大家好，我是讯享网，很高兴认识大家。这里提供最前沿的Ai技术和互联网信息。



在 2026 年的 AI 应用版图中，OpenClaw（也称 Clawdbot）无疑是一颗耀眼的新星。作为一个在 GitHub 上迅速突破二十万 Star 的开源项目，它的走红并非偶然。如果说 ChatGPT 让 AI 学会了“聊天”，那么 OpenClaw 则让 AI 学会了“干活”——而且是在你自己的电脑上、在你的私有数据环境里、按照你指定的流程规范去干活。

然而，随着 OpenClaw 的普及，一个普遍的问题浮出水面：为什么别人家的“龙虾”是得力干将，我家的却像个需要手把手教的实习生？

答案往往不在模型本身，而在于 OpenClaw 那套被严重低估的配置体系。这套体系的核心，是几份看似简单却至关重要的 Markdown 文件与 JSON 配置。

作为一名专业的大模型架构师，笔者深度拆解过 LangChain、AutoGPT、Semantic Kernel 等多个 Agent 框架。可以毫不夸张地说，OpenClaw 在“Prompt as Code”及“Agent 状态管理”上的设计哲学，代表了当前 Agent 工程化落地的最优解之一。

本文将不再停留在“如何安装”或“如何跑通 Hello World”的层面，而是直击灵魂，带您系统性地解读 OpenClaw 中的三大核心配置模块：AGENTS.md（含衍生人格文件）、openclaw.json（系统架构中枢）以及记忆系统。我们将从架构师视角出发，探讨如何通过组合这三者，构建一个稳定、安全、可进化的数字员工。

在 OpenClaw 的哲学中，工作区（Workspace）不仅仅是一个存放代码的文件夹，它是 Agent 的“家”。而在这个家中，AGENTS.md 扮演着最高指导原则的角色。

在很多早期的 AI 应用中，提示词（Prompt）往往是隐式的、随性的。但在 OpenClaw 中，AGENTS.md 被设计为一份结构化的操作手册（SOP）。它在每次会话启动时被自动加载，注入到 System Prompt 的上下文中。

根据最新的社区实践与官方演进，AGENTS.md 的标准结构通常包含以下几个核心域：

# Agent: 智能运维主管 description: 负责监控服务器状态、分析日志、执行常规发布 goals: - 确保系统 99.99% 可用性 - 自动化处理 80% 的重复告警 skills: - bash - log-analysis - cron-manager workflow: - 步骤 1：收到指令后，先通过 `htop` 或 `df -h` 检查资源 - 步骤 2：分析 `/var/log` 下的最新日志 - 步骤 3：若涉及变更，必须生成 `CHANGELOG.md` - 步骤 4：高风险操作（如重启服务）需征求确认 constraints: - 严禁执行 `rm -rf /*` - 严禁在未经确认的情况下修改 iptables output: format: markdown language: zh-CN

架构师视角：

AGENTS.md 的本质是 “约束下的规划”。它将大模型的“生成式自由”限制在了一个特定的“工作流管道”中。从架构图来看，它是连接“用户意图”与“工具调用”的关键中间层：

在实际的深度使用中，单一的 AGENTS.md 往往不足以应对复杂的角色扮演。因此，高阶用户通常会在 workspace 下衍生出三份“灵魂文件”：

1. IDENTITY.md（我是谁）：定义 Agent 的基础认知。例如“我是小银，一名银行理财经理 AI 助手”。这是 Agent 的“自我意识”基石。
2. SOUL.md（我的性格）：定义 Agent 的价值观与语气。例如“沟通风格：专业温柔；价值观：合规第一；禁止行为：不编造数据”。
3. USER.md（你是谁）：定义用户的偏好与背景。例如“称呼：王总；时区：Asia/Shanghai；偏好：输出必须附带表格；禁区：不要谈论加密货币”。

案例分析：

假设没有 USER.md，当你说“给我一份日报”时，Agent 可能会生成一份通用格式。但有了 USER.md，它会知道“王总”只关心“核心指标波动”和“异常告警”，且偏好“先结论后数据”。这就是从“通用智能”向“个性化智能”的跨越。

