OpenClaw 人格工程实战：从默认模板到专属 AI 助手的 7 步调教法

摘星编程2026-04-24 8:11

OpenClaw 人格工程实战：从默认模板到专属 AI 助手的 7 步调教法

我用 OpenClaw 第一周的时候，它每次对话都要重新解释一遍我的代码风格偏好，烦得不行。第二周我开始认真研究 SOUL.md 和 USER.md，花了一个下午调整配置。第三周，它已经能记住"我讨厌 class 继承链"这件事了。差距就这么拉开了。

先说结论

OpenClaw（"小龙虾"，GitHub 315K+ Stars）最让我惊喜的不是它多强大，而是它的人可塑性------你可以通过几个 Markdown 文件，把一个通用 AI 捏成你自己想要的样子。SOUL.md、USER.md、AGENTS.md、MEMORY.md，这几个文件就是你的"调教工具箱"。

但问题是，很多人（包括一周前的我）只是往这些文件里填了个模板就完事了。用了一阵子发现 AI 还是"不太对"，就怪框架不好。其实不是框架的问题，是调教方法不对。

这篇文章记录了我从"填模板"到"真正用起来"的完整过程，整理成了 7 个步骤（外加一个部署前置步骤）。每一步都有我自己踩过的坑和最终的配置，希望能帮你少走弯路。

第零步：先在腾讯云上把 OpenClaw 跑起来

调教的前提是先得有一个跑着的 OpenClaw 实例。我选的是腾讯云轻量应用服务器（Lighthouse），理由很简单：官方有预装 OpenClaw 的应用模板，不需要自己折腾环境，几分钟就能用上。下面介绍两种部署方式，按需选择。

方式一：Lighthouse 一键模板部署（推荐新手）

这是最省事的路线，不需要任何 Linux 经验。

1. 购买服务器

打开腾讯云 OpenClaw 活动页面：cloud.tencent.com/act/pro/openclaw，点击"立即购买"。在应用模板选择器中：

应用模板 → AI Agent → OpenClaw (Clawdbot)

地域选择上有个小讲究：

  • 接入微信/QQ/飞书/钉钉 → 选国内（广州/上海）
  • 接入 Telegram/WhatsApp/Discord → 选海外（东京/新加坡）

配置方面，官方推荐最低 2 核 4GB 。我实测 2 核 2GB 也能跑起来，但跑复杂任务时会明显卡顿。如果预算允许，4 核 4GB 体验会好很多。促销价大约 38-99 元/年，标准 2 核 4GB 约 288 元/年。

2. 访问管理面板

购买完成后，大约 30 秒内自动部署完毕。在轻量应用服务器控制台找到你的实例，点击"应用管理"标签页，就能看到 OpenClaw 的管理入口和初始 Token。通过 http://<你的公网IP>:18789/#token=你的Token值 访问 Web 管理界面。

如果你之前已经有一台轻量服务器，也可以在控制台点"重装系统"，选择 OpenClaw 应用模板来一键安装，不需要重新购买。

这里我之前已经买过了轻量服务器，所以选择OpenClaw 应用模板来重装系统，无需任何操作，直接一键安装！

3. 配置模型

进入管理面板后第一件事是配置模型。有几个选择：

|------------------------------|------|-------------|
| 模型方案 | 费用 | 特点 |
| DeepSeek-V3.2（通过 NVIDIA API） | 免费 | 免费额度有限，适合体验 |
| 阿里百炼 Qwen3.5-Plus | 按量计费 | 性价比高，中文能力强 |
| 腾讯云 TokenHub 混元/GLM-5 | 按量计费 | 腾讯生态集成好 |

如果选择自定义模型（比如通过 NVIDIA 免费额度），需要编辑配置文件 ~/.openclaw/openclaw.json，在 models.providers 中添加新的模型提供商：

