前言一OpenClaw 到底有什么不同最近半年AI领域的产品层出不穷在OpenClaw爆火之前比较类似的产品是Claude的Happy(一款Claude code ssh软件)。喜欢使用happy的朋友经常问我的一句话是:“OpenClaw那么好玩吗跟Happy有什么区别”当初看到OpenClaw的功能之后我立马被吸引住在面对这个问题后我正好从抽象层面总结一下OpenClaw的优势所在。1、OpenClaw 技术框架不复杂它的优势在于共识的推广作为程序员为了让大家直观理解OpenClaw的项目架构强度。 在看完OpenClaw框架后我先斗胆做个类比大概说一下OpenClaw的技术难度 大概就类似AI Coding诞生前具备「初级推荐算法的前后端通信App」的难度。做过几年开发的同学都知道这其实并不难所以技术框架并不是OpenClaw的亮点。OpenClaw的优势在于共识的推广举个具体的例子在没有OpenClaw之间我们基本人手一个自己搭建的Agent像我之前搭建的 L1~L5 5层架构Agent相信每个搭Agent架构的同学都得考虑skills管理、Agent身份赋予、Agent架构自进化、memory-search和Session管理这些。这就导致一个问题每次我跟朋友交流Agent之前都是要先简单介绍一下各自Agent的架构然后再聊具体的落地CaseSession、memory管理的方案可能都得先聊半天。但 OpenClaw 把Agent架构推广之后我们基于OpenClaw搭建个人Agent后就不用再介绍Agent架构是什么了我们再聊的话题就是怎么保活、怎么进一步替换rag算法库、怎么部署多Agent、怎么应用good case。简直丝滑爆了。2、多Agent的天然支持熟悉LLM底层原理的同学都知道LLM成也transformer目前卡脖子的地方也在transformer。Context的瓶颈严格约束了单Agent智能的发挥。传统Prompt定义Agent身份再加上层出不穷的skills正在一步一步蚕食LLM的Context窗口。为了更好使用LLM专事专做似乎已经变成更好使用Agent的共识。3、做和AI能力正交的事情AI时代选择不做什么事情和选择做什么事情一样重要。一年前跟Manus的朋友聊天时当时他就分享过一个观点要做和AI能力正交的事情。花时间精力打造和迭代自己的Agent其实就是跟AI能力正交的一件事跟培养一个人一样他可以是很聪明但他认知世界和做事的能力需要我们来教导他这是千人千面的一个话题。当AI模型越来越聪明我们只需要升级Agent使用的底层LLM即可那些跟AI交互留下来的长期数据都将会变成我们未来更好驱动AI的私人宝贵数据。二我想部署OpenClaw必须要买机器吗买机器不是必须的目前使用OpenClaw有2种主流方案云机 和 自部署。下面我按顺序介绍一下。1、云机腾讯云官网现在已经支持云机部署OpenClaw也十分便捷。如果能接受云机的操作习惯这种方式是最合适的不需要用实体机数据也可以随时download下来。2、自部署接下来介绍一下自部署这可能是大家最关心的。1Mac 和 Windows 怎么选OpenClaw的部署和诸多工具对Mac环境天然友好。如果可以最好选Mac。Windows当然也可以部署就是折腾一些网上都有教程这里就不展开说了。2Mac的配置怎么选因为OpenClaw部署之后基本就在本地运行着所以Mac系列优先推荐Mac Mini。其次关于 Mac Mini的配置这里主要涉及3个指标芯片、内存和磁盘。a. 芯片从软件适配出发既然都采用Mac Mini的方案了那么至少要是M系列的芯片。其次M1~M4要看部署时的诉求如果平时不需要跑文生图、文生视频的本地模型那么M1芯片是性价比最高的。OpenClaw运行时基本都只是调各种api不怎么吃性能。b. 内存内存的诉求也是看是否需要本地部署文生图、文生视频的模型如果需要部署模型还是建议24g内存。c. 磁盘磁盘的诉求也是看是否需要本地部署文生图、文生视频的模型ComfyUI上的模型动辄都是30G起步所以如果用来跑本地模型至少256G起步。目前 Mac Mini M1 1TB 市场价3K左右MacMini M4 512g大概7k左右。不成熟的建议就是既然都打算部署本地模型了建议多花4K玩个大满配以后给家里小朋友做文生图、文生视频不用付费买API还是很香的。三OpenClaw 推荐使用哪个IM工具这是容易踩坑的地方筛选IM工具我总结下来有3个原则安全性、可用性、易用性。我这里不做推荐只是建议大家从这3个原则里明确下自己的诉求来做决策。1、安全性从数据隔离的大前提出发一定要避免个人误操作发送了一些私密内容给OpenClaw注意千万不要把OpenClaw当成「文件传输助手」以及严防习惯OpenClaw之后忽略了其安全风险时刻提醒自己部署OpenClaw之后就是在跟把机器人公开在网上没什么区别按最坏的情况去预估风险。2、可用性这是最容易踩坑的一点如果你只是部署单Agent你会发现还是够用的。