架构演进：
这种设计体现了 “关注点分离（Separation of Concerns）” 的架构原则。

• AGENTS.md 负责 “怎么做”。
• SOUL.md 负责 “怎么说话”。
• USER.md 负责 “为谁做”。

这三者组合起来，构成了 Agent 的完整“人设”，使得 Prompt 的可维护性和复用性大大增强。

如果说 Markdown 文件定义了 Agent 的“软实力”，那么 openclaw.json 就是它的“硬骨架”。这是一个 JSON5 格式的文件（支持注释，极其友好），通常位于 ~/.openclaw/ 目录下。它控制着 Agent 的物理运行环境、模型策略、安全边界和通信渠道。

模型策略与 temperature 玄学

openclaw.json 中的 agents.defaults.model 字段决定了 Agent 的“大脑”。

"agents": { "defaults": { "model": { "primary": "anthropic/claude-sonnet-4-5", // 主模型，擅长逻辑与长上下文 "fallbacks": ["openai/gpt-5.2"] // 降级策略，提升可用性 }, "temperature": 0.2 // 极低温度，确保任务执行的确定性 } }

架构师解读：
在企业级应用中，“稳定性” 远大于“创造性”。对于执行具体任务（如写代码、操作文件）的 Agent，建议将 temperature 调低至 0.2 甚至 0。我在实际项目中曾踩过坑：某次将温度设为 0.8，Agent 在执行数据库查询时，竟然“创造性”地修改了 SQL 语句中的表名，导致报错。过高的温度会引入“幻觉”，尤其是在调用 Tool 时，低温度能保证 JSON Schema 的生成更加规范和稳定。

渠道与安全：allowFrom 与 dmPolicy

OpenClaw 支持多渠道接入（WhatsApp、Telegram、HTTP）。但开放接口意味着风险。

"channels": { "whatsapp": { "allowFrom": ["+78"], // 严格白名单 "dmPolicy": "pairing", // 新用户需配对码，防止滥发消息 "groups": { "*": { "requireMention": true } // 群里必须 @ 才回复，避免刷屏 } } }

安全架构视角：
这是典型的零信任安全模型在 Agent 系统中的应用。默认情况下，Agent 不应信任任何未经验证的输入源。allowFrom 相当于应用层的防火墙，pairing 模式则是二次验证。根据天融信的安全研究报告，OpenClaw 如果不加配置，等同于赋予了外界对本地系统的“完全掌控权”。因此，合理的渠道配置是生产环境部署的底线。

沙箱模式：sandbox.mode

对于需要执行外部代码或不可信任务的环境，OpenClaw 提供了沙箱配置。

"sandbox": { "mode": "non-main" // 非主任务在隔离环境执行 }

这允许架构师将高风险操作（如解析用户上传的未知 Excel 宏）与核心系统环境隔离开，极大提升了系统的鲁棒性。

"session": }

成本优化视角：
大模型的 Token 成本不容忽视。如果不设置 session.reset，一个长期运行的 Agent 的上下文可能会膨胀到数万 Token，每次调用都伴随着高昂的成本和延迟。通过“每日重置”或“空闲回收”，可以强制 Agent 归档长期记忆到向量库，仅保留核心 System Prompt 和近期摘要，这是一种典型的上下文窗口优化策略。

OpenClaw 的记忆系统并非简单的 KV 存储，而是一个分层架构：

1. 短期记忆（会话缓存）：存储在 openclaw.json 定义的 session 中，用于维持当前对话的连贯性。
2. 长期记忆（向量数据库）：通过 openclaw memory import 导入文档，或自动记录对话历史。启用 enableRetrieval: true 后，Agent 在每次对话前会检索 topK 条最相关的历史记录或知识片段，注入上下文。
3. 工作记忆（MEMORY.md）：这是 OpenClaw 的一个巧妙设计。Agent 可以在执行任务过程中，将关键结论、中间结果写入 MEMORY.md 文件。这使得 Agent 即使重启，也能通过读取该文件“回忆”起之前的进度。