复制代码 
{
  "models": {
    "providers": {
      "nvidia": {
        "baseUrl": "https://integrate.api.nvidia.com/v1",
        "apiKey": "nvapi-你的API-Key",
        "api": "openai-completions",
        "models": [
          {
            "id": "moonshotai/kimi-k2.5",
            "name": "Kimi-K2.5",
            "reasoning": false,
            "input": ["text"],
            "contextWindow": 200000,
            "maxTokens": 8192
          }
        ]
      }
    }
  }
}

修改后重启网关生效：

复制代码 
# 通过 SSH 登录服务器后执行
systemctl --user restart openclaw-gateway.service

然后在 Web 面板或命令行中切换到新模型：

复制代码 
openclaw config    # 进入配置向导，在 Filter models by provider 中选择你添加的模型
openclaw gateway restart
openclaw tui       # 进入终端对话界面测试

4. 接入即时通讯工具

OpenClaw 支持多种 IM 通道，最常用的是飞书和 QQ。以飞书为例：

  1. 在飞书开放平台创建企业自建应用
  1. 记录 App ID 和 App Secret
  1. 在应用能力中添加"机器人"，开通全部权限
  1. 在"事件与回调"中选择长连接模式，勾选"消息与群组"相关的所有事件
  1. 创建版本并发布
  1. 回到腾讯云服务器的应用管理页面，在"通道"中选择飞书，填入 App ID 和 App Secret

这样就可以直接在飞书上跟你的 AI 助手对话了。

踩坑提醒：飞书机器人有个月度 API 调用限制（5 万次），高频使用可能会触顶。QQ 机器人需要先到 QQ 开放平台注册。Telegram 机器人需要选海外服务器并确保 IPv6 已开启。

方式二：手动安装（适合有服务器的同学）

如果你已经有一台腾讯云 CVM 或其他 Linux 服务器（Ubuntu 20.04+），可以用一行命令安装：

复制代码 
# 官方一键安装脚本
curl -fsSL https://openclaw.ai/install.sh | bash

或者通过 npm 安装：

复制代码 
npm install -g openclaw-cn@latest
openclaw-cn onboard --install-daemon

安装完成后会进入交互式配置向导：

  1. 引导模式选择 QuickStart（快速启动）
  2. 选择模型提供商（或选 Skip 后手动配置）
  3. 选择要接入的 IM 工具（没有可以先跳过）
  4. 设置会话保持方式（用空格键选择）

全部完成后，常用服务管理命令：

复制代码 
systemctl --user start openclaw-gateway     # 启动
systemctl --user restart openclaw-gateway   # 重启
systemctl --user stop openclaw-gateway      # 停止
systemctl --user status openclaw-gateway    # 查看状态

如果是纯命令行服务器（没有图形界面），可以通过 SSH 端口转发在本地浏览器访问管理面板：

然后在本地浏览器打开 127.0.0.1:18789/#token=你的Token值

复制代码 
ssh -N -L 18789:127.0.0.1:18789 root@你的服务器IP

性能优化建议

部署完成后，如果想要更稳定的体验，可以做几件小事：

  • 配置自动快照：在腾讯云控制台设置每日凌晨自动快照。我之前有次装了个有 bug 的插件导致系统崩了，靠快照回滚 30 秒就恢复了
  • 开启内网互联：如果你同时用了腾讯云的云数据库或对象存储，在控制台开启"内网互联"，传输速度是公网的 5-10 倍，还不占带宽
  • Docker 镜像加速 ：国内拉 Docker 镜像可能会超时，在 /etc/docker/daemon.json 里加上腾讯云内网镜像源地址可以解决

第一步：别急着改，先搞清楚"三层架构"

我一开始犯的错误就是直接冲去改 SOUL.md，改了半天发现 AI 行为还是不对。后来才明白，得先理解整个配置体系是怎么分层的。

|---------|---------------------------------------|----------------------------------|-----------|
| 层级 | 文件 | 作用 | 修改频率 |
| 人格层 | SOUL.md、IDENTITY.md | 定义"AI 是谁"------性格、价值观、自我介绍 | 低（稳定后很少改） |
| 协作层 | USER.md、AGENTS.md | 定义"AI 和你如何合作"------工作规范、记忆加载规则 | 中（随工作流微调） |
| 环境层 | TOOLS.md、HEARTBEAT.md、MEMORY.md | 定义"AI 在什么环境工作"------工具、定时任务、长期记忆 | 高（频繁更新） |

