OpenClaw 刚配好就完了？几步调教让你的 AI 助手脱胎换骨

很多人装完 OpenClaw，接上 Discord 或 Telegram，发现能聊天了就觉得 “搞定了”。

但说实话，默认状态的 OpenClaw 只发挥了它 20% 的能力。剩下的 80%，藏在几个你可能还没碰过的配置文件里。

默认状态 vs 调教后

先说结论，让你有个直观感受：

	默认状态	调教后
回复风格	“我很乐意帮助您！” 客服味	像个真正了解你的搭档
记忆	每次对话都是陌生人	记得上周你们聊了什么
能力	只会聊天	能下载视频、查股票、做 PPT、巡检服务器…
主动性	你不说它不动	定期检查服务状态，主动提醒你
效率	所有任务用同一个模型	复杂任务用强模型，简单活用便宜模型

下面一步步来。

1. 给它一个人格

OpenClaw 的 workspace 里有三个关键文件：

SOUL.md — 它是谁，怎么说话
IDENTITY.md — 名字、形象、emoji
USER.md — 你是谁，它怎么称呼你

默认的 SOUL.md 基本是空模板，所以 AI 回复你的时候像个标准客服。

改完之后呢？举个例子，我的 SOUL.md 里写了这么几条核心原则：

# 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
- 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，回复风格立刻从 “尊敬的用户您好” 变成了正常人说话。

IDENTITY.md 更简单 —— 给它起个名字，选个 emoji，它就有了 “自我认知”。别小看这个，有名字的 AI 和没名字的 AI，在多轮对话中的一致性差很多。

USER.md 里写上你的基本信息：时区、技术栈、沟通偏好。这样它不会半夜给你发消息，也不会跟一个写 Go 的人推荐 Java 方案。

2. 建立记忆体系

这是提升最大的一步。

默认的 OpenClaw 有个 MEMORY.md，但大多数人要么不写，要么把什么都往里塞，最后变成一坨没人看的流水账。

我的做法是分层记忆：

MEMORY.md          ← 索引层：只放最核心的信息和指向其他文件的索引
memory/projects.md ← 项目层：每个项目的当前状态和待办
memory/infra.md    ← 基础设施层：服务器配置、API地址等速查信息
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：每天发生了什么

关键思路：MEMORY.md 只做索引，不堆内容。 每次新 session 启动时只加载索引，需要具体信息时再按需读取对应文件。

再配合 OpenClaw 的 memorySearch（向量语义检索），效果是这样的：

你说 “上次那个部署问题怎么解决的”
AI 不需要翻遍所有日志，而是语义搜索 → 定位到 memory/2026-02-18.md 第 47 行 → 精准回忆

memorySearch 的配置很简单，在 openclaw.json 里加上：

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

推荐用 SiliconFlow 的免费 embedding API（bge-m3 模型），零成本就能用上语义记忆。

另外建议开启 compaction.memoryFlush，这样上下文快满的时候，AI 会自动把重要信息写入当天日志，不会因为对话太长而 “失忆”。

3. 用 Skill 扩展能力

OpenClaw 内置了几个 skill（天气、新闻等），但真正强大的是自定义 skill。

Skill 本质上就是一个 SKILL.md 文件 + 可选的脚本 / 工具。AI 在收到相关请求时会自动读取对应的 SKILL.md，按里面的指引执行。

举几个我在用的：

视频下载：发个 B 站 / YouTube 链接，自动下载并生成分享链接
PPT 生成：说 “帮我做个关于 XX 的 PPT”，直接生成 .pptx 文件
股票分析：问 “XX 股票能买吗”，跑量化模型给预测
新闻摘要：每天自动抓取热点新闻

一个 skill 的基本结构：

skills/
  my-skill/
    SKILL.md        ← AI 读这个文件来了解怎么执行
    script.sh       ← 可选的执行脚本
    README.md       ← 可选的说明文档

SKILL.md 里写清楚：触发条件、执行步骤、输出格式。AI 会严格按照你写的流程来。

写 skill 的关键是把 AI 当成一个新来的实习生 —— 你得把步骤写得足够清楚，它才能稳定执行。模糊的指令 = 不稳定的结果。

社区也有现成的 skill 可以装：clawhub.com

4. Heartbeat 心跳 —— 让 AI 主动干活

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

默认情况下，AI 收到心跳就回个 HEARTBEAT_OK，啥也不干。

但你可以写一个 HEARTBEAT.md，告诉它心跳时该检查什么：

## 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 就变成了一个 7x24 的值班员。你睡觉的时候它在巡检，你醒来就能看到报告。

heartbeat vs cron 怎么选？

心跳适合 “顺便检查一下” 的轻量任务，可以批量执行
cron 适合精确定时的独立任务（比如 “每周一早上 9 点发周报”）

5. 多模型分级 —— 别让 Opus 干 Haiku 的活

如果你有多个模型可用（比如通过 API 中转站），强烈建议配置模型分级：

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：

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

然后在 AGENTS.md 里写上分配策略，AI 派子 agent 时就会自动选合适的模型。

效果：同样的任务量，token 消耗能降 60-70%，因为大部分日常操作根本不需要最强模型。

配置 Checklist

最后给一张清单，按优先级排序：

写好 SOUL.md / IDENTITY.md / USER.md（10 分钟，立竿见影）
设计分层记忆结构，开启 memorySearch（30 分钟）
配置 HEARTBEAT.md（10 分钟）
安装或编写 2-3 个常用 skill（按需）
配置多模型分级（如果有多个模型可用）
完善 AGENTS.md 里的行为规范和安全规则

写在最后

OpenClaw 的设计哲学是 “给你一个框架，你来定义它是谁”。默认配置只是起点，真正的价值在于你怎么调教它。

上面这些配置我自己折腾了一段时间，从一个只会回消息的 bot 变成了一个能记住上下文、主动巡检、帮我写代码做 PPT 的全能助手。

如果你也在用 OpenClaw，欢迎交流你的调教经验