OpenClaw部署
服务器与系统环境
腾讯云轻量应用服务器 4核CPU，4GB内存，70G系统盘
ubuntu 22.04.5 LTS 64bit，根据chatGPT推荐兼容性最好
安装OpenClaw
更新系统并下载依赖
# 更新系统
sudo apt update && sudo apt upgrade -y
# 安装基础依赖
sudo apt install -y git curl wget unzip build-essential
# 安装nvm
curl -o- https://raw.githubusercontent.com/nvm-sh/nvm/v0.39.7/install.sh | bash
source ~/.bashrc
# 安装node.js
nvm install --lts
nvm use --lts
# 验证安装成功，查看版本号
node -v
npm -v
下载OpenClaw
npm install -g openclaw@latest
启动OpenClaw
# 初始化配置并安装
openclaw onboard --install-daemon
# install-daemon 自动将 OpenClaw 的 Gateway 服务安装为后台守护进程，静默运行，
# 开机自动启动及崩溃自动重启
from chatGPT
| 配置项 | 含义 | 作用 | 选择建议 | 跳过后如何配置 |
|---|---|---|---|---|
| model / auth provider | 选择模型提供商和认证方式 | 决定可用模型、调用方式、成本与延迟 | 选择你能用到的最强模型或最稳定的 provider，如 OpenAI / Anthropic / Ollama | 后续可通过 openclaw configure 或手动修改 models.providers 补齐 |
| filter models by provider | 筛选某个 provider 下的模型 | 避免模型过多，防止误选不支持的模型 | 新手可选单一 provider，高级用户可精确筛选 | 使用 openclaw models list + openclaw models set <model> 或修改配置文件 |
| default model | 默认使用的模型 | 决定 agent 默认调用的 primary 模型 | primary: 强模型，fallback: 便宜模型 | 手动设置：openclaw models set <model> 或修改 agents.defaults.model.primary |
| model check | 检查模型可用性 | 检测 API key 是否有效、provider 是否可用 | 必做，保证后续 agent 可用 | 手动执行：openclaw models status |
| select channel | 选择 bot 的入口渠道 | 决定用户如何与 agent 交互 | Telegram/Discord/Web/UI，本地测试可用 Web/CLI，生产建议 Telegram 或 Docker + channel | 后续可通过 openclaw configure 或修改 channels 配置 |
| web search | 是否开启联网搜索能力 | 让 agent 可查最新信息，不局限于训练数据 | 做助手或查询最新信息可开，内网环境可关 | 后续可在 tools 或配置文件中添加搜索工具 |
| search provider | 选择搜索引擎 | 决定搜索质量、返回结果结构和成本 | 优先稳定 API，如 SerpAPI | 后续通过 tool 配置或 openclaw configure 添加 |
| hooks | 生命周期钩子 | 可插入自定义逻辑，如安全检查、日志、工具权限 | 新手可跳过，安全/企业级必配 | 后续通过编写插件或修改 gateway 配置补充 |
| How do you want to hatch your bot? | 决定 agent 初始化方式 | 控制 agent 创建方式和配置复杂度 | 选TUI，二者不冲突，web UI仍可访问，但是没有配置LLM API时TUI无法交互 | 后续可通过重新 run openclaw onboard 或手动修改配置 |
远程访问web UI
在本地电脑命令行执行以下命令，然后在浏览器访问127.0.0.1:18789
初步体验下来web UI用于配置参数的体验并不好，开发者更多是为开发人员设计的这款产品，配置项不是傻瓜式的，也没有提示文案，比如配置LLM的API居然要自己在输入框里输入JSON格式的配置内容，而且没有告知格式规范，反而TUI更加简单。