我踩过的坑 ：一开始把所有要求都塞进 SOUL.md，结果文件又臭又长，AI 反而无所适从。后来才学会各司其职------性格归 SOUL，习惯归 USER，规则归 AGENTS。

第二步：写一份真正有效的 SOUL.md

SOUL.md 是人格配置的核心。我一开始以为这东西就是一句话描述，比如"你是一个有帮助的助手"------大错特错。经过几轮调教，我发现一个有效的 SOUL.md 至少需要三个部分：

复制代码 
# Soul Configuration

## Core Truths（核心信条）
- 你是一个务实的工程助手，优先给出可落地的方案，而非理论分析
- 你主动识别问题，不等被问就指出潜在风险
- 你用中文交流，技术术语保留英文原文

## Boundaries（行为边界）
- 不修改你没有读过的代码
- 不执行不可逆的操作（如 force push、删库）前必须确认
- 遇到模糊需求时，先确认再行动，不猜测

## Vibe（沟通风格）
- 简洁直接，不说废话
- 用类比解释复杂概念，而非堆砌术语
- 错误信息用正常语言解释，不直接粘贴原始报错

调教心得：Core Truths 写法的"三条红线"

我总结了写 Core Truths 的三个雷区，踩中任何一个效果都会打折：

  1. 行为导向：描述"AI 应该做什么"，而非"AI 是什么"。❌ "你是一个专业的助手" ✅ "你优先给出可落地方案"
  2. 可验证：能明确判断 AI 是否遵守。❌ "你要认真工作" ✅ "不执行不可逆操作前必须确认"
  3. 互不重叠：每条规则覆盖不同维度。把"风格""行为""边界"分开，避免矛盾

Before vs After

调教前（默认模板）：

复制代码 
You are a helpful AI assistant.

调教后（经 3 轮迭代）：

复制代码 
## Core Truths
- 你是我的全栈开发搭档，同时关注前后端和 DevOps
- 代码修改遵循最小改动原则：不改不相关代码，不添加"顺便优化"
- 发现潜在 bug 时主动提出，但区分"必须修"和"建议修"

## Boundaries
- 不自行安装新依赖，需要时先说明理由等我确认
- 不在测试文件以外添加注释和 docstring，除非逻辑确实不直观
- 敏感操作（数据库变更、生产环境部署）必须列出影响范围后等我确认

说实话，我自己迭代了三轮才到这个版本。第一版写得像招聘 JD，第二版加了一堆"要细心""要负责"这种废话，第三版才终于想明白------每条规则得像给实习生写的操作手册，具体、可执行。

第三步：用 USER.md 建立"默契"

如果说 SOUL.md 定义了 AI 的性格，那 USER.md 就定义了你和 AI 之间的默契。它的目标是让 AI 不需要每次都问你"你想要什么风格"。

复制代码 
# User Profile

## 角色
- 全栈开发者，主力语言 TypeScript / Python
- 熟悉 React 和 Node.js 生态，对 Rust 有基础了解

## 工作偏好
- 偏好函数式风格，避免 class 继承链
- 命名习惯：变量 camelCase，常量 UPPER_SNAKE，文件 kebab-case
- 提交信息用中文，格式：`模块名: 简述改动`

## 沟通偏好
- 直接给代码，不需要解释每行在做什么
- 出错时先说"为什么错"，再说"怎么改"
- 不要在回复末尾加总结，我能看到 diff

## 禁忌
- 不要用 emoji
- 不要说"当然可以""没问题"之类的客套话
- 不要重写我没让你改的代码

一个重要发现：我在实际使用中发现，USER.md 里的"禁忌"比"偏好"有效得多。可能是因为否定句比肯定句更明确------"不要用 emoji"比"用简洁的风格"更容易被执行。建议把每次让你觉得"多余""烦人"的行为都写进禁忌，效果真的立竿见影。

