必要的权限
还是在 Bot 页面：
- 往下滚到 “Privileged Gateway Intents”
{
"channels":{
"discord":{
"token":"你的Bot Token（第一步复制的那个）",
"allowFrom":[
"server:你的服务器ID"
],
"ackReaction":"🫐"
}
}
}
参数解释：
| |
|---|
token | |
allowFrom | 允许哪些来源跟 AI 说话。 server:ID 表示整个服务器， user:ID 表示特定用户 |
ackReaction | AI 收到消息后立刻回复的 emoji，表示"收到了，正在处理" |
第六步：重启 OpenClaw
openclaw gateway restart
重启后，去 Discord 给你的 Bot 发条消息试试。如果一切正常，你会先看到一个 的 reaction（表示收到了），然后几秒后收到 AI 的回复。
常见问题
Q：Bot 在线但不回复消息？
- 检查 MESSAGE CONTENT INTENT 是否开启（第二步）
- 检查
allowFrom 是否包含了你的服务器 ID - 检查 Bot 是否有 “Read Message History” 权限
Q：Bot 回复了但内容是空的？
- 可能是模型 API 配置有问题，检查
openclaw.json 里的模型配置
Q：怎么让 Bot 只回复特定频道？
Telegram 接入（手把手）
第一步：创建 Telegram Bot
- 在 Telegram 里搜索 @BotFather
- BotFather 会给你一个 Token，复制保存
第二步：获取你的 Telegram 用户 ID
- 在 Telegram 里搜索 @userinfobot
第三步：配置 openclaw.json
{
"channels":{
"telegram":{
"token":"你的 Telegram Bot Token",
"allowFrom":[
"你的用户ID"
]
}
}
}
第四步：重启并测试
openclaw gateway restart
去 Telegram 找你的 Bot 发条消息测试。
Telegram 特有功能
- 语音消息：如果你配置了 TTS（文字转语音），AI 可以发语音消息
- 文件传输：
- 内联按钮：AI 可以在消息里附带可点击的按钮（需要额外配置）
多渠道同时在线
你可以在 openclaw.json 里同时配置多个渠道：
{
"channels":{
"discord":{
"token":"Discord Token",
"allowFrom":["server:123456789"],
"ackReaction":"🫐"
},
"telegram":{
"token":"Telegram Token",
"allowFrom":["你的用户ID"]
}
}
}
AI 会同时在 Discord 和 Telegram 上线。消息路由是自动的——Discord 来的消息回复到 Discord，Telegram 来的回复到 Telegram。
跨渠道注意事项
如果你同时用多个渠道，建议在 AGENTS.md 里加上格式适配规则：
## 平台格式
-**Discord/Telegram**: 可以用 markdown，代码块用 \`\`\` 包裹
-**WhatsApp**: 不支持 markdown 表格，用 bullet list 代替
-**Discord**: 多个链接用 <> 包裹防止预览刷屏
AI 会根据当前消息来源的渠道自动适配格式。
七、实用配置速查表
这一章把 openclaw.json 里最常用的配置参数整理成速查表。每个配置都是"问题 → 解决方案 → 配置 → 效果"的格式。
blockStreaming — AI 边想边发
问题：AI 回复很长的时候（比如写一段代码或一篇分析），你要等它全部生成完才能看到。如果回复有 2000 字，可能要等 30 秒才能看到第一个字。
解决：开启 blockStreaming。AI 会把回复分成多个块，边生成边发送。你几秒内就能看到第一块内容。
配置：
{
"agents":{
"defaults":{
"blockStreamingDefault":"on",
"blockStreamingBreak":"text_end",
"blockStreamingChunk":{
"minChars":200,
"maxChars":1500
}
}
}
}
参数解释：
| | |
|---|
blockStreamingDefault | | "on" |
blockStreamingBreak | | "text_end" |
blockStreamingChunk.minChars | | |
blockStreamingChunk.maxChars | | |
效果：开启后，AI 的长回复会分成多条消息发送，体验从"等半天突然蹦出一大段"变成"像打字一样逐段出现"。
也可以按渠道单独控制。比如 Discord 开、Telegram 关：
"channels":{
"discord":{"blockStreaming":"on"},
