目录
- 1、openclaw必须的底层配置文件：
- 2、心跳（HEARTBEAT）机制
- 3、openclaw与LLM配合操作电脑完成任务的过程
- 4、openclaw调用工具（也生成工具）、sub-agent和skills等外援
- 5、openclaw的记忆：
- [6、openclaw应对危害信息（指令，如rm -rf）的防御策略：](#6、openclaw应对危害信息（指令，如rm -rf）的防御策略：)
- 7、openclaw防止上下文过长的方式
-
- [（1）context compression：](#（1）context compression：)
- （2）context过滤后嵌入prompt
- [（3）其他，soft trim、hard clear：](#（3）其他，soft trim、hard clear：)
- （3）context压缩后，效果变差的解决方式
- （4）何时压缩
- 8、clawHub：
1、openclaw必须的底层配置文件：
- ~/.openclaw/openclaw.json
- 系统的"大脑"：定义模型、渠道、端口、安全策略等所有全局核心设置。
- ~/.openclaw/workspace/ 目录下的七个文件（用户可以更改，但是不建议，容易导致多个文件之间内容出现矛盾；agent也能自己修改）：
- SOUL.md：agent人格设定，定义AI的性格、核心价值观和沟通风格；
- AGENTS.md：工作指南，规定AI处理任务的流程和规则；
- USER.md：用户说明书，让AI了解你------你的偏好、习惯、雷区；
- MEMORY.md：长期记忆，AI手动可编辑的长期记忆库，记录重要事实、项目进展、你的喜好，实现跨会话（session）的"记住"；
- IDENTITY.md：对外形象，区别于SOUL.md的内在，定义AI的"外在"样子------显示名称、主题色、问候语等；
- HEARTBEAT.md：自主意识，AI拥有"主动性"，定义定时任务和主动触发条件；
- BOOTSTRAP.md：用于全新工作空间的一次性初始化向导。
2、心跳（HEARTBEAT）机制
- 一些日常要定时等处理的任务可以放在HEARTBEAT.md中；
- 其中记录的任务不一定是很明确的，比如，可以指定任务"向目标前进"，在SOUL.md中定义过它的目标是"成为世界顶级学者"，那么它就会可能自己每隔一段时间去阅读某个paper，或者研究了某个模型写了篇笔记等等。
- 搭配心跳机制使用的系统------Cron job系统
-
一般工作逻辑：
-
一种妙用：：让AI学会等待
AI并不是真的会等待，对于"龙虾"来说，每一次对话都是一个重启，它只是在指定时间之后执行LLM给的指令；
再好的模型，也可能不会每次都能成功，当前最彻底的解决方式是在memory.md中规定好，只要有"xxx生成中"这类表达，都需要在x分钟之后检查网页。
- 没有cron job的一般情况
- 加了cron job的情况:
- 没有cron job的一般情况
-
3、openclaw与LLM配合操作电脑完成任务的过程
1、"龙虾"接收到任务，并将任务prompt发送给LLM，大模型识别到可以使用Read工具，返回Read工具调用指令；
大模型返回的是对Read工具调用的指令，有的LLM可能能力比较差，会光说不练，仅返回"我无法打开xxx文件......"。
2、"龙虾"使用Read工具，读取到文件中的问题，并将问题传给LLM，LLM返回答案和调用Write工具的指令；
3、"龙虾"使用Write工具将答案写入文件中，并返回Done完成标识给LLM，LLM将"主任，任务完成 [DONE]"内容返回。
4、openclaw调用工具（也生成工具）、sub-agent和skills等外援
- 可以调用工具；
- 也可以自己生成工具并使用；
- 调用sub-agent（sessions-spawn）：
其中，context engine指的是通过一定的策略，如"大龙虾"使用sub-agent分开处理长context（另外，加载skills时，初始仅加载他们的name、description等基本信息，也是一种context engine策略），从而使得自己的context window在可控范围内，本质上对于"大龙虾"来说就是进行了context compression。- 大龙虾"调用sub-agent这些"小龙虾"进行复杂任务处理（比如比较A、B两篇paper）:
- 调用skill：初始状态时加载所有的skill的name和description，按需确定真正使用某个skill时加载其所有的信息。
- 大龙虾"调用sub-agent这些"小龙虾"进行复杂任务处理（比如比较A、B两篇paper）:
5、openclaw的记忆：
对话页面"new session"按钮，一键清空当前记忆，但是不会完全清空，对于部分重要记忆会按照agent.md文档中的记录记忆的规则进行记录：
- AGENT.md中对长期记忆的记录规则:
- 使用memory_search和memory_get工具跨session获取记忆:
- 当前对话与历史记忆的RAG:
6、openclaw应对危害信息（指令，如rm -rf）的防御策略：
（使用内置规则）执行指令时，弹窗咨询用户意愿。
7、openclaw防止上下文过长的方式
（1）context compression：
- 对历史context进行摘要（可多次摘要），然后仅记录摘要后的内容；
- 主agent调用sub-agent处理任务，也是一种context压缩策略。
（2）context过滤后嵌入prompt
- 读memory的时候，使用的memory_search和memory_get工具其中就使用了一定的过滤机制；
- 按需加载真正要使用的skill，也是一种过滤策略。
（3）其他，soft trim、hard clear：
- 将工具的调用记录给抹掉（删除），或者直接使用 [这里曾经有个tool output] 进行替换；
- 也可以使用 [详见log1.txt] 这么一个说明和附件替换 [这里曾经有个tool output] ，好处是后续如果确实需要查看这个tool output时能调用Read工具直接获取；
（3）context压缩后，效果变差的解决方式
- 使用另一个LLM，将压缩后，效果变差的例子给该LLM，并让它进行总结反省，得到feedback信息，下次回答问题时，将这些feedback信息一起放在prompt中给到LLM；
（4）何时压缩
- openclaw使用最简单粗暴的方式：设置一定的长度阈值，超过这个阈值则开始进行压缩；
- 通过指令强制模型自己进行压缩一般不可行，因为模型本身是不喜欢对context进行压缩的，模型可能不一定会去执行压缩，如果想让模型进行自主压缩，需要对模型进行额外的压缩场景训练；
8、clawHub：
- 可以把它理解为 OpenClaw AI 的"插件应用商店"，可以找到、安装、分享skills；
- 官网：ClawHub
- 【国内腾讯skill社区：https://skillhub.tencent.com/】