OpenClaw 深度调教指南：5 步让 AI 助手真正能干活

2. 搭一套'分层记忆'：别把 MEMORY.md 写成流水账

这一步是我觉得提升最大的。

默认 OpenClaw 会有一个 MEMORY.md，但常见两种翻车写法：

1. 完全不写：结果就是'每次都像第一次见面'
2. 什么都往里塞：最后变成一大坨流水账，AI 也不爱读，人也不爱翻

我自己的做法是：分层记忆。结构大概长这样：

MEMORY.md ← 索引层：只放最核心信息 + 指向其他文件的索引
memory/projects.md ← 项目层：每个项目状态、待办
memory/infra.md ← 基础设施层：服务器配置、API 地址等速查
memory/lessons.md ← 教训层：踩过的坑，按严重程度分级
memory/YYYY-MM-DD.md ← 日志层：当天发生了什么

关键思路只有一句话：

MEMORY.md 只做索引，不堆内容。
启动新 session 时只加载索引，需要细节再去读对应文件。

这样你会得到一个很舒服的效果：既能'记得住'，又不会'记得太乱'。

开启 memorySearch：让记忆真的'能搜到'

如果你希望出现这种场景：

你问：'上次那个部署问题怎么解决的？'
AI 能语义检索 → 直接定位到某天日志的某段 → 精准复述

那我建议开启 OpenClaw 的 memorySearch（向量语义检索）。

参考配置（放在 openclaw.json 里）：

"memorySearch":{"enabled":true,"provider":"openai","remote":{"baseUrl":"你的 embedding API 地址","apiKey":"你的 key"},"model":"BAAI/bge-m3"}

我自己的经验是：embedding 选 bge-m3 这种通用模型，性价比很高。
（你提到的 SiliconFlow 免费 embedding API 也确实是一个'入门就能用'的路线。）

另外我也建议你开启 compaction.memoryFlush：
上下文快满的时候，AI 会把重要信息写进当天日志，避免对话一长就'失忆'。

3. 用 Skill 扩展能力：让它从'会聊'变成'会做'

OpenClaw 内置了一些 skill（天气、新闻等），但真正好玩的，是自定义 skill。

你可以把 skill 理解成：

给 AI 一份'标准作业流程（SOP）'，让它遇到某类请求就按流程执行。

一个 skill 的目录通常是这样：

skills/
  my-skill/
    SKILL.md ← AI 主要读这个：触发条件、步骤、输出格式
    script.sh ← 可选：需要执行脚本就放这
    README.md ← 可选：给人看的说明

我自己常用的几个例子：

• 视频下载：发 B 站/YouTube 链接 → 自动下载 → 生成分享链接
• PPT 生成：说'做个关于 XX 的 PPT' → 直接产出 .pptx
• 股票分析：问'XX 股票能买吗' → 跑你的分析流程 → 输出结论 + 风险点
• 新闻摘要：每天自动抓热点 → 压缩成几条重点

写 skill 时，我总结一个很实用的心法：

把 AI 当成新来的实习生。
你写得越清楚，它越稳定。你写得越含糊，它越玄学。

触发条件、步骤、输出格式都写死，结果会稳很多。

你也提到了社区现成 skill（比如 clawhub.com），我建议新手路线是：

1. 先装 1-2 个现成的用起来
2. 再把你自己的高频流程固化成 skill（比如'周报生成''日志整理'）

4. Heartbeat 心跳：让它学会'主动干活'

OpenClaw 有个心跳机制：系统每隔一段时间（默认 30 分钟）会 ping 一下 AI，问它有没有要做的。

默认情况下，AI 收到心跳就回个 HEARTBEAT_OK，等于啥也没干。

但你可以写一个 HEARTBEAT.md，告诉它心跳时该检查什么。比如：

# HEARTBEAT.md
## 每次心跳
- 检查 XX 服务是否在线（curl 一下）
- 如果挂了，通知我，但不要自动重启

## 每天一次
- 检查有没有超过 3 天没更新的项目待办

## 每周一次
- 整理最近 7 天的日志，提炼到长期记忆

这样你的 AI 就像一个 7×24 的值班员：
你睡觉它巡检，你醒来直接看报告。

heartbeat vs cron：怎么选？

我自己的选择逻辑是：

• Heartbeat：适合'顺便检查一下'的轻量任务，能批量做
• Cron：适合'精确定时'的独立任务（比如每周一 9 点发周报）

如果你想从简单开始：先用 Heartbeat 做巡检、整理，再考虑 cron。

5. 多模型分级：别让'最强模型'干'最简单的活'

如果你能接入多个模型（比如走 API 中转），我强烈建议做 多模型分级。原因很现实：省钱、省 token，也更快。

我自己大概按这个思路分：

在 openclaw.json 里配置 alias（示例）：

"models":{"your-provider/strong-model":{"alias":"opus"},"your-provider/medium-model":{"alias":"sonnet"},"your-provider/light-model":{"alias":"haiku"}}

然后在 AGENTS.md 里写清楚分配策略：
当 AI 需要派子 agent 执行任务时，就会更倾向选合适的模型。

我的体感收益是：日常 token 消耗能降很多，因为大多数任务根本不需要最强模型。

配置 Checklist：按优先级照着做

如果你想按'最省时间、最有效'的顺序来，我建议：

1. ✅ 写好 SOUL.md / IDENTITY.md / USER.md（10 分钟，立竿见影）
2. ✅ 设计分层记忆结构，开启 memorySearch（30 分钟）
3. ✅ 配置 HEARTBEAT.md（10 分钟）
4. ✅ 安装或编写 2-3 个最常用的 skill（按需）
5. ✅ 配置多模型分级（有多个模型时再上）
6. ✅ 完善 AGENTS.md 里的行为规范和安全规则

写在最后：默认只是起点，价值在'你怎么定义它'

OpenClaw 的设计哲学，我理解就是：

给你一个框架，你来定义它是谁。

默认配置只能算'通了'。真正让它变好用的，是你把它调成更贴合你工作方式的搭档：
能记住上下文、能按流程做事、还能主动巡检和提醒。

我自己折腾了一段时间，最大的感受是：
从'只会回消息的 bot'，到'真的能帮我省时间的助手'，中间差的就是这些配置细节。