但当你部署多Agent之后你的IM调用额度会飞速消耗我在部署10个Agent之后IM的额度直接耗尽原因是OpenClaw的网关机制中有一个定时快照的逻辑const healthInterval setInterval(() { void params.refreshGatewayHealthSanpshot({probe:true})… })该快照逻辑会ping IM60秒一次如果Agent很多IM额度将很快被消耗完。所以如果你有多Agent的诉求你需要选一个额度多(无额度约束)的IM。3、易用性相比OpenClaw推荐的国外IM软件国内的软件易用性还是高一些。四OpenClaw的配置麻烦吗如果只是把工程run起来 配置IM机器人半小时足矣。但如果是配多Agent配不同Agent的任务分配、调试Skills、定制Agent身份、调试定时任务、自部署模型那还是比较耗时的根据 个人经验网上交流经验身边小伙伴配置 的经验大概需要2-3天的时间。五折腾OpenClaw我能有什么收益1、技术层面的收益完整搭建完这套流程后对Skills的理解、对多Agent的理解、对自部署模型的理解、对memory-search原理的理解、对Agent经典架构的理解都可以上一个层次。比如这些问题”如果让你设计一个Agent它的长短期记忆链路你打算怎么设计”“如果让你设计一个多Agent架构你会设计哪些通信方式”“中大型项目中怎么对多Skills的情况进行管理怎么避免多Skills、低质Skills爆炸的问题”“memory-search方案的原理是什么一个完整的LLM对话是怎么在transformer框架中流转的?”都可以在折腾OpenClaw中自己摸索到更进一步的面对当前各种Vibe的Agent项目可以比较清晰的看出这类项目的含金量和生命周期这对我们在AI时代做技术方向的判断都是至关重要的。2、个人Jarvis这个是搭建工具之后通过发挥个人创意可为自己带来的增益。简单来说就是你拥有了个人Jarvis你可以用他定制任何你想让它进行的任务本文会在「三、Good Case 分享」分享几个我自己实际用下来不错的case。一、OpenClaw 多Agent部署一OpenClaw的quick-start1、快速完成OpenClaw的部署工作1部署前需要提前准备的[1] 选择你的IM平台不同IM平台有不同的配置方式这里按个人喜好选择就好。[2] 选择你的LLM ModelLLM Model越聪明OpenClaw发挥就会越好、越稳定。2本机部署OpenClawcurl -fsSL https://openclaw.ai/install.sh | bash使用如上命令安装OpenClaw后会自动启动openclaw onboarding即进入OpenClaw main Agent的配置阶段配置阶段按导引进行配对即可其中config skills的部分可以跳过后续自己专门配置即可。注意十分不建议使用Claude Code来进行OpenClaw的配置CC目前对OpenClaw项目配置的了解还有偏差极大可能出现”it works,but it also broke”的情况导致工程后续极难维护建议还是阅读OpenClaw官方文档使用OpenClaw的官方指令配置Agent。不过使用CC来辅助Debug OpenClaw还是很高效的推荐流程Download OpenClaw源码到本地 → 让CC先学习下OpenClaw的源码 → 再让CC针对本地OpenClaw的配置进行debug。给够CC充足源码语料后交付的水平会大幅提升。二OpenClaw Agent核心架构介绍1、Agent的核心配置项每个Agent都有其对应的workspace如图是一个Agent最核心的配置文件。其各文件的含义如下AGENTS.mdAgent职责声明决定工具权限 SOUL.md个性化提示词注入system prompt TOOLS.md工具白名单/黑名单安全边界 IDENTITY.md身份标识name/avatar通道展示 USER.md用户偏好上下文先验 HEARTBEAT.md定时任务配置可选 BOOTSTRAP.md首次onboarding引导一次性消费 MEMORY.md用户记忆文档RAG源通过查看OpenClaw的源码我们可以找到这么一个方法src/agents/workspace.ts:498-555 exportasyncfunction loadWorkspaceBootstrapFiles(dir: string): PromiseWorkspaceBootstrapFile[] { const entries [ { name: AGENTS.md, filePath: path.join(resolvedDir, AGENTS.md) }, { name: SOUL.md, ... }, { name: TOOLS.md, ... }, { name: IDENTITY.md, ... }, { name: USER.md, ... }, { name: HEARTBEAT.md, ... }, { name: BOOTSTRAP.md, ... }, ]; // 动态检测 MEMORY.md / memory.md for (const entry of entries) { const loaded await readWorkspaceFileWithGuards({...