本文由 莫潇羽@无忆研习社（www.wuyi.wiki） 撰写，转载请注明出处。

快速摘要（30 秒读完版）

OpenClaw 是一个 MIT 协议开源、本地优先的 AI Agent 执行网关，因图标是一只红色的龙虾，社区昵称"小龙虾"。它跟 ChatGPT、豆包、Kimi 这类"窗口关了就睡着"的对话式 AI 完全不是一个物种——它能直接读写你电脑里的文件、操控浏览器、跑命令、发消息、连微信钉钉飞书 QQ，并且 24 小时挂在那儿等任务。

读完这篇你会拿到下面这些东西：

• 一张图看懂它的五大核心组件：网关、智能体、工具、技能、记忆，以及它们之间到底怎么协作。
• 国内本地化方案怎么选：开源原版、腾讯 QClaw / WorkBuddy、阿里 CoPaw 这些产品到底差在哪儿，你应该选哪一只虾来"养"。
• 完整的实操路径：从安装、扫码连微信，到下第一条指令出活，再到看产出物、设定时任务、连知识库。
• 技能（Skill）系统的深度拆解：什么是 SKILL.md、三种安装方式、ClawHub / SkillHub 怎么找好技能、Skill 触发词为啥不响应。
• 自己写一个 Skill：用对话方式 30 分钟从零落地。
• 理性养虾的安全清单：高权限带来的风险、工信部"六要六不要"的通俗解读、个人和企业怎么把边界划清楚。

全文长度大约 15000 字，配多张原理图、对比表、代码块，可以收藏当工具书反复翻。想看完整拆解，往下翻。

一、从聊天到智能体：为什么"小龙虾"突然刷屏

每一波技术浪潮里，总有一些产品是"用过的人觉得稀松平常，没用过的人觉得不可思议"。OpenClaw 就是这一波 AI 浪潮里最典型的代表。

要看清它的位置，得先把"AI 助手"这个东西的演化捋一遍。

1.1 第一代：纯对话式大模型

这就是大家最早接触到的样子——你给一段话，它回一段话，对话窗口一关，所有上下文清零。它不能调用工具、没有持久记忆、没办法读取本地文件，更别说帮你跑命令、操控浏览器。

这一代产品其实只存在了非常短的时间。新鲜劲儿过去之后，大家就发现：纯聊天解决不了多少真问题。我让它帮我写周报，它写得不错，可它要我自己复制粘贴到飞书；我让它分析报表，它倒是分析得头头是道，可它压根读不到我电脑里的那张 Excel。

1.2 第二代：插件 + 知识库 + 记忆

很快，第二代形态出现了：Agent 智能体。

在原本的对话能力上，往大模型周围挂了几个新模块：

• 知识库：解决幻觉问题。我把文档喂进去，问的时候它先去知识库里捞证据再回答。
• 记忆：你的偏好、习惯、上下文，模型不再每次都"失忆"，多轮对话能往前接得上。
• 工具调用 / 插件：让模型不再只输出文字，而是能调用外部 API、执行特定动作。
• 流程编排：能配置一些固定的流水线，比如"先搜资料、再写大纲、再生成正文"。

国内大家熟悉的扣子（Coze）就是这一代里的典型。点点拖拽就能搭出一个智能体，新手 30 分钟能上手。但它有几个比较硬的天花板：

• 你得理解每一个流程模块的功能含义，不是真的"零门槛"。
• 大部分是单 Agent，没法让多个智能体配合干活。
• 它跑在云端，不能直接操作你本地电脑上的文件。

1.3 第三代：多 Agent 协作 + 本地执行

这就引出了 OpenClaw 的位置——第三代 AI 智能体。

它最关键的两个突破是：

第一，多 Agent 平级协作。一个智能体不够用？再起一个。一个负责写代码、一个负责查资料、一个负责发周报，它们之间能通过会话隔离机制互不串扰地协同。

第二，本地执行。OpenClaw 不是只能在云上"动嘴"。它就装在你自己的电脑或服务器上，有权限读写文件、跑 shell 命令、操控浏览器。换句话说，它把"思考"和"动手"接通了。

按照知乎上一些技术博主的总结，OpenClaw 填补了"ChatGPT 这类对话机器人"和"Auto-GPT 这类全自动智能体"之间的空白：它强调动作导向（action-oriented），允许智能体跟外部环境自主交互。在莫潇羽@无忆研习社看来，这是一个被低估的转折点——它把 AI 从"信息查询工具"真正推到了"数字助手"这个位置上。