"telegram":{"blockStreaming":"off"}
}
ackReaction — 让用户知道 AI 收到了
问题：你发了一条消息，AI 在后台思考（可能要 10-20 秒），但你看不到任何反馈。你不确定它是在处理还是挂了。
解决：配置 ackReaction。AI 收到消息后立刻回一个 emoji reaction，表示"收到了，正在处理"。
配置：
在渠道配置里加上：
{
"channels":{
"discord":{
"ackReaction":"🫐"
},
"telegram":{
"ackReaction":"👀"
}
}
}
你可以用任何 emoji。比如 （思考中）、（处理中）、（看到了）、 等等，选一个你喜欢的。
效果：发消息后 1 秒内就能看到 emoji reaction，心里有底了。
compaction — 上下文不爆炸
问题：跟 AI 聊了很久，突然它开始"失忆"——忘了之前说的话。
原因：每个模型都有上下文窗口限制。聊天记录超过限制后，OpenClaw 会自动压缩旧对话（compaction），压缩过程中可能丢失细节。
解决：配置 compaction + memoryFlush（第二章详细讲过）。
配置：
{
"agents":{
"defaults":{
"compaction":{
"reserveTokensFloor":20000,
"memoryFlush":{
"enabled":true,
"softThresholdTokens":4000
}
}
}
}
}
相关命令：
/compact — 手动触发压缩（可以加指令，比如 /compact 重点保留技术决策 ）/new/reset/status — 查看当前 session 状态（token 用量、压缩次数等）
Heartbeat 调优
问题：AI 半夜给你发消息，或者心跳太频繁浪费 token。
解决：配置 activeHours 和心跳间隔。
配置：
{
"agents":{
"defaults":{
"heartbeat":{
"every":"30m",
"target":"last",
"activeHours":{
"start":"08:00",
"end":"23:00"
}
}
}
}
}
参数解释：
| | |
|---|
every | | "30m" |
target | | "last" |
activeHours.start | | "08:00" |
activeHours.end | | "23:00" |
设了 activeHours 之后，23:00 到 08:00 之间 AI 不会发心跳消息，不会打扰你睡觉。
时间是按你配置的时区来的。确保你在 openclaw.json 里设了正确的时区，或者在 USER.md 里写了你的时区。
其他实用配置一览
| | |
|---|
tools.exec.enabled | | true |
tools.web.search.enabled | | true |
tools.web.search.apiKey | | |
tools.media.image.enabled | | true |
agents.defaults.workspace | | "~/.openclaw/workspace" |
channels.*.textChunkLimit | | Discord: 2000, Telegram: 4096 |
Brave Search API 配置 （让 AI 能搜索网页）：
- 去 brave.com/search/api 注册
{
"tools":{
"web":{
"search":{
"enabled":true,
"apiKey":"你的 Brave Search API key"
}
}
}
}
配置 Checklist
按优先级排序，建议从上到下逐步配置：
- AGENTS.md：写好 session 启动流程 + 记忆规范 + 安全边界（30 分钟）
- memoryFlush：
- ackReaction：
- blockStreaming：
- Heartbeat 调优：设置 activeHours，别半夜打扰（5 分钟）
- memorySearch：配置免费 embedding API（10 分钟）
- 记忆维护：在 HEARTBEAT.md 里加每周维护任务（10 分钟）
- 模型分级：配置 alias，在 AGENTS.md 里写分配策略（15 分钟）
- Cron 任务：
- Skill 开发：写一个简单的自定义 skill 练手（30 分钟）
- 多渠道：
全部配完大概需要 2-3 小时。但不用一次全做——先做前 5 项（不到 1 小时），就能感受到明显的提升。
写在最后
上篇让你的 AI 有了人格和记忆，这篇让它有了工作规范、团队协作能力、自动化能力和扩展性。
到这一步，你的 OpenClaw 已经不是一个"聊天机器人"了——它更像一个 真正的私人助手：
- 能记住重要的事，而且自己维护记忆（memoryFlush + 自动维护）
当然，OpenClaw 能做的远不止这些。浏览器自动化、复杂工作流编排、多 Agent 协作……这些更深入的玩法，以后有机会再聊。
粤ICP备14082021号
免费POC，
零成本试错