}); // openBoundaryFile检查inode/dev/size/mtime防止路径穿越 } }文件顺序即优先级。AGENTS定义能力边界SOUL注入灵魂TOOLS划定禁区这8个文件构成Agent的完整人格。在这里我大力推荐朋友们阅读AGENTS.md这个文件⭐️⭐️⭐️这个文件详细介绍了一个Agent的启动、memory管理的流程自我感觉堪称OpenClaw最核心的Prompt文件。2、Agent 的启动流程Agent不是常驻进程而是per-session的瞬态实例。每个对话都是一次完整的加载-执行-销毁循环。通过查看OpenClaw的源码我们可以找到这么一个方法src/agents/pi-embedded-runner/run/attempt.ts:1-116 import { createAgentSession, SessionManager } frommariozechner/pi-coding-agent; // 1. 加载bootstrap上下文 const bootstrap await resolveBootstrapContextForRun({...}); // 2. 创建SessionManager封装Pi Agent的session持久化 const sessionManager await prepareSessionManagerForRun({ sessionKey, workspaceDir, ... }); // 3. 构建system prompt注入workspace文件内容 const systemPrompt buildEmbeddedSystemPrompt({ bootstrapFiles: bootstrap.files, ... }); // 4. 创建agent session const agentSession await createAgentSession({ model, systemPrompt, sessionManager, tools: createOpenClawCodingTools({...}), ... });可以看到System Prompt是动态生成的即每次run都会重新读取workspace文件确保配置实时生效。三OpenClaw Agent的记忆力机制了解OpenClaw Agent的记忆力机制对于我们后续精细化对Agent优化、管理skills、学习Agent记忆力机制设计方式都有很大的帮助。和OpenClaw记忆力机制相关的配置有三个// 会话信息 .openclaw/agents/ceo/sessions/xxxx.jsonl // 按天记录的memory .openclaw/workspace-ceo/memory/YYYY-MM-DD.md // LLM精练后的memory .openclaw/workspace-ceo/MEMORY.md通过查看.openclaw/agents/ceo/sessions/xxxx.jsonl文件我们可以发现该.jsonl文件记录了会话的记录。但这时我们会产生如下问题1、Session是怎么实现会话按需加载的正如我们前面所说的不同的会话有其对应的.jsonl。1Session Header在.jsonl 文件中Session Header 是 JSONL 文件的第一行元数据结构如下{ type: session, id: session-uuid, // sessionId cwd: /path/to/workspace, // 工作目录 timestamp: 1234567890, parentSession?: parent-id // 可选fork 时存在 }我实际捞一个Session可见其Header内容如下{type:session,version:3,id:fd292408-168e-4c7b-9f2a-ff7ec0a7c492,timestamp:2026-03-04T16:11:50.567Z,cwd:/Users/blinblin/.openclaw/workspace-ceo}2Agent 的 Session 加载Session 的加载也是懒加载机制当消息到达路由到 SessionKey 之后OpenClaw会查找 sessions.json 获取当前 SessionId将 SessionId 对应的.jsonl 加载到Agent中。