1.4 OpenClaw 是 AI 时代的智能体操作系统

如果用一句话给它定位，我会说：OpenClaw 是一个面向 AI Agent 的"操作系统"。

操作系统是干什么的？管理硬件资源、调度进程、提供统一的接口给上层应用。OpenClaw 干的是类似的事情：

• 大模型是"CPU"（负责思考）；
• 你的设备是"硬件"（提供算力和文件系统）；
• 各种聊天平台是"显示器和键盘"（输入输出）；
• 而 OpenClaw 自己，是把这些拼在一起的"调度内核"。

它的口号是"Local-first AI Agent"——本地优先的 AI 智能体。所有的对话记录、工具执行、会话状态、调度逻辑，都留在你自己的设备上；只有大模型那一层是云端的 API 调用。

这也是为什么它的火爆有点像当年 Linux 的那种感觉：它不是某家公司发布的明星产品，是开源社区在自己玩、自己迭代、自己卷出来的工具，然后被各家大厂同时盯上、各自做本地化封装。

二、五大核心组件：一张图看懂底层架构

要真正用好 OpenClaw，光会发指令不够，得搞清楚它内部到底是怎么转的。否则遇到问题完全没法排查。

它的内部其实就五个角色，我喜欢用"五个管家"来类比，新手一听就明白。

2.1 一张全景图

先看整体结构，下面这张图把五个核心组件、消息流向、AI 模型的位置都标清楚了：

flowchart LR
    subgraph 外部["外部世界"]
        WC[微信]
        QQ[QQ]
        FS[飞书]
        DD[钉钉]
        WEB[网页 Dashboard]
    end

    subgraph 核心["OpenClaw 内核（本地）"]
        GW["🎯 Gateway 网关<br/>前台管家·全局唯一"]
        AG["🧠 Agent 智能体<br/>任务管家·可多个"]
        SK["📚 Skills 技能<br/>技能管家·SOP 手册"]
        TL["🛠 Tools 工具<br/>工具管家·命令·浏览器"]
        MEM["💾 Memory 记忆<br/>记忆管家·偏好·档案"]
    end

    AI["☁ 大模型 API<br/>Anthropic / OpenAI / 国产模型"]

    WC --> GW
    QQ --> GW
    FS --> GW
    DD --> GW
    WEB --> GW

    GW -->|分发消息| AG
    AG <-->|思考| AI
    AG -->|调用| SK
    AG -->|执行| TL
    AG <-->|读写| MEM

记住这个结构，后面所有的概念都能往这五个角色上挂。

2.2 第一位管家：Gateway 网关（前台管家）

网关是整个系统的入口。它的工作只有一件事：接收来自外部聊天工具的消息，识别意图，分发给对应的 Agent。

它有几个关键特点新手容易忽略：

全局唯一。在一个 OpenClaw 实例里，Gateway 只有一个。所有的消息进出都要走它。这就跟一栋写字楼只能有一个前台一样——你不可能进门看到两套不同的访客登记台。

长连接、24 小时在线。Gateway 实质上是一个 WebSocket 服务器，跟各个聊天平台保持长连接。任何一条消息进来，它都能毫秒级感知。这也是为什么有人说"OpenClaw 是天选打工人"——只要 Gateway 不下班，活儿就一直能接。

它不思考，只路由。Gateway 自己是不调大模型的，它只负责把消息转给 Agent。所以即使你切换了不同的 Agent，Gateway 也不需要重启。

2.3 第二位管家：Agent 智能体（任务管家）

Agent 才是真正"动脑子"的那个角色。

它的工作流程是：

收到消息 → 组装上下文 → 决定调哪些工具 / 哪些技能
        ↓
   调用大模型 API 思考
        ↓
   拆解任务 → 执行子任务 → 汇总结果
        ↓
   把结果通过 Gateway 发回给你

Agent 是可以有多个的。这一点跟 Gateway 不一样。

你可以同时养三个 Agent：一个"写作 Agent"（绑定文学风格的 system prompt）、一个"代码 Agent"（绑定程序员人设、绑定 git 等开发技能）、一个"邮件 Agent"（绑定邮箱操作技能）。三个 Agent 还能互相协作——Agent A 在执行任务时，可以通过 sessions_send 这样的内置工具去唤起 Agent B 协助，B 在自己的"沙箱"里完成工作流后再把结果回传给 A。

