我用 OpenClaw 的真实感受
OpenClaw 是支持接入即时通讯软件的 AI Agent。和普通对话机器人的区别是：它不只是回答问题，它能读文件、写文件、执行脚本、配置定时任务、推送消息——基本上我平时在终端里做的那些事，它都能替我跑。
我用了一个多月。搭了几个自动化流程，踩了很多坑。这篇文章不说功能介绍，不说行业对比，就说一件事：用下来我真正相信了什么东西，以及我原来的哪些想法被改变了。
一、最直接的改变：把"懒得做"变成"不用做"
举个热门的选股流程的例子：每天收盘后，把东方财富的板块资金排名、涨停股池、财联社资讯综合看一遍，判断明天方向。靠手动做，30 分钟起步，做完这一套人也累了，第二天还得重来。
这个最好当然是靠脚本定时做，但如果自己来写工作量也不小。现在这件事从想法到跑起来，大概就用了三四轮对话。但这不是重点。重点是：这件事我以前不是不知道该做，是知道该做但懒得做。现在我知道它在做，不用管了。
二、想法捕捉：剖析灵感，挖掘价值
以前脑子里冒出来一个想法，要么记在脑子里占内存，要么丢进某个备忘录，过两周再翻到完全不知道当时在想什么。
现在我说"记录想法"，Agent 会追问两三个问题，把这个想法厘清：是研究方向还是可执行任务？如果是可执行任务，直接写进待办清单。
效果最好的不是"记下来"这个动作，是"被追问"这个过程。很多想法说起来兴奋，追问两句就发现想不清楚——这反而是最有价值的时刻，在脑子里空转的时候从来看不到。
三、一件事真正改变了我的认知：memory 系统不是 RAG
这是我这篇文章最想说的部分。
用了几个月之后，memory 目录里积攒了很多 session 快照和操作记录。我一开始觉得这是我的"知识库"，但问题是：需要某个知识的时候，我根本想不起来去翻那些文件。
这让我重新思考 memory 系统的本质。
我以前以为它是 RAG——先有文档，Agent 去检索。这个框架对 OpenClaw 不完全适用。Session 快照是过程记录，不是知识文档。我真正需要的不是"搜到这个知识"，而是"这个知识下次怎么被用到"。
OpenClaw 里的 memory，核心价值不是检索，而是知识工程的沉淀：
- 一个坑踩过去了，原因是什么、怎么解的——这是经验，不是文档。写进 session 快照，下次翻不到这个地方。
- 一个 Skill 跑顺了，踩过哪些坑、要注意什么——这是操作知识，写进 SKILL.md 才会被用到。
- 某个决策做了，为什么这样选而不是那样选——这是决策记录，不是过程记录。
这些知识不是"被检索"的，是在解决问题过程中被生产出来，再被组织起来的。RAG 的评估指标是召回率，知识工程的评估指标是"重复的问题是否不再出现"。
想清楚这一点之后，我对自己的 memory 整理方式做了一次重构：不再追求"多"，追求"用的时候能自动看到"。每次解决一个问题，顺手在对应文档里写一条"经验注记"，哪怕一句话也比一堆 session 快照有价值。
四、自主判断有个阈值，我花了点时间才摸到
用久了之后会想往 Agent 身上堆更多的事，恨不得一句话说清楚，它全部搞定。
试了几个月，我的结论是：动作可以最大程度地放手，但脑子不能松。
Agent 能执行，但一件事值不值得做、做到什么程度、产出好不好——这些判断它给不了。它会自信地给你一个结果，甚至于会通过你话语中的倾向迎合你，这些都不是真正的价值判断。
举一个具体的：Agent 帮我写文章，可以写到结构完整、语句通顺。但文章有没有洞见、观点有没有新意——我每次还是得自己过一遍。没有这个环节，推出去的东西就是平庸的，只是看起来完整。
定时任务也一样。设了自动跑，但不是设完就结束了。每隔几天我会看一下输出质量，确认它还在正确的方向上。不是监控它，是确认我最初设定的目标没有偏移。Agent 没有"意义感"，只有"目标达成感"——这是两件完全不同的事。
五、知识固化是系统问题，不是记性问题
我以前觉得"说过的问题不记得"是我的记性差。现在我觉得是固化环节缺失。
具体来说，有几种常见的错误固化：
记录了，但没有放在会用的时候能看到的地方。 比如在 session 快照里写了某个坑的解法，但下次遇到同类问题，根本不会想起来去翻那个文件。
记录了，但没有提炼成可执行的操作指引。 比如聊天里说了"这里要加 gzip 请求头"，但没有写进 SKILL.md 或代码注释，下次遇到同样报错还是从头排查。
记录了，但没有更新到工作流的核心位置。 改了某些逻辑，但没及时更新，结果文档和实际运行的是两套。
解决方式就一句话：知识要放在用的时候会自己看到的地方，操作指引要落到"遇到 X 情况，检查 Y"的层面，而不是只写"这里有个坑要注意"。更新要及时，不要拖。
六、Skill 触发不稳定，但有解法
OpenClaw 的 Skill 触发依赖自然语言描述匹配。有时候我说的话和 skill 描述不完全吻合，Agent 靠"心情"决定是否触发。
我的解法：遇到该触发没触发的时候，直接说 skill 名称激活，不用猜它这次想不想触发。这是一个很小但很实用的技巧。
七、我踩过的几个觉得值得说的坑
关于提效的账
我用 Agent 帮我写代码、调脚本，表面上省了时间，但有时候调试 Agent 犯的错，比我自己写还慢。有些操作交给它比人慢，不是因为它不行，是因为这件事本身就不适合 Agent 干，只是我一开始没想清楚。提效这件事，账不如想象中好算。
多智能体目前没有证明自己
我试过让多个 Agent 分工协作处理一个复杂任务。结论是：多智能体分工无法拔高大模型能力上限。设置角色和互相监督有利于反思和控制风险，但更大的 token 消耗带来的产出是否值得，没有可靠的评估方法。目前还是单 Agent 为主，多 Agent 只在明确需要"角色扮演+互相审查"的场景下才值得试。
配置 Agent 人格不是玄学，是必要的
OpenClaw 接入的是我个人的整个数字空间。定义 Agent 的说话风格、约定它能做什么不能做什么、哪些操作需要我确认再执行——这些花了我大概半天时间想清楚。想清楚之后，它的行为变得可预期，出问题的次数少了很多。不是配置了才有用，是不配置就一定会出问题。
结尾
OpenClaw 对我的价值，不是一个更强的 ChatGPT，而是一个嵌在我日常信息流里的执行层。
它擅长的事： 把我"懒得做但知道该做"的事自动化，把我脑子里一闪而过的东西捕捉住不丢掉，把我已经想清楚的流程固化下来不用重复跑。
它不擅长的事： 替我做价值判断，替我评估这件事值不值得做，替我监控跑起来的东西有没有偏移目标。
用了一个多月，我学会了一件事：把动作最大限度地交给它，把脑子留给真正需要想的事情。 这件事说起来简单，做起来其实花了不少时间才找到边界。