OpenClaw 为什么总“失忆”？双层记忆 + 三层防御，让它真正记住你

很多朋友在使用 OpenClaw 会遇到失忆的问题，询问为什么我的小龙虾记不住我，一件事前天说过，昨天说过，今天还是忘记，但是每次它都信誓旦旦的跟我说：记住了。

这种事不是孤例子，之前有过例子，有人告诉她的 OpenClaw："检查这个收件箱，提供归档或删除建议。在我发话之前不要做任何事。"，在测试收件箱上正常工作了几个星期。

但当她告诉 OpenClaw 去处理真正的收件箱（包含数千条消息）时，小龙虾开始删除电子邮件，并忽略了她的停止命令。

原因就是对话上下文窗口被填满了，Agent 压缩了历史记录，而那个"在我发话之前不要做任何事"的指令——只是在聊天中，从未保存到文件中，从上下文中消失了。

要想了解这个问题的来龙去脉，就得先了解 OpenClaw 设计的双层记忆系统。

然后再听听 OpenClaw 代码库的维护者给出的调整建议，最大限度避免你的小龙虾的“遗忘症”。

二、记忆系统的存储架构

OpenClaw 的记忆系统采用了双层记忆架构设计，将记忆整体分为两类：每日日志（动态记忆）和长期记忆（静态记忆）。

这种设计架构非常符合人类大脑的记忆机制。

人的记忆也是由一个个重点片段组成的，我们能记住的也只是某个特定的时刻、某件具体的事件。

把这些片段串联起来才形成了人类所谓的记忆，至于每天发生的琐事，终究会随着时间而被淡忘。

图片

因此，此种记忆机制也可以说是实现了工程学的最大程度仿生。

2.1. 对话内容产生动态记忆

每次用户与 Agent 交互时，系统会自动将对话内容追加到 JSONL 格式的会话日志文件中，这是最原始的、未经处理过的记忆。动态记忆的 JSONL 格式示例如下：

{
  "type": "message",
  "message": {
    "role": "user",
    "content": "帮我写一个 Python 爬虫"
  }
}
{
  "type": "message",
  "message": {
    "role": "assistant",
    "content": "好的，我来帮你写..."
  }
}

2.2. 静态记忆的产生

静态记忆是整个系统的长期记忆，用于存储在长期对话中提炼出来的需要系统重点记住的内容，比如用户的性格、回答偏好、项目的约定等。

静态记忆的产生途径分为以下三种：

• • 途径一：用户手动创建：用户可以直接编辑 MEMORY.md 文件，写入需要 Agent 长期记住的信息，比如："你要称呼我为老板"、"我喜欢简洁的回复"等。
• • 途径二：session-memory Hook 自动转换：当用户执行 /new 命令重置会话时，系统会触发 session-memory Hook，自动将上一个会话的关键内容转换为 Markdown 文件。大致流程为：
• 1. 1. 读取会话日志：从 JSONL 文件中提取最近 N 条（默认 15 条）user/assistant 消息
  3. 2. 生成语义化文件名：使用 LLM 根据对话内容生成描述性 slug（如 api-design、bug-fix）
  5. 3. 写入 Markdown 文件：生成 memory/YYYY-MM-DD-{slug}.md 文件
• • 途径三：Memory Flush 自动写入：当会话上下文接近 token 限制时，系统会在压缩（compaction）前触发一个特殊的 Agent 回合，在该回合中，Agent 被明确指示：将需要持久保存的重要信息写入 memory/YYYY-MM-DD.md 文件。

整个静态记忆系统的设计核心在于途径三，往往"健忘"的问题就出在这一步，即如何进行历史对话信息的压缩。

OpenClaw 的处理方法是使用 LLM 直接对历史对话信息进行处理：

首先，通过 Memory Flush 进行一次记忆筛选，让 Agent 自己判断什么是"durable memories"（持久记忆）；

然后，通过 LLM 对历史消息进行有损摘要，默认只要求保留 "decisions, TODOs, open questions, constraints"，不保留具体数值、时间点等细节。

