#V2EX
### [分享发现] OpenClaw 刚配好就完了？ 5 步调教，让你的 AI 助手真正“能干活”

![封面图片](https://cdn.pichub.app/img/images/37/70/37709074952c8ef70e2953f1bb60e9f7b7cc2938.webp "OpenClaw 刚配好就完了？ 5 步调教，让你的 AI 助手真正“能干活”")

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。

---

![默认状态 vs 调教后：差别到底在哪？](https://cdn.pichub.app/img/images/ba/a2/baa22316e19fd8233bdb9d506072ad3c648970e7.webp "默认状态 vs 调教后：差别到底在哪？")

## 默认状态 vs 调教后：差别到底在哪？

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。

---

## 1 ）先给它一个“人格”：别再像客服了

OpenClaw 的 workspace 里，我认为最关键的三份文件是：

* **[SOUL.md](http://SOUL.md)** — 它是谁、怎么说话、做事风格是什么
* **[IDENTITY.md](http://IDENTITY.md)** — 名字、形象、emoji （让它“自我一致”）
* **[USER.md](http://USER.md)** — 你是谁，它怎么称呼你、你的偏好是什么

很多人默认 [SOUL.md](http://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](http://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](http://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](http://USER.md) 则写你自己的基础信息，比如：

* 时区（避免它半夜“主动关心”你）
* 技术栈（别给写 Go 的人推荐 Java 方案）
* 沟通偏好（比如希望先给结论还是先给过程）

---

## 2 ）搭一套“分层记忆”：别把 [MEMORY.md](http://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](http://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](http://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。

![图片 2](https://cdn.pichub.app/img/images/ed/f9/edf957cfb5193cb5935fb53d59afddcf3b499e95.webp)

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](http://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](http://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：

| 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](http://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](http://SOUL.md) / [IDENTITY.md](http://IDENTITY.md) / [USER.md](http://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](http://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](http://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。

如果你也在用 OpenClaw ，欢迎交流你的调教经验 👋

---

更多 AI 文章：
转载地址：<https://17nas.com/openclaw-tuning-5-steps>
下一篇文章：OpenClaw 调教手册
https://www.v2ex.com/t/1194689#reply0