# 创建一个 SSH 本地端口转发（Local Port Forwarding）隧道，用于安全地将远程服务器上的服务通过 SSH 加密通道映射到你本地的电脑上访问。
ssh -N -L 18789:127.0.0.1:18789 你的系统用户名@你的服务器ip
关于LLM api配置
# 配置命令
openclaw configure
QQ Bot配置 - 通过QQ与龙虾对话
session按入口和会话实例隔离，TUI和QQ聊天属于两个main session，彼此不共享上下文与记忆。
https://q.qq.com/qqbot/openclaw/
Agent初始化
初次见面 Bootstrapping
在.openclaw/workspace下，有BOOTSTRAP.md文件，首次在tui界面与agent对话，LLM会先阅读该文件，遵循指示与用户交互以完成身份定位，然后会改写agent.md等文件，并删除BOOTSTRAP.md
注意到直接通过QQ Bot与Agent对话，没有触发Bootstrapping，需要通过TUI或web UI对话
关键配置
控制层（怎么思考）
├── SOUL.md
├── model config
记忆层（记住什么）
├── session（短期）
├── memory（长期）
├── RAG（外部）
执行层（怎么做事）
├── workspace
├── tools
├── skills
├── sub-agents
| 配置项 | 作用 | 是否隔离（按session） | 是否持久化 | 是否影响token | 典型用途 |
|---|---|---|---|---|---|
| workspace | agent的工作目录，存储文件、代码、运行产物 | 是 | 是 | 否（间接影响） | 文件处理、代码执行、任务输出 |
| SOUL.md / AGENT.md | agent的核心行为规则（系统提示词） | 否（全局注入） | 是 | 是（高） | 控制agent策略、角色、执行方式 |
| memory | 长期记忆存储（结构化/非结构化） | 视配置而定 | 是 | 是（中） | 记录用户偏好、历史信息 |
| session（主会话） | 当前对话上下文（聊天历史） | 是 | 否（短期） | 是（高） | 多轮对话、上下文推理 |
| sub-agent session | 子代理的独立执行上下文 | 是（完全隔离） | 否 | 是（低） | 执行复杂或耗时任务 |
| compaction（压缩） | 对长上下文进行摘要压缩 | 是 | 否 | 是（降低） | 控制上下文长度、节省token |
| tools | agent可调用的工具集合 | 否（全局配置） | 是 | 否 | 执行外部操作（API、代码等） |
| skills | 封装好的高阶能力（工具组合） | 否 | 是 | 否 | 提供复用能力（如任务流） |
| model config | 模型参数（maxTokens、temperature等） | 否 | 是 | 是（高） | 控制生成行为与成本 |
| RAG / embeddings | 外部知识库检索系统 | 否（通常全局） | 是 | 是（中） | 提供长期知识支持 |
| 机制 | 触发方式 | 是否依赖时间 | 是否在主session执行 | 是否有上下文 | 是否创建任务记录 | 核心特点 | 典型用途 |
|---|---|---|---|---|---|---|---|
| cron job | 时间调度（精确时间 / cron表达式） | 是（精确） | 可选（main / isolated） | 可无（isolated） | 是 | 精确调度、可隔离执行 | 定时报告、提醒、批处理任务 |
| heartbeat | 固定间隔触发（默认30分钟） | 是（近似） | 是（主session） | 有（完整上下文） | 否 | 周期性“思考/检查” | inbox检查、通知、状态监控 |
| hook | 事件触发（生命周期/工具调用等） | 否 | 视事件而定 | 视情况而定 | 否 | 事件驱动、即时执行 | 自动化流程、拦截/增强行为 |
- 如果没有需要agent定期判断的事项，可以把heartbeat关闭来节省token。 cron = 我让它什么时候做 heartbeat = 它自己定期想一想 hook = 有事发生就自动做
Sub Agent与Muti Agent
设置主agent在遇到复杂耗时问题时启动子代理处理任务，并将最终的任务结果反馈给主agent，以此来节省token与时间。