这是 OpenClaw 在记忆上的平衡，通过把历史会话记录（JSONL 格式）压缩成记忆（Markdown 格式），来避免上下文溢出的问题，赋予系统记忆的能力。

但与此同时带来的问题也显而易见，在进行压缩时难免会有信息的流失，这在大多数场景下是合理的，但对于"具体几点"这类精确信息确实是弱点。

但这不是 bug，而是在"长期记忆完整性"和"系统效率/成本"之间的设计取舍。

用户如果有重要的精确信息，可以主动要求 Agent 记录到长期记忆中。

这个设计使得LLM是否足够“聪明”变得很重要，在实际使用中 OpenClaw 就不把我认为需要记忆、重要的信息保留下来。

个人觉得这是在目前阶段能找到的最优解决方案了，有一定作用，成本也不至于太高。

三、记忆信息的检索与调用

当产生并保存一个记忆文件（.md）时，后台会自动触发索引构建流程，并在需要时进行检索。

3.1. 索引构建

默认情况下，只有 Markdown 文件会被索引，而 JSONL 会话日志不会被索引。

Markdown 文件首先被分块，而后每个块同时生成向量 Embedding和文本 Token，分别存入 sqlite-vec 和 FTS5 索引。

这两个都是 SQLite 扩展，意味着整个系统只依赖一个轻量级数据库文件，不需要部署 ES 或者 Milvus。

3.2. 记忆搜索

OpenClaw 采用关键词 + 向量的混合加权搜索，结合了两者的优势：

• • 向量搜索：基于语义相似度，通过计算余弦相似度找到意思相近的内容
• • BM25 关键词搜索：基于词频统计，使用 SQLite 内置的 FTS5 全文检索引擎找到包含精确关键词的内容

两个引擎的搜索结果按照 70:30 的权重（权重比例来自经验数据）合并，最终得分 = 0.7 × 向量相似度 + 0.3 × BM25 得分，且只有得分超过 0.35 的结果才会被返回。

3.3. Agent 如何查找记忆

OpenClaw 通过两个核心工具实现与记忆系统的交互：

memory_search：语义搜索

该工具用来调用记忆检索功能，可搜索 MEMORY.md 和 memory/*.md 文件，返回相关度排序的记忆片段，包含路径、行号和得分。

返回格式示例：

{
  "results": [
    {
      "path": "memory/2026-01-10.md",
      "startLine": 15,
      "endLine": 20,
      "score": 0.85,
      "snippet": "用户提到喜欢蓝色，特别是天空蓝...",
      "source": "memory"
    },
    {
      "path": "MEMORY.md",
      "startLine": 5,
      "endLine": 8,
      "score": 0.72,
      "snippet": "颜色偏好：蓝色系...",
      "source": "memory"
    }
  ],
  "provider": "openai",
  "model": "text-embedding-3-small"
}

memory_get：精确读取

此工具用来精准读取记忆文件，可按文件和行范围进行定向读取，返回指定文件片段的完整内容。

返回格式示例：

{
  "text": "用户提到喜欢蓝色，特别是天空蓝。\n\n在选择UI时偏好冷色调。\n\n...",
  "path": "memory/2026-01-10.md"
}

3.4. Agent 什么情况下搜索记忆

Agent 被明确指示必须在特定场景下使用记忆工具：在回答有关过去工作、决策、日期、人物、偏好或待办事项的问题之前，必须先运行 memory_search 搜索 MEMORY.md 和 memory/*.md 文件，然后使用 memory_get 提取所需的行。

3.5. Agent 主动写入记忆

在 OpenClaw 的交互中，Agent 也可以主动写入记忆文件，使用标准的文件操作工具。比如，当 Agent 判断需要记住某些信息时，会使用 exec 或 write 工具写入对应的 memory/YYYY-MM-DD.md 文件。

3.6. 交互的安全边界

为了保证整个系统的安全边界，对 memory_get 制定了严格的路径限制，规定其只能读取到特定位置的文件：

• • MEMORY.md / memory.md
• • memory/*.md
• • 配置的 extraPaths 中的 .md 文件

四、优缺点

通过双层记忆架构，实现了从"无状态工具"到"有记忆伙伴"的进化。

它将记忆从上下文中剥离出来，构建了一个分层的、可搜索的、持久化的知识管理架构，使得 Agent 能够不间断地积累知识、记住用户偏好、延续历史上下文。

这种设计不仅解决了上下文窗口有限的问题，还为 AI 助手提供了更接近人类记忆的工作方式，使得 Agent 能够在长期交互中保持一致性和连续性，真正成为用户的可靠伙伴。