架构图：记忆流

如果说 Prompt 是大脑，Skill 就是手脚。OpenClaw 的 Skill 机制是其生态繁荣的关键。

一个标准的 Skill 包含两部分：

1. 描述元数据（YAML Frontmatter）：告诉 Agent 这个技能是干嘛的、需要什么权限。
2. 执行逻辑（JS/Python/Shell）：实际干活的代码。

// ~/.openclaw/skills/generate_report/index.js module.exports = async (ctx) => { const { memory, input } = ctx; // 1. 从记忆中读取昨天的数据 const yesterdayData = await memory.get('daily_sales'); // 2. 处理数据 const report = `今日销售额：${yesterdayData.total}`; // 3. 写回记忆 await memory.set('last_report', report); return report; };

架构视角：
Skill 本质上是一种 “注册即用”的工具函数。Agent 通过分析 Skill 的 Markdown 描述来决定调用哪个 Skill，通过 JSON Schema 来传递参数。这种机制让 OpenClaw 具备了极强的可扩展性——无需修改核心代码，就能让 Agent 学会使用 Photoshop、操作 Excel 甚至控制智能家居。（扩展阅读：Anthropic Skill：大模型技能化架构的技术原理与实践、深度辨析：Anthropic Skill的二元本质——从声明式描述到可执行实现、MCP与Skills：AI架构的进化，从连接协议到认知框架的演进、Skills vs MCP：谁才是大模型的“HTTP时刻”？）

为了将上述理论串联，我们以一个银行业务场景为例，展示如何配置一个能够自我进化的 Agent。

• IDENTITY.md：我是小银，银行理财经理 AI 助手。
• SOUL.md：专业、温柔、合规第一。
• USER.md：称呼我 Living，偏好简短结论。

在 AGENTS.md 中定义一条硬性规则：

任何对核心文件（SOUL.md, AGENTS.md）的修改，必须记录进化日志。

 进化日志规范 当收到用户反馈（如“我不喜欢这种总结格式”）时： 1. 不要直接修改 SOUL.md。 2. 先创建 `memory/evolution/YYYY-MM-DD-feedback.md`。 3. 分析反馈原因。 4. 修改核心文件并标注来源。 5. 每日凌晨通过 Cron 任务运行 `openclaw agent run --prompt "反思今日优化点"`。

假设用户 Living 说：“小银，以后日报里别给我看存款数据了，我只看理财销售。”

传统 Agent：需要人工去改代码或 Prompt。

OpenClaw 进化流程：

1. Agent 接收指令，识别为“偏好变更”。
2. Agent 读取 USER.md，找到“偏好”段落。
3. Agent 创建 memory/evolution/2026-04-03-preference-change.md，记录“Living 要求日报移除存款数据”。
4. Agent 修改 USER.md，在偏好列表中加入：“日报输出格式：仅展示理财销售数据，忽略存款数据。”
5. Agent 回复：“已记录您的偏好，明日起生效。”

这就是“自我迭代”。Agent 不再是一个静态的程序，而是能够根据反馈动态调整行为的智能体。这在架构上依赖于文件监听和上下文动态重载机制。

OpenClaw 的配置体系，是其能够从“玩具”走向“工具”的核心秘密。

作为架构师，我们应该认识到：在 LLM 能力逐渐趋同的今天，工程化能力（上下文管理、工具编排、安全控制）才是 Agent 落地的核心竞争力。OpenClaw 通过这套优雅的 Markdown + JSON 配置体系，极大地降低了构建高质量 Agent 的门槛。

未来的 AI 应用，其“智能”将不再仅仅依赖于模型的参数规模，而更多地依赖于如何通过 AGENTS.md 这样的“宪法”去约束它、如何通过 openclaw.json 这样的“骨架”去支撑它。掌握了这些配置文件，你就掌握了驯服 AI 的终极密码。

从今天起，不要再只满足于让 OpenClaw “跑起来”。打开 workspace，编辑那几份 .md 文件，给它注入你的灵魂，让它从一个只会回答问题的机器，变成真正懂你、能干活的数字搭档。