这里有一个坑要提醒：多 Agent 协作是在会话隔离（Session Isolation）的前提下运行的。每个 Agent 有自己的 agentId（必须全小写，比如 code-agent、news-agent），这是系统精准路由请求的基础。命名瞎写，路由就乱了。

2.4 第三位管家：Tools 工具（工具管家）

工具是 Agent 真正能"动手"的载体。

OpenClaw 内置的工具大致分几类：

工具是 Agent 的直接调用对象。比如 Agent 要查天气，它就直接调用浏览器工具去打开天气网站；要写一份 markdown，它就直接调用文件工具创建文件。

这里有个细节要拎出来：工具本身是"原子能力"，比较底层。普通用户其实不需要直接关心怎么调用它们——后面要讲的技能（Skill）会在工具之上再封一层。

2.5 第四位管家：Skills 技能（技能管家）

技能是 OpenClaw 跟其他 Agent 框架拉开差距的核心设计。

简单理解：技能是"操作手册"，告诉 Agent 在某类任务上应该用哪些工具、按什么步骤干。

它的物理形态是一个文件夹：

my-skill/
├── SKILL.md         # 主说明文件（含 YAML frontmatter + Markdown 指令）
├── scripts/         # 可选：辅助脚本
│   └── run.py
├── templates/       # 可选：模板文件
└── README.md        # 可选：人类可读的说明

其中 SKILL.md 是核心。它的开头是一段 YAML frontmatter：

---
name: weather-query
description: 查询全球主要城市实时天气，支持中文查询
version: 1.0.0
---

接下来是 Markdown 写的"什么时候用、怎么用、注意什么"的自然语言说明。

举个例子，假设你装了一个"生成 PPT"的技能，它的 SKILL.md 会清晰告诉 Agent：

1. 触发条件：用户说"做 PPT""生成幻灯片""做演示文稿"时调用。
2. 需要的依赖：python-pptx、Pillow 这些库装好没。
3. 操作步骤：先确定主题，再生成大纲，再调脚本逐页渲染。
4. 边界条件：用户没说页数时默认 10 页；超过 30 页要确认。

OpenClaw 在执行任务前会先扫描可用技能列表：

先扫描可用技能列表。如果恰好有一个技能明显适用，读取它的 SKILL.md。如果有多个可能适用，选最具体的那个。如果都不适用，不要读取任何 SKILL.md。

这种"按需加载"机制带来的好处是：50 个 Skill 加在一起也只占 1200 个左右的 token——非常省钱。

技能跟工具最大的区别是：工具是动作，技能是 SOP。没有 PPT 技能，Agent 也可以靠工具一步步摸索着生成 PPT；但有了技能，Agent 就像拿到了一份现成的菜谱，效率快好几倍。

2.6 第五位管家：Memory 记忆（记忆管家）

记忆系统负责长期沉淀用户偏好和上下文。

它有几个层次：

• 短期记忆：当前会话（Session）里的上下文。
• 长期记忆：用户偏好、个人档案、聊天历史摘要，以向量形式存进本地数据库。
• 文件型记忆：直接以 markdown 文档的形式存放，方便人类查看和编辑。

举个真实场景：你第一次跟 Agent 说"我叫莫潇羽，写文章喜欢口语化、讨厌排比句"，下一次新开会话，Agent 仍然会以这种风格回复你——因为这条偏好被写进了长期记忆。

特别提醒：记忆本质上是个本地文件，删除文件 = 失忆。所以做备份是个好习惯，尤其是用了很久之后。

2.7 几个补充概念

除了五大管家，还有几个名词新手容易混淆：

• Channel（渠道）：你跟 Agent 沟通的通道，比如微信是一个 Channel、飞书是一个 Channel。一个 Agent 可以同时绑定多个 Channel。
• Session（会话）：一段连续的对话上下文。多人共用 Agent 时，每个人的对话是不同 Session，互不干扰。
• Heartbeat（心跳）：Agent 给自己设定的"每 30 秒检查一次有没有活干"的机制。
• Cron（定时）：跟 Linux 的 cron 类似，让 Agent 在特定时间点自动执行任务。