但也还存在很多问题无法解决。

比如：固定开销无法消除（System Prompt）、工具定义每次都要发送、压缩是惰性的、记忆检索是增量成本、工具调用有额外成本。

记忆层的真正价值不是"降低单次成本"，而是：使无限长的对话成为可能（没有记忆层，上下文会爆炸），同时保持相关信息的可访问性（压缩后仍可通过搜索找回）。

五、如何最大限度避免

只要在以下三个方面做些调整，你就能领先于 95% 的 OpenClaw 用户：

1. 1. 将持久有效的规则放在文件中，而不是在聊天中提供。你的 MEMORY.md 和 AGENTS.md 文件不受压缩操作影响，但在对话中输入的指令无法保证。
3. 2. 检查记忆刷新是否启用以及是否有足够的缓冲区触发。OpenClaw 有一个内置的安全网，用于在进行压缩操作之前保存上下文，但大多数人从未检查过它是否在运行或给它足够的空间触发。
5. 3. 强制检索记忆。在 AGENTS.md 中添加一条规则："在行动前搜索记忆"。没有它，Agent就会猜测而不是检查它的记录。

当 Agent "忘记"某件事时，不外乎是发生了以下三件事之一：

三种失效模式——从未存放（最常见）、压实丢失、修剪损坏

原因一："从未被存储"

• • 原因：指令只存在于对话中，从未被写入文件
• • 结果：当压缩被触发或开启新会话时，它便消失了
• • 典型案例：Meta 对齐总监 Summer Yue 的邮件删除事故
• • 这是最常见的原因

原因二："压缩操作改变了上下文内容"

• • 原因：长时间会话触发令牌限制，压缩操作对旧消息进行归纳处理
• • 结果：摘要存在信息损耗，丢失细节、一些微妙差别和特定的约束条件
• • 影响：Agent现在根据归纳结果运行，而非你最初提供的指令

原因三："会话修剪了工具结果"

• • 原因：为优化缓存，会话会修剪旧工具结果
• • 结果：Agent"忘记"了工具之前返回的内容
• • 特点：临时性，磁盘上的记录没有变化，但模型无法看到工具先前响应这个请求的输出

快速判断：

• • 忘记了偏好设置？可能从未写入 MEMORY.md （原因一）
• • 忘记了工具返回的内容？可能是修剪（原因三）
• • 忘记了整个对话？压缩或会话重置（原因二）

5.1. 压缩与修剪

大多数用户都混淆了压缩和修剪，它们是完全不同的系统：

压缩操作会重写历史记录（有损、永久性），而修剪操作只会修剪工具处理结果（无损、临时性）。

压缩

• • 将整个对话历史总结为一段紧凑的摘要，改变了模型未来会看到的内容
• • 当上下文窗口被填满时触发
• • 影响一切：用户消息、助手消息、工具调用
• • 反应性的，当溢出即将发生时触发，而不是提前
• • 有损的，永久性的

修剪

• • 仅在内存中修剪旧工具结果，仅针对单个请求
• • 磁盘上的会话历史记录未受影响
• • 只影响 toolResult 消息；用户和助手消息不会被修改
• • 不会触及工具结果中的图像
• • 无损的，临时性的

修剪是朋友，它能减少膨胀，而且不会破坏对话上下文。

压缩是危险的，因为它会改变模型看到的内容。

建议启用 cache-ttl 模式：每5分钟从上下文中删除旧的或不再需要的信息，以保持上下文的简洁和相关性。

{
  "agents": {
    "defaults": {
      "contextPruning": {
        "mode": "cache-ttl",
        "ttl": "5m"
      }
    }
  }
}

5.2. 核查你的Agent的上下文包含了什么

在做配置的改动之前，建议在 OpenClaw 会话中运行 /context list。

用于查看 OpenClaw 当前会话的上下文信息，即模型"看到"的内容。

🧠 Context breakdown
Workspace: /path/to/workspace
Bootstrap max/file: 20,000 chars
Sandbox: mode=non-main sandboxed=false
System prompt (run): 38,412 chars (~9,603 tok) (Project Context 23,901 chars (~5,976 tok))
Injected workspace files:
- AGENTS.md: OK | raw 1,742 chars (~436 tok) | injected 1,742 chars (~436 tok)
- TOOLS.md: TRUNCATED | raw 54,210 chars (~13,553 tok) | injected 20,962 chars (~5,241 tok)
Skills list (system prompt text): 2,184 chars (~546 tok) (12 skills)
Skills: frontend-design, oracle, …
Tools: read, edit, write, exec, process, browser, …
Tool list (system prompt text): 1,032 chars (~258 tok)
Tool schemas (JSON): 31,988 chars (~7,997 tok)
Session tokens (cached): 14,250 total / ctx=32,000