- Sub-agent 是“非阻塞”的，主agent不需要等待子agent，可以继续与用户进行其他对话，子agent任务执行后将结果返回给主agent实现闭环。
- 子agent是独立session，不会继承主agent的上下文与SOUL.md，因此可以节约token。
- 子agent是临时工，在后台执行任务，结束后将结果返回给主agent。
- 适合长任务、并行任务、专业分工 通过设置SOUL.md来指导主Agent何时启用sub agent，定义行为规则，并给子agent一段提示词设定其身份、守则用于更好的完成指定任务。
多个长期独立存在的agent，具备独立 workspace、memory、SOUL.md、session。
- 用于设定多个长期角色，比如一个长期专门写代码，一个长期做调研，各自有记忆和灵魂
- 可以设置不同的权限、不同的模型、不同的消息通道（微信 or QQ）
Context window相关配置
初步感受是非常的消耗token，简单的对话都会消耗上万token，而如果使用了不够聪明的LLM的话一旦思考陷入循环消耗更是惊人，解决复杂任务单词消耗token可达百万token。
基于模型的能力设置合理模型的上下文窗口，比如minimax2.5本身支持200k的上下文，更大的上下文可以使得AI的对话连贯性更好，避免频繁的压缩信息。
SKILL实践
基于Notion数据库进行时间管理
https://clawhub.ai/xiangtaoxiao/notion-time-management-matrix
基于自己搭建的notion的数据库模版（四象限时间管理）作为数据源，openclaw通过notion api 接口调用来实现。通过微信聊天的方式添加及结束代办事项，临近日期自动提醒，提供事项的相关文件及信息，更新进度。接口调用参考notion skill。
- 比传统模式好在哪？通过微信交互更自然，AI秘书可以提供情绪价值🐶
- 其实直接记在openclaw里效果最好，但是缺少一个好看界面，以及需要防止LLM不稳定导致数据出错的情况。
- 可以基于openclaw本身的cron定时任务来实现定时检查待办事项及提醒。cron本质就是在指定时间通过指定session向AI发出一个指令。
遇到的问题：
- TRAE不遵循openclaw的规范：提供openclaw的skill文档链接，让agent阅读。
- 安装后agent不识别：在TOOL.md里加提示词要求AI使用这个技能，或者首次对话明确要求使用这个skill；至于如何让skill安装好后agent识别语义触发这个skill，我估计是因为openclaw的系统提示词或者agent提示词默认了待办任务的处理方式，因此优先级更高。
- skill的状态不ready：执行命令看看是哪个配置不满足，修改即可
openclaw skills check - 调试困难，看不到agent的思考和工具调用过程：安装clawmetry解决
- 系统拼错路径，乱加空格，导致命令无法执行，问了gpt，进行两处修改：一个是是skill的文件夹名称，把‘-’改成‘_’，然后提示词里的路径，增加了./script/，这次很顺利，AI没有再试错，直接执行成功了。
- AI写的任务似乎逻辑的严谨程度不是特别高，遇到了AI不读取状态文件直接通过记忆行事的情况，理论上这是聪明的做法，但是如果提示词不做要求，AI对情况的变化缺乏判断。（miniMax2.5）
- openclaw的原生记忆能力不好，目前看memory文件记住了很多不重要的甚至错误的内容，并且这些内容严重污染上下文。有时候明确指出其错误并要求记忆，反而不会记录到memory文件。
- 也许可以试一下直接用notino api调用（也就是notion技能），然后魔改一下让AI记住不同数据库的用途、结构，然后能否做到同步管理我的待办事项、知识库？
总结经验
提示词技巧：
- 避免AI随意发挥：找官方文档让AI先看完，然后严禁AI违反官方文档设置的规范
- 避免AI只改动局部，不做全局考量：
- 规避部分模型对‘-’等token处理能力以及指令拼接能力差的问题：根据不同大模型的能力，以及temperature，其拼接路径及系统指令的能力有所区别，对于不稳定的情况最好是把指令固化下来作为工具，然后AI输出指令调用工具。这个问题可能随着LLM的强大得到解决
- 避免AI总是根据记忆行事：虽然openclaw提供了memory结构，但一些关键数据如果发生变更，而AI仍遵循记忆的内容执行操作，就会导致失败或数据异常更新。关键配置项最好要求AI读取配置文件，而禁止从上下文与记忆中获取，尤其是在调试功能时。