下面这张表把五大组件的"多少关系"列清楚了，建议截图保存：

把这五个管家的关系搞清楚了，OpenClaw 的全部"魔法"就不再神秘——它只是把这五件事拼接得很优雅。

三、软件本体 + 大模型：两条腿走路的设计

很多新手第一次接触 OpenClaw 的时候，脑子里会有一个挥之不去的问题：它到底装在哪儿？我打开微信就能用，是不是云端服务？

不是。它是装在你自己电脑上的本地软件。理解了这一点，后面所有的部署、收费、安全问题才都讲得通。

3.1 它是一个软件，不是一个网站

OpenClaw 的本体是一个开源的命令行程序，由 TypeScript 编写，主要依赖 Node.js 运行环境。在它的 GitHub 仓库 sst/opencode 里，你能看到完整的源代码。

它能装在哪些设备上？

• ✅ 桌面操作系统：Linux、macOS、Windows
• ✅ 服务器：任意能跑 Node.js 的 Linux 服务器
• ❌ 手机操作系统：iOS、Android 都装不了

很多人会困惑："那我手机上用的'小龙虾'是什么？"——其实那只是聊天工具。你在手机微信里发一条指令，消息会通过微信的服务器转发到你电脑（或服务器）上跑着的 OpenClaw，OpenClaw 执行完任务再把结果发回到微信。手机只是"遥控器"，真正的执行机仍然是电脑或服务器。

3.2 开源 + 依赖众多 = 部署有门槛

OpenClaw 的代码是 MIT 协议开源，但开源不等于零门槛。

它的依赖很重，包括：

• Node.js（指定大版本）
• Python（部分技能依赖）
• Docker（沙箱环境）
• 各种系统级工具（比如 git、ffmpeg、chromium）

加上不少软件包默认从境外源下载，国内拉取经常超时或者失败。所以官方原版的部署过程对普通人很不友好——这也是为什么市面上会出现"代安装服务"这种生意。

针对这个痛点，国内厂商做了两条路线：

1. 云厂商把它内置到 Linux 镜像里：你在腾讯云或者阿里云买一台轻量服务器，挑选已经预装 OpenClaw 的镜像，开机就能用。代价是你得长期使用这家云厂商的资源。
2. 桌面客户端 + 一键安装包：把 OpenClaw 的复杂依赖打成一个安装包，下载、点下一步、登录，三步搞定。这条路线最大的受益者是普通用户。

3.3 没有大模型，OpenClaw 也是个空壳子

OpenClaw 自己不带大模型。它只是个"调度框架"，思考能力靠外部大模型 API 提供。

你需要给它配置一个或多个大模型接入。配置方式有：

• 官方 API：直接填 Anthropic、OpenAI 的 API Key。
• 国产大模型 API：DeepSeek、Kimi、MiniMax、千问、混元、豆包等。
• 本地模型：通过 Ollama、LM Studio 跑本地大模型，连本机 11434 端口。
• 大厂内置算力：用某些厂商的客户端时，平台会内置一些主流模型的算力包，新手不用自己配 API Key。

我自己折腾下来的体感是：

很多人折腾过本地模型，发现效果差强人意。这其实不能怪本地模型——本地能跑的参数量普遍偏小，工具调用准确率会显著下降。如果你做的是严肃任务，还是优先用云端旗舰模型，本地模型适合做隐私敏感的纯文本任务。

3.4 即时通讯是它的"嘴和耳朵"

OpenClaw 本身也有一个 Web 控制面板（默认跑在 localhost:3000 或 18789 端口），但说实话那个面板更像是给开发者调试用的——设置项又多又散，普通人不太愿意点。

真正让它"飞起来"的，是把它接到即时通讯软件里：

• 微信（个人 / 企业）
• QQ
• 飞书
• 钉钉
• WhatsApp / Telegram / Discord / Slack（境外平台）
• iMessage