需要检查的内容：

• • MEMORY.md 是否加载？ 如果显示"缺失"或未列出，就表示该文件不在上下文中
• • 是否有什么东西被截断？ 超过 2 万个字符的文件会按文件截断。所有引导文件的总字符数最多为 15 万个字符
• • 注入的字符是否和原始字符一样？ 如果不是，说明内容被截断

如果文件被截断，则调整配置中的字符数限制。

每个文件的字符数限制为 bootstrapMaxChars（默认 20000）。总字符数限制为 bootstrapTotalMaxChars（默认 150000）。

5.3. 压缩实际做了什么

压缩生命周期

压缩生命周期图，展示了良好路径（首先执行冲洗操作）与不良路径（溢出恢复，最大损失）的对比。

随着上下文信息不断增加，工具输出也越来越多，最终接近阈值。接下来会发生什么呢？

最佳方案：维护性压缩。上下文即将达到极限。

压缩前的内存刷新首先生效。Agent程序会在压缩开始前自动将重要的上下文保存到磁盘，用户不会察觉到这一过程。

然后，压缩程序会汇总较早的对话历史记录。Agent程序会继续处理汇总后的内容，包括最近的消息以及磁盘上的所有内容。

错误发生：溢出恢复。上下文过大，API 拒绝了请求。

现在 OpenClaw 正在进行补救措施。它一次性压缩所有内容，只是为了恢复工作。

没有进行内存刷新，也没有先将重要数据保存到磁盘。导致上下文丢失最大。

5.4. 压缩破坏了什么

不会在压缩操作中保留的内容：

• • 嵌入在对话中的指令（头号杀手）
• • 在会话中给出的偏好、更正和决策
• • 压缩操作前共享的所有图像
• • 工具结果和它们的上下文
• • 原指令的一些细微之处和特异性（摘要存在信息损耗）

会在压缩操作中保留的内容：

• • 所有工作区文件：SOUL.md、AGENTS.md、USER.md、MEMORY.md、TOOLS.md
• • 每日记忆日志（通过搜索按需获取，不重新注入）
• • Agent在压缩操作发生前写入磁盘的任何内容

关于 OpenClaw 的记忆，最重要的原则是：

如果没有写入文件，就不存在。

六、三层防御机制

单靠任何一种机制都不够，你需要三者协同运作：

第一层：压缩前记忆刷新

这是你可以做出的最有用的配置更改。OpenClaw 内置了压缩前记忆刷新功能，在压缩前会触发一个静默的"Agent轮次"，提醒模型将任何重要的内容写入磁盘。

推荐配置：

{
  "agents": {
    "defaults": {
      "compaction": {
        "reserveTokensFloor": 40000,
        "memoryFlush": {
          "enabled":true,
          "softThresholdTokens": 4000,
          "systemPrompt": "Session nearing compaction. Store durable memories now.",
          "prompt": "Write any lasting notes to memory/YYYY-MM-DD.md; reply with NO_REPLY if nothing to store."
        }
      }
    }
  }
}

• • reserveTokensFloor: 40000：为记忆刷新轮次和压缩摘要保留足够的空间
• • memoryFlush.enabled: true：确保刷新功能已启用
• • softThresholdTokens: 4000：距离预留底限多远时触发刷新