第四步：配置 AGENTS.md------让记忆系统真正运转

这一步是我踩坑最深的地方。AGENTS.md 看起来不像 SOUL.md 那么有"存在感"，但它控制着 Agent 启动时加载哪些记忆、遵循什么协议。忽视它，你的 SOUL.md 写得再好也白搭。

复制代码 
# Agent Configuration

## Memory Protocol（记忆协议）

### 启动加载顺序
1. 读取 SOUL.md → 建立人格基线
2. 读取 USER.md → 了解用户偏好
3. 读取 MEMORY.md → 恢复长期记忆索引
4. 读取 TOOLS.md → 加载环境信息

### 对话中记忆规则
- 每次对话开始时，检查 MEMORY.md 索引，加载相关记忆文件
- 用户提到之前的项目或上下文时，先检索记忆再回答，不要凭空猜测
- 发现新的项目决策或重要上下文时，主动提议写入记忆

### Pre-compaction 安全网（关键配置）

这段配置里最值得展开讲的是 Pre-compaction 安全网------这是我在 velvetshark 的一篇文章里学到的，解决了困扰我很久的一个问题。

什么是 Compaction？

OpenClaw 的上下文窗口是有大小限制的。对话越来越长的时候，系统会自动触发 Compaction（压缩），把之前的对话历史做有损摘要来释放空间。这个机制我一开始完全不知道，直到有次做了一个多小时的重构，中间 AI 突然"失忆"了，忘了我们之前约定好的 API 命名规范。后来才明白是被 compaction 掉了。

如何防止关键信息丢失？

在 AGENTS.md 中配置 pre-compaction flush：

复制代码 
### Pre-compaction Flush
当检测到上下文即将被压缩时：
1. 将当前对话中的关键决策、未完成任务写入 MEMORY.md
2. 保存用户在本次对话中表达的偏好或禁忌
3. 记录任何尚未提交的代码变更摘要
4. 然后再执行压缩

**reserveTokensFloor: 40000**

reserveTokensFloor: 40000 这个参数是关键------它确保在压缩触发前，至少保留 40000 tokens 的空间来执行 flush 操作。没有这个参数的话，可能出现"还没来得及保存就被压缩了"的尴尬。

实战诊断命令

如果你怀疑记忆出了问题，OpenClaw 提供了诊断工具：

复制代码 
/context list

它会列出当前上下文中加载了哪些文件和记忆块。然后对照下面这个排查表：

我遇到过的三种典型问题：

第五步：搭建 MEMORY.md 长期记忆索引

MEMORY.md 是 OpenClaw 长期记忆的索引文件 。划重点：它是目录，不是正文。建议控制在 100 行以内，放链接和简短描述就好，详细内容放在单独的记忆文件里。

复制代码 
# Memory Index

## 项目
- [商城重构](memory/mall-refactor.md) --- 2026年Q1，React→Next.js迁移
- [支付模块](memory/payment.md) --- 微信/支付宝双通道，注意并发锁

## 用户偏好
- [代码风格](memory/code-style.md) --- ESLint配置和命名约定
- [Git规范](memory/git-convention.md) --- 分支策略和commit格式

## 踩坑记录
- [Redis连接池](memory/redis-pool-bug.md) --- 2026-03-15，连接泄漏问题及修复
- [部署脚本](memory/deploy-scripts.md) --- 腾讯云CICD配置备忘

记忆的四种类型

在构建记忆系统时，区分以下四种类型可以帮你决定什么值得记：

|----------|-----------------|------------------|------|
| 类型 | 示例 | 存储位置 | 更新频率 |
| 用户画像 | 角色背景、技术栈偏好 | USER.md / memory | 低 |
| 反馈经验 | "不要mock数据库"这类教训 | memory | 中 |
| 项目状态 | 当前进行的工作、决策 | memory | 高 |
| 外部引用 | 看板地址、文档链接 | memory | 中 |

