编程语言AI算法
OpenClaw 5 步调教指南：让 AI 助手真正“能干活”
对 OpenClaw 默认配置能力不足的问题，提出 5 步调教方案。首先通过 SOUL.md 等文件设定 AI 人格；其次采用分层记忆结构并开启 memorySearch 增强检索；接着利用自定义 Skill 扩展视频下载、PPT 生成等实操能力；然后配置 Heartbeat 心跳机制实现主动巡检；最后实施多模型分级策略以降低成本。通过这些配置优化，将 AI 助手从被动聊天工具转变为能主动工作的高效搭档。
对 OpenClaw 默认配置能力不足的问题，提出 5 步调教方案。首先通过 SOUL.md 等文件设定 AI 人格；其次采用分层记忆结构并开启 memorySearch 增强检索；接着利用自定义 Skill 扩展视频下载、PPT 生成等实操能力；然后配置 Heartbeat 心跳机制实现主动巡检；最后实施多模型分级策略以降低成本。通过这些配置优化，将 AI 助手从被动聊天工具转变为能主动工作的高效搭档。
很多人装完 OpenClaw，接上 Discord 或 Telegram，发现能聊天了就觉得'搞定了'。
但我自己踩坑一圈后，越来越确定一件事：默认状态的 OpenClaw，可能只发挥了 20% 的能力。剩下的 80%，藏在一些你没太注意的配置文件里——而且改起来并不难。
下面我按'收益从高到低'的顺序，把我自己最有效的 5 步调教方法整理出来。新手照着做，大概率能立刻感受到差别。
先给你一个直观对比，方便建立预期：
| 项目 | 默认状态 | 调教后 |
|---|---|---|
| 回复风格 | 客服味：'我很乐意帮助您！' | 更像懂你的搭档 |
| 记忆 | 每次对话都像陌生人 | 记得你们之前聊过什么 |
| 能力 | 只能聊天 | 能下载视频、查股票、做 PPT、巡检服务器… |
| 主动性 | 你不说它不动 | 会定期检查状态，主动提醒 |
| 成本/效率 | 所有任务都用同一个模型 | 复杂任务用强模型，简单活用便宜模型 |
如果你只做一件事：先把第 1 步和第 2 步做了，体验就会明显提升。
OpenClaw 的 workspace 里，我认为最关键的三份文件是：
很多人默认 SOUL.md 基本空着，所以 AI 回答就会很'标准化'：礼貌但没劲，像客服。
我自己改 SOUL.md 时，没有写一堆长篇大论，就几条原则，效果立刻变了：
# 核心原则 - 别说'很高兴帮助您'，直接帮 - 允许有自己的观点和偏好（但别装懂） - 先自己查，查不到再问我 - 简洁：该详细时详细，该简短时简短
就这么几行，回复会明显从'尊敬的用户您好'变成'正常人说话'。
另外，IDENTITY.md 我建议一定要填：给它起名字、配个 emoji。
别小看这个——有名字的 AI，在多轮对话里一致性真的更好，不会一会儿像程序，一会儿像客服。
USER.md 则写你自己的基础信息，比如：
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：
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'。
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'。
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：
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：
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。
我自己的选择逻辑是：
如果你想从简单开始：先用 Heartbeat 做巡检、整理，再考虑 cron。
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：
| 等级 | 模型 | 用途 |
|---|---|---|
| 🔴 强 | Claude Opus / GPT-5 | 主对话、复杂架构设计、深度推理 |
| 🟡 中 | Claude Sonnet | 子任务：写代码、信息整理 |
| 🟢 轻 | Claude Haiku | 简单操作：文件搜索、格式转换 |
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。
如果你想按'最省时间、最有效'的顺序来，我建议：
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。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online
将 Markdown（GFM）转为 HTML 片段，浏览器内 marked 解析；与 HTML 转 Markdown 互为补充。 在线工具，Markdown 转 HTML在线工具，online