第二层：手动记忆管理

虽然有自动刷新机制，但经验丰富的 OpenClaw 用户会通过手动保存来补充这一机制。

在切换任务、给出复杂新指令或做出重要决定时，告诉Agent：

将此保存到 MEMORY.md

或：

将今天的关键决定写入记忆文件

/compact 命令：从上面介绍看下来，大多数人会认为压缩应该避免，其实不然，它可以按你的需求进行。

/compact 指令的计时技巧——先进行压缩，然后再添加新指令以获得最大运行时间，而不是反过来。

掌握这个命令的诀窍在于：

1. 1. 告诉Agent将当前上下文保存到记忆文件
2. 2. 发送 /compact 手动触发压缩
3. 3. 然后给出新指令

新指令会进入压缩后的全新上下文，从而拥有最长的生命周期。它们不会在下次压缩时首先被删除。

为什么需要手动和自动两种方式？

自动刷新会在达到令牌阈值时触发，它是基于时间而非相关性的。

而手动保存则是基于相关性的：你知道何时发生了重要事件。

两者结合起来可以满足这两种需求。

你也可以告诉 Agent 压缩时的优先考虑事项：

/compact 关注决策与开放性问题    

第三层：文件架构

工作区文件架构——引导文件在每个会话中加载，按需内存文件通过 memory_search 访问。

工作区分为两类：

引导文件

（SOUL.md, AGENTS.md, USER.md, IDENTITY.md, TOOLS.md, MEMORY.md, HEARTBEAT.md, BOOTSTRAP.md）在每个会话开始时加载到上下文中。压缩对它们没有影响，因为它们在每个轮次中都从磁盘重新加载。

记忆目录

包含每日日志（memory/YYYY-MM-DD.md）。这些文件并非是通过引导程序注入的，而是通过 memory_search/memory_get 按需调用。

各文件的作用：

• • SOUL.md：说明Agent是谁（沟通语气、个性、情感风格，道德界限以及Agent与你的关系）
• • AGENTS.md：说明Agent如何操作（工作流规则和决策框架、工具使用约定以及响应长度指南）
• • USER.md：你是谁（你的项目、客户、当前优先事项、沟通偏好、关键人物和关系、技术环境细节）
• • MEMORY.md：在每次会话中都应保持不变的内容（你做出的决策及依据、Agent学到的偏好、从过去错误中学到的规则）
• • 每日日志（memory/YYYY-MM-DD.md）：你每天工作的上下文（今天发生了什么、对话中做出的决策、活跃任务及其状态）

将以下记忆协议添加到你的 AGENTS.md 中：

## 记忆协议
- 在回答有关过去工作的问题之前：先搜索记忆
- 在开始任何新任务之前：检查今天的记忆以获取活跃上下文
- 当你学到重要的东西时：立即将其写入相应的文件
- 当你纠正一个错误时：将更正作为规则添加到 MEMORY.md
- 当会话结束或上下文很大时：总结并写入 memory/YYYY-MM-DD.md

七、检索

如果Agent无法在记忆文件中找到需要的信息，那么记忆文件就毫无用处。

两个记忆访问工具

• • memory_search：在记忆文件中搜索，包括 MEMORY.md、每日日志、记忆目录中的所有内容。默认情况下，它使用关键词和基于语义的匹配。
• • memory_get：按文件和行范围进行定向读取。如果文件不存在，则优雅地返回空文本。

将这个检索协议添加到你的 AGENTS.md 文件中：

## 检索协议
在进行重要的工作之前：
1. memory_search 项目/主题/用户偏好
2. 如果需要，用 memory_get 获取引用的文件块
3. 然后继续执行任务

搜索路径的选择

方案一：内置搜索

默认设置，最简单。内置系统自动索引 MEMORY.md 文件和记忆目录中的所有内容，使用混合搜索（关键词 + 语义）。

方案一增强 路径：extraPaths

内置搜索支持索引工作区之外的其他 Markdown 文件，无需额外安装。

{
  "agents": {
    "defaults": {
      "memorySearch": {
        "enabled":true,
        "provider": "local",
        "extraPaths": [
          "~/Documents/Obsidian/ProjectNotes/**/*.md",
          "~/Documents/specs/**/*.md"
        ]
      }
    }
  }
}

当您需要搜索大型存储库（数千个文件）、过去的会议记录或多个独立集合时，请升级到方案二。

方案二：QMD

QMD（查询 Markdown 文档）是一个实验性的记忆后端，可以取代内置的索引器，用于搜索工作区之外的内容，例如 Obsidian 库、项目文档、会议记录、过去的会话记录。

{
  "memory": {
    "backend": "qmd",
    "qmd": {
      "searchMode": "search",
      "includeDefaultMemory":true,
      "sessions": {
        "enabled":true
      },
      "paths": [
        { "name": "obsidian", "path": "~/Documents/Obsidian", "pattern": "**/*.md" }
      ]
    }
  }
}

八、故障排除

"我的Agent不记得我的偏好"

偏好是否写入了 MEMORY.md 文件？如果它只存在于对话中，就不是持久的。运行 /context list 看看 MEMORY.md 是否真的加载了？

"memory_search 无返回或似乎被禁用"