实操建议 ：千万别一上来就建一堆记忆文件。我一开始就是这么干的，结果大部分文件后来都没用上。正确做法是遇到痛点再记------当你发现自己第三次向 AI 解释同一件事的时候，就是该写进记忆的时候了。

第六步：记忆搜索------让 AI "想起来"

前面几步解决了"怎么记"的问题，这一步解决的是"怎么找"------光记住了不够，AI 还得能在需要的时候想起来。OpenClaw 提供了两种记忆搜索方案：

Track A：内置本地搜索

基于 embeddinggemma 的混合搜索（向量 + 关键词），适合记忆文件总量较小的场景。

优点：零配置、无外部依赖、响应快

适用：个人开发者、小团队、记忆文件 < 100 个

Track B：QMD 后端搜索

适合大量文档的语义检索场景。

优点：支持更大规模的文档集合、检索精度更高

适用：团队协作、知识库管理、文档 > 100 个

我的建议：个人开发者直接用 Track A 就够了。等你哪天发现搜索结果开始"跑偏"了，再考虑升级到 Track B。过早优化搜索方案没意义。

补充：别忘了 TOOLS.md 和 HEARTBEAT.md

前面主要讲了人格和记忆相关的配置，还有两个文件提一下：

TOOLS.md 是环境备忘录------把常用路径、命令、API 配置写在这里，避免每次都要重新告诉 AI 你的项目结构。比如：

复制代码 
# Tools

## 项目路径
- 前端：/home/user/project/frontend
- 后端：/home/user/project/api

## 常用命令
- 启动开发环境：`pnpm dev`
- 跑测试：`pnpm test`
- 数据库迁移：`pnpm db:migrate`

HEARTBEAT.md 是定时任务配置------让 AI 定期自动执行一些事情，比如每天早上检查未完成的 TODO、每周清理过期的记忆文件。这个功能比较高级，建议先把前面 6 步跑通了再来折腾。

第七步：持续迭代------调教的闭环

最后想说一句大实话：人格配置不是一劳永逸的事。我现在的配置已经迭代了至少十几个版本，每次遇到"AI 又不听话了"的情况，就回去调整一两条规则。慢慢你会发现需要改的越来越少------不是 AI 变聪明了，是你把自己的需求想清楚了。

每日微调

  • 发现 AI 做了你不想要的事 → 写进 USER.md 的"禁忌"
  • 发现 AI 总是问你同一个问题 → 把答案写进记忆

每周回顾

  • 检查 SOUL.md 的 Core Truths 是否仍然有效
  • 清理过时的记忆文件（已完成的项目、已解决的问题）
  • 检查 AGENTS.md 的记忆加载顺序是否合理

使用 /context list 诊断

当 AI 表现不如预期时，我第一反应就是跑这个命令：

|-------------------|------------------------|--------------------------------|
| 症状 | 原因 | 解决方法 |
| AI 忘了之前的约定 | 记忆文件没被加载到上下文 | 检查 AGENTS.md 的加载规则 |
| AI 行为和 SOUL.md 矛盾 | SOUL.md 太长，关键指令被上下文截断了 | 精简 SOUL.md，每条 Core Truth 控制在一行 |
| AI 重复问已回答的问题 | 上次的回答没写入记忆文件 | 在 AGENTS.md 加强"主动记忆"的指令 |

完整配置文件模板

如果前面看完觉得还是无从下手，这里是我当前使用的最小可用配置，可以直接复制然后根据自己情况改：

SOUL.md

复制代码 
# Soul Configuration

## Core Truths
- 你是务实的工程助手，优先给出可执行方案
- 主动识别问题，不等被问就指出风险
- 用中文交流，技术术语保留英文

## Boundaries
- 不修改没读过的代码
- 不可逆操作前必须确认
- 模糊需求先确认再行动

## Vibe
- 简洁直接，不说废话
- 用类比解释复杂概念
- 正常语言描述错误，不贴原始报错

USER.md

复制代码 
# User Profile

## 角色
[填写你的角色和技术栈]

## 偏好
[填写你的编码和沟通偏好]

## 禁忌
[填写你不想要的行为]

AGENTS.md

复制代码 
# Agent Configuration

## Memory Protocol

### 启动加载
1. SOUL.md → 人格基线
2. USER.md → 用户偏好
3. MEMORY.md → 记忆索引
4. TOOLS.md → 环境信息

### 对话规则
- 相关上下文先检索记忆再回答
- 新发现的重要信息主动提议写入记忆

### Pre-compaction Flush
- 压缩前将关键决策和未完成任务写入 MEMORY.md
- reserveTokensFloor: 40000

MEMORY.md

复制代码 
# Memory Index
[开始为空，使用过程中逐步积累，控制在100行以内]