2、Session太长是不是就挤爆LLM Context了 是怎么优化的1LLM 感知 Session 的完整流程OpenClaw显然是不会将全量的Session加载进LLM中那么它做了什么优化呢在Session加载 → LLM 感知阶段按如下流程进行load1. 加载 JSONL 文件 2. SessionManager 解析为 messages 数组 3. 应用过滤/裁剪策略 4. 发送给 LLM这里最有意思的就是【3. 应用过滤/裁剪策略】2Session 应用过滤/裁剪策略A. Compaction压缩 - 持久化当对话太长时旧消息会被 总结 成一个 summary。比如压缩前发送给LLM [user1, assistant1, user2, assistan2, … ,user100,assistant100] 压缩后发给LLM [compaction_summary, user80, assistant80, … ,user100, assistant100] ↑ firstKeptEntryId 来控制compaction程度进行该 compaction 压缩后会写入 JSONL 文件也即进行了持久化。下次对话继续使用的就是压缩后的历史。B. Session Pruning修剪- 临时在发送给 LLM 之前临时裁剪旧的 tool 结果。比如修剪前 JSONL 文件中 [user1, assistant1, toolResult1(10KB), user2, assistant2, toolResult2(5KB)] 修剪后发送给LLM的内容 [user1, assistan1, [Old tool result cleared], user2, assistant2, toolResult2(5KB)] ↑ 旧的 tool 结果被替换该修剪策略不修改 JSONL 文件仅仅是内存级别的操作。C. History Limit历史限制 - 可选OpenClaw源码中可以看到该方法getHistoryLimitFromSessionKey(sessionKey) // 可以限制发送的消息数量3、Agent是怎么通过对话(session)的方式迭代Memory.md的Agent 通过文件系统工具fsWrite/fsAppend更新 Memory.md 。当 Session 接近 context 上限时OpenClaw 会自动提示 Agent 写入Memory然后再压缩Session。4、Agent是怎么决策使用Memory的看图就好这张图非常清晰了。三单Agent架构会出现什么问题Transformer架构和原理想必大家都已清楚单Agent的架构不仅有可能导致Context的快速消耗还会错误search导致交付质量降低。举一个我自己遇到过的例子先构建一个RAG tutor Agent让它来强化我们Flutter的技能。 当我中途和该Agent讨论过C的内容那么因为memory机制的问题 后续和该Agent多轮对话过程中它都会带着C相关的记忆 让它提供Demo示例时它不会提供Flutter相关而提供了C相关的示例。尤其是涉及复杂任务时即使现在业内针对Context上限约束做了很多方案在交付水平和运行速度上都差强人意。所以如果我们明确了Agent的专属任务最好还是让Agent专事专做效果会更好。四OpenClaw多Agent部署接下来我们将介绍多Agent的部署流程。接下来为了示例和大家理解我们新增2个Agentceo、iostutor。新增Agent的指令 openclaw agents add iostutor使用OpenClaw指令新增Agent的好处就是可以按openclaw onboading的初始化流程配置Agent整个过程对应的填上[IM bot API]和[LLM API]即可流程并不麻烦。五多Agent通信协同工作多Agent配置完毕后我们接下来要配置Agent的协同工作才能更大价值发挥多Agent架构的效果。在OpenClaw中Agent之间的调用有两种方式sessions_send和sessions_spawn。1、sessions_send 和 sessions_spawn 的区别是什么1sessions_send 向已经存在的 session 发消息简单来说当Agent之间的通信需要被写入各自的memory时就建议使用 sessions_send 的方式。拿公司举例给同事发消息他在自己工作的上下文中处理这种情况就很适合使用sessions_send。2sessions_spawn: 在独立环境中运行任务sessions_spawn 采用SubAgent的方式通过调起子Agent传入内容的方式让其完成交付。sessions_spawn 更像是在雇佣临时工给他一个独立的任务完成后进行汇报。比如ceo角色说 : 让iostutor写一个 Swift 的网络请求封装类30 分钟内完成”即A如果能指挥B干活那么B就是A的SubAgent。