运行 /context list 并检查你的记忆文件实际是否存在。如果文件不存在，则意味着没有东西可供搜索。

"它不记得浏览器或工具说了什么"

那是会话修剪，不是压缩。工具结果在缓存 TTL 后被清除。将重要的工具输出写入记忆文件，或重新运行工具。

"压缩发生得太晚，我收到了溢出错误"

不要等到溢出。在事情变得严重之前主动使用 /compact 进行压缩。如果卡在溢出死锁中，使用 /new 重置，或通过 openclaw sessions CLI 恢复。

"压缩前内存刷新没有运行"

如果一个轮次导致 Token 数据大幅越过软阈值，就会绕过刷新。检查你的配置，看看该功能是否启用。

"我的Agent在长时间会话后忘记了它的工具"

已知问题，尤其是长时间运行的 Discord / 飞书会话。使用 /new 重置会话，Agent可以从中断处继续进行。

"我的Agent一夜之间忘记了一切"

会话在每日重置时获得新的会话 ID（默认为当地时间凌晨 4:00）。这本质上是一个新的会话，只有引导文件和可搜索的记忆会延续。

完整配置

方案一：内置记忆搜索

无需额外安装，使用 embeddinggemma 模型的本地混合搜索：

{
  "agents": {
    "defaults": {
      "compaction": {
        "reserveTokensFloor": 40000,
        "memoryFlush": {
          "enabled":true,
          "softThresholdTokens": 4000,
          "systemPrompt": "Session nearing compaction. Store durable memories now.",
          "prompt": "Write any lasting notes to memory/YYYY-MM-DD.md; reply with NO_REPLY if nothing to store."
        }
      },
      "memorySearch": {
        "enabled":true,
        "provider": "local",
        "local": {
          "modelPath": "hf:ggml-org/embeddinggemma-300m-qat-q8_0-GGUF/embeddinggemma-300m-qat-Q8_0.gguf"
        },
        "query": {
          "hybrid": {
            "enabled":true,
            "vectorWeight": 0.7,
            "textWeight": 0.3
          }
        },
        "cache": {
          "enabled":true
        }
      },
      "contextPruning": {
        "mode": "cache-ttl",
        "ttl": "5m"
      }
    }
  }
}

方案二：QMD 后端

相同的压缩和修剪配置，但将内置搜索替换为 QMD：

{
  "agents": {
    "defaults": {
      "compaction": {
        "reserveTokensFloor": 40000,
        "memoryFlush": {
          "enabled":true,
          "softThresholdTokens": 4000,
          "systemPrompt": "Session nearing compaction. Store durable memories now.",
          "prompt": "Write any lasting notes to memory/YYYY-MM-DD.md; reply with NO_REPLY if nothing to store."
        }
      },
      "contextPruning": {
        "mode": "cache-ttl",
        "ttl": "5m"
      }
    }
  },
  "memory": {
    "backend": "qmd",
    "qmd": {
      "searchMode": "search",
      "includeDefaultMemory":true,
      "sessions": {
        "enabled":true
      },
      "paths": [
        { "name": "obsidian", "path": "~/Documents/Obsidian", "pattern": "**/*.md" }
      ]
    }
  }
}

记忆问题概述

命令参考

如果你用过一段时间 OpenClaw，大概率都会经历一个阶段：

你开始不是在用 AI，而是在“反复教它认识你”。

记忆，不是能力，而是系统工程。

欢迎朋友们在评论区留言：

👉 你是怎么“让 AI 记住你”的？ 👉 你踩过哪些记忆相关的坑？

-END-

参考：

从架构到代码：深入理解 OpenClaw 的双源记忆系统

https://velvetshark.com/openclaw-memory-masterclass

推荐阅读：

从生成到分享：我把 OpenClaw + 腾讯文档技能跑通了

"数字员工" OpenClaw 能值多少钱？百万美元级别的评测告诉你

给 OpenClaw 装了一套“学习系统”：Self-Improving + AutoSkill，Agent 开始自己进化了

让 OpenClaw 替你打工（三）：我不止给它装了 30+ Skills 还创建了技能

让OpenClaw替你打工：每日摘要、获取社交网站信息、量化模拟回测（实战教程&踩坑）

让你的OpenClaw替你打工：从0到1跑通小红书运营全流程（实战教程）

给 OpenClaw 接入10000+工具和数据，为你盯盘，给出独家策略