写在最后

回头看这几周的调教过程，我发现人格工程本质上做了一件事：把你的隐性知识变成显性规则。那些你觉得"理所当然"的工作习惯、代码风格、沟通偏好，其实都是你独特的"人格参数"。AI 不会读心术，你得一条一条告诉它。

7 步调教法的核心思路：

  1. 搞清楚三层架构------别把所有东西塞进一个文件
  2. 写好 SOUL.md------行为导向、可验证、互不重叠
  3. 用 USER.md 建立默契------禁忌比偏好更好用
  4. 配好 AGENTS.md------让记忆系统真正跑起来
  5. 搭建 MEMORY.md------从实践中自然积累
  6. 启用记忆搜索------让 AI "想得起"
  7. 持续迭代------调教是过程，不是终点

OpenClaw 给了一个好框架，但最终能调教出什么样的助手，取决于你对自己有多了解。这话听起来像鸡汤，但确实是实话------越了解自己，越能调教出好用的 AI。

本文基于 OpenClaw 开源框架的实际使用经验撰写，配置示例均为本人当前在用的简化版本。欢迎在评论区交流你的调教心得，特别是踩坑经验------好配置都是踩出来的。

标签：腾讯云OpenClaw玩虾大赛

相关推荐
九鼎创展科技2 小时前
联发科 MT8883 核心优势深度解析：对比 MT8385/MT8788/MT8183
人工智能·科技·嵌入式硬件·边缘计算
ZKNOW甄知科技2 小时前
燕千云ITR深度解析：大型企业如何建立服务价值流？
运维·人工智能·后端·科技·安全·自动化·用户运营
Agent手记2 小时前
等保三级合规：企业级智能体全链路数据安全落地方案 —— 2026年企业级AI Agent安全架构实战
人工智能·安全·ai·安全架构
byte轻骑兵2 小时前
【LE Audio】BASS精讲[2]: 从协议规则到交互逻辑全解
人工智能·音视频·le audio·低功耗音频·蓝牙通话
Zain Lau2 小时前
华为昇腾310P废物利用——大模型推理服务
人工智能·昇腾·310p·华为昇腾推理芯片
碧海银沙音频科技研究院2 小时前
博通BK7258原生语音识别与dump功能功能实现
人工智能·深度学习·算法
飞睿科技3 小时前
乐鑫信息推出ESP-Claw AI智能体框架，物联网进入“聊天造物”时代
人工智能·物联网·esp32·乐鑫科技·ai智能体
顾城猿4 小时前
NLP入门
人工智能·自然语言处理
独隅4 小时前
将MAE模型从PyTorch无缝迁移到TensorFlow Lite的完整实践指南
人工智能·pytorch·tensorflow
热门推荐
012026年4月技术前沿：AI大模型爆发、智能体革命与量子安全新纪元02GitHub 镜像站点032026年4月AI大事件深度解读：大模型竞争进入“深水区“04近期有什么ai的新消息，新动态？ 2026.4月052026 年 AI 编程助手全面对比评测：Cursor vs Copilot vs Claude Code vs GitHub Copilot Free06AI Weekly | 2026年4月第二周 · GitHub热门项目与AI发展趋势深度解析07codex app每次打开重连5次Reconnecting问题解决08CC-Switch & Claude 基于 Linux 服务器安装使用指南09从限购到畅通：GLM-5.1 Coding Plan接入攻略102026年AI前瞻：量子AI、具身智能与科学发现的新纪元