2、sessions_send 和 sessions_spawn 应该分别怎么配置sessions_send 和 sessions_spawn 都在 openclaw.json 文件下进行配置。1配置sessions_send没配置前配置过程tools: { agentToAgent: { enabled: true, allow: [ceo, iostutor] }, sessions: { visibility: all - 这个特别容易漏记得一定要配上了 } },配置成功后如图所示ceo → iostutor的会话已经写入iostutor的session中Agent之间可以互相进行通信了。2配置 sessions_spawn配置 sessions_spawn 也不负责比如我们需要让 iostutor 成为 ceo 的SubAgent那么我们就这么配置{ id: ceo, name: ceo, workspace: /Users/blinblin/.openclaw/workspace-ceo, agentDir: /Users/blinblin/.openclaw/agents/ceo/agent, model: openai-codex/gpt-5.3-codex, subagents: { allowAgents: [iostutor]. - 新增这个 } }3、sessions_send 和 sessions_spawn 怎么安排具体应该怎么安排Agent之间的关系关于这块的思考我参考了组织中高效运作的几个原则。1.扁平化 2.达成目标是最终目的层级只是达成目标的方式。所以基于这两个原则假设我们的Agent是公司的员工那么员工之间要做到的就是要互通有无高效沟通时最重要的所有Agent均可进行sessions_send互通agentToAgent: { enabled: true, allow: [ceo, iostutor]. - 要把所有Agent都加进来 },其次为了达成集体的目标在有需要时每个Agent都有义务帮助另一个Agent所有每个Agent都是另外一个Agent的SubAgent{ id: iostutor, name: iOSTutor, workspace: /Users/blinblin/.openclaw/workspace-iostutor, agentDir: /Users/blinblin/.openclaw/agents/iostutor/agent, model: openai-codex/gpt-5.3-codex, subagents: { allowAgents: [ceo] - 这里要加上除了自己之前的其他所有Agent } }, { id: ceo, name: ceo, workspace: /Users/blinblin/.openclaw/workspace-ceo, agentDir: /Users/blinblin/.openclaw/agents/ceo/agent, model: openai-codex/gpt-5.3-codex, subagents: { allowAgents: [iostutor] - 这里要加上除了自己之前的其他所有Agent } }当然了这里的设定都是按能对公司OKR起到明确贡献的Agents的通信方式。如果有一个Agent的职责只是类似前台的角色那么只需要控制单向数据传输SubAgent即可。4、sessions_send 和 sessions_spawn 的决策机制问题当我们配置了A和B Agent互为SubAgent且允许AgentToAgent时Agent是怎么决定调用sessions_send 还是 sessions_spawn 的这取决于LLM自己的判断比如我们配置了 ceo 和 iostutor 允许sessions_send 也配置了 ceo→iostutor sessions_spawn。这时我们给ceo发送一条消息“让iostutor Agent生成一个文章发给我”LLM 会理解为1.这是一个新任务生成文章 2.需要 iostutor 执行任务并返回结果 3.不是跟 iostutor 的某个现有对话继续聊天但如果我们说继续跟 iostutor 的那个文章讨论”这种有明确上下文指向的指令就会使用 sessions_send。5、AgentToAgent 团队Agent遗忘问题有的朋友打通这一步之后过了几天再让iostutor去找ceoiostutor就完全不知道怎么进行AgentToAgent的通信了。这是因为我们上面的配置让Agent之间的通信是用session来记忆它能记住我们会话里说的Agent是工程里的角色因为我们给它发送了这么一句话”使用 sessions_send 工具参数sessionKey“agent:ceo:main”, message“测试 agent-to-agent 通信”, timeoutSeconds60” 。但当短期记忆遗忘后它就忘记了这个指令所以为了解决这个问题我们需要在 workspace/agent_xx/AGENTS.md 进行配置明确告诉它不同Agent分别是谁such as## AgentToAgent 通信 当你需要其他角色的意见或具体执行时 - **iOS问题** → iostutor 获取技术评估 使用 callAgent(iostutor)来直接通信。注AGENTS.md 内容会被注入到 system prompt 中。6、sessions_send 通话的内容过期机制如何A Agent和B Agent 使用 sessions_send 通话后间隔6小时后A和B还能基于6小时以前的session继续沟通吗会新开启一个session吗还是复用之前的session呢结果是会复用之前的session。session_send 不创建新的session它只向已存的session发消息。6小时前 A 和 B 通过 sessions_send 通话时A 的 session比如 agent:ceo:internal:mainB 的 session比如 agent:iostutor:internal:main六多Agent应用实战经验1、公司要扁平化不要部署太多Agent太多的Agent管理起来会比较复杂尤其是多层级的汇报关系是非常不建议的。2、要信任公司成员尽量保持Agent的双向沟通如上文所述建议Agent同时配置 sessions_send 和 sessions_spawn。3、要设立核心成员边界控制核心Agent数量如果是比较明确的工具Agent比如专门对Markdown格式进行排版的Agent。那么建议这种Agent就只配置SubAgent即可它不需要记住太多上下文专心把交付的事情处理完即可。二、OpenClaw 精细化管控二次强调不要用CC来操作OpenClaw如果一定要用CC记得先把 OpenClaw 源码爬下来让CC学一下再去操作OpenClaw。一Skills 管控1、Agent 加载Skills的流程首先我们要明确一个概念Skills 不是每个文档的完整注入只是注入列表。这并不是OpenClaw的专属操作是所有支持Skills能力的基础操作与 AGENTS.md 等文件不同Skills 采用按需加载机制System prompt 只注入 skill 列表名称、描述、路径Agent 需要时用 read 工具读取完整的 SKILL.md1注入流程Skills 来源3个位置按优先级workspace-xxx/skills/ ← 最高优先级per-agent~/.openclaw/skills/ ← 中等优先级sharedbundled skills (npm 包内) ← 最低优先级内置2过滤检查每个 skill 的 requires.bins/env/config跳过不满足条件的skill的 requires.bins/env/config 可以配置执行skill要求的基础条件比如最简单的Weathername: weather description: Get current weather and forecasts via wttr.in or Open-Meteo. Use when: user asks about weather, temperature, or forecasts for any location. NOT for: historical weather data, severe weather alerts, or detailed meteorological analysis. No API key needed. homepage: https://wttr.in/:help metadata: { openclaw: { emoji: ️, requires: { bins: [curl] } } }3生成Skills注入列表available_skills skill namehealthcheck/name description.../description location~/.openclaw/skills/healthcheck/SKILL.md/location /skill ... /available_skills4注入Agent system Prompt和使用Agent 看到列表需要时用 read 读取完整内容2、精细化Skills注入Skills 太多会给Agent造成Context负担甚至错误的Skills会导致Agent错误调用工具。所以我们要对Agent进行精细化的管控把每个Agent的skills加载配置成【基础通用能力Skills 专属Skills】比如 brave_search 这个skill属于让Agent进行高效的联网检索它就应该属于基础通用SKill。又比如Weather这个skill我只让「Family Agent」进行定时天气汇报那么Weather就应该属于「Family Agent」的专属Skill。3、Skills 延迟加载问题在你修改完Skills架构之后你大概率会遇到一个问题Agent并没有加载最新的skills配置比如我们这里调整skills之后咨询Agent skills情况会发现还是使用旧的skills这是因为OpenClaw在session启动时会创建skills快照并在整个session期间复用。重启gateway后旧session仍然使用旧的快照。这时我们删除对应的 session 再重新咨询 Agent 的skills情况就会发现新加的skills已经被更新出来了4、关于Skills的其它小技巧1ClawhubClawhub 是针对 OpenClaw 的 Skills Market可以使用Clawhub的指令对OpenClaw skills进行管理。# 语义搜索 Skills clawhub search calendar management # 安装指定 Skill clawhub install skill-slug # 列出已安装的 Skills clawhub list # 更新所有已安装的 Skills谨慎使用skill建议都做成离线的 clawhub update --all # 同步并备份本地 Skills clawhub sync推荐几个比较好用的Skills1. Find-skills https://clawhub.ai/JimLiuxinghai/find-skills 2. Summarize https://clawhub.ai/steipete/summarize 3. self-improving-agent https://clawhub.ai/pskoett/self-improving-agent 4. brave-search https://clawhub.ai/steipete/brave-search 5. frontend-design https://clawhub.ai/ivangdavila/frontend2Skills的定期管理Skills的添加过于简单导致非常容易出现Skills膨胀、低质扩散的情况。所以推荐定期使用高阶模型对skills进行扫描 清理低质量skill、冲突skill、不必要的skill。二OpenClaw的版本控制问题OpenClaw 存了太多本地重要数据且OpenClaw的配置非常容易被搞挂。所以我们需要对OpenClaw进行版本管理但又不能全量进行 add 操作。目前关于OpenClaw的版本管理没有统一的方案自己diy也不是很复杂这里补充两个需要注意的点。1、memory的切割Session、 memory/xxx.md、memory.md 存储了我们的对话信息这部分信息不建议上云可以在.gitignore中进行配置。2、密钥的动态注入openclaw.json文件中同时存储了「密钥」和「OpenClaw核心config」我们要做的是对「OpenClaw核心Config」进行配置所以建议「密钥」部分通过注入的方式进行管理避免「密钥」的泄露。三、Good Case 分享1. Daily_paperAI 时代消息太多推荐 https://huggingface.co/papers 的daily_paper可以通过Agent进行每日论文的抓取让它快速提炼论文要点让我们从源头了解AI的前言信息。注Agent直接获取 https://huggingface.co/papers 容易失败可以考虑jina.ai这个工具。2. Summary这个没什么好说的Agent必备能力通过获取Subscribe的博主定期分析内容评分提取高质量信息。3. deepResearchDeepResearch 也是Agent的核心能力之一当我们需要深入研判一个消息时可以让Agent启动 DeepResearch 能力对消息进行分析。注DeepResearch的交付质量受限于LLM的能力更好的LLM能显著交付质量更高的内容。4. RAG tutor通过在 Workspace/Agent_xx/Memory/xxx.md 目录下配置学习资料我们可以让Agent成为我们垂直领域的专属tutor借助OpenClaw的能力用最快的方式实现一套RAG tutor。5. ComfyUI 本地文生图/文生视频目前调用文生图、文生视频的api接口都是要付费的当我们自部署OpenClaw之后可以通过ComfyUI在本地部署「文生图、文生视频」接口这样我们的Agent就可以通过调用本地模型进行内容的生成。6. tts 语音本地部署本机部署了 qwen3-tts 的模型用来进行语音合成搞一个学英语读新闻的定时任务还是不错的。https://github.com/kapi2800/qwen3-tts-apple-silicon7. 家庭助理可以配置家庭专属Agent进行完Memory隔离后可以一家人都在IM群里家庭的一些定时任务比如”xxx清理和替换”、”提醒父母吃药”等等可以极大提升家庭幸福感。