接入之后，它的"个人助理"形态才真正显现：你随手在微信里发一句"帮我把昨天群里聊的需求整理成文档发到我邮箱"——OpenClaw 就开始干活了。

3.5 为什么云厂商一窝蜂下场？

回到开头那个问题：既然 OpenClaw 是开源的，为啥腾讯、阿里、字节这些厂商都要做自己的封装版本？

我自己分析下来，背后大概有三个原因：

第一，部署门槛足够高，普通人装不上去。谁能把"安装"这件事简化到一分钟，谁就抓住了入口。

第二，它需要大模型。把它跟自家的算力 / 大模型打包卖，是天然的变现路径。

第三，它最终要连即时通讯。微信是腾讯的、飞书 / 钉钉 / 企业微信各有归属——谁的 IM 工具粘性强，谁就有"近水楼台先得月"的优势。

这就是为什么腾讯、阿里、字节几乎在同一周里都推出了自家的"小龙虾"产品。从大方向看，这是 AI Agent 战场的入口之争。

四、国内本地化方案怎么选

下面进入实操选型环节。市面上能装在国内电脑上、跟微信钉钉直连的"小龙虾"产品大致可以分三类。

4.1 三大方向：开源原版、大厂封装、第三方魔改

为了便于比较，我画了下面这张选型决策图：

flowchart TD
    A{你是什么样的用户?} --> B{懂技术/愿折腾吗?}
    B -- 懂&愿折腾 --> C[OpenClaw 开源原版]
    B -- 不太懂/想省事 --> D{在乎自定义自由度吗?}
    D -- 非常在乎 --> E[选择支持自定义大模型的<br/>第三方桌面客户端]
    D -- 一般在乎 --> F{主要场景是什么?}
    F -- 个人办公/写作 --> G[大厂个人版客户端<br/>如 QClaw]
    F -- 企业协作 --> H[大厂企业版客户端<br/>如 WorkBuddy]
    F -- 浏览器自动化 --> I[强浏览器控制的<br/>大厂方案 如 CoPaw]
    C --> J[100% 开源·全自定义<br/>需要懂部署]
    E --> K[兼容 OpenClaw 技能·支持<br/>多种大模型·开源可改]
    G --> L[扫码即用·内置算力<br/>但只能用平台模型]
    H --> M[企业微信直连·多 Agent<br/>办公场景丰富]
    I --> N[浏览器接管能力强<br/>但配额受限]

4.2 主流方案对比表

下面是莫潇羽@无忆研习社根据公开资料和实际试用整理的一张对比表。注意：各家产品都在快速迭代，等你看到这篇时，具体功能边界可能会有变化，决策时最好对照官网最新版本。

4.3 五类用户画像 + 推荐策略

我把读者大致分成五类，给每类一个比较实在的建议：

类型一：技术开发者，喜欢造轮子

闭眼选 OpenClaw 开源原版。能折腾就尽量折腾。你可以读源码、改逻辑、自己改 Skill。代价是部署难度大，且很多依赖需要科学优化（这里指依赖镜像和加速服务的合规优化，比如国内镜像源、CDN 加速）。

类型二：普通办公族，想"傻瓜式"用起来

选大厂个人版客户端，扫码登录、内置算力，五分钟出活。短板是只能用平台提供的模型，自由度有限。但对绝大多数办公场景来说，平台模型已经够用了。

类型三：企业团队，要在企业微信 / 飞书里协作

选大厂办公版。这类产品对企业微信、飞书、钉钉的接入是深度的——可以读取群消息、写智能表格、对接审批流。多 Agent 协作能把不同岗位的智能体串起来。

类型四：靠浏览器吃饭的人

比如做电商运营、做调研、跑数据爬虫的同学，可以重点关注那种把浏览器控制做成强项的客户端。打开标签、点击元素、表单自动填、长流程录制——这类能力是它的招牌。

类型五：教程作者 / 内容创作者

我建议你"养"两只虾：一只是开源原版（保持对底层的理解），一只是大厂版（用来体验产品级的封装）。对内容创作者来说，覆盖面比纯熟更值钱。

4.4 选型时容易踩的几个坑

最后我把自己踩过的几个坑列出来，希望你别再绕弯子：

坑一：盯着"星标数"选

GitHub star 是热度指标，不是质量指标。决定你体验好坏的是你的使用场景与这只虾的能力分布是否匹配。

坑二：迷信"完全自定义"

完全自定义意味着完全自己负责——出了问题没人帮你 debug。新手如果不是核心开发者，选一个能力中庸、官方维护良好的客户端，比"全自由"更香。

坑三：忽略积分/Token 消耗

很多大厂版客户端是"赠你一个体验额度，用完之后买积分"。这个账新手很难预估。OpenClaw 内部有 Heartbeat + 自主进化机制，上下文越来越长，Token 也越烧越快。我的建议是：第一个月先观察消耗节奏，再决定要不要长期养这只虾。

坑四：在主力机上"裸奔"部署

这是后面安全章节要展开讲的——OpenClaw 有较高的系统操作权限，最好不要直接装在装着重要资料的主力机上。

五、从安装到第一次出活

讲完原理和选型，下面把实操路径走一遍。这里以一种"大厂个人版"客户端为例（具体名字可能因更新而变，关注当前主流的扫码即用方案就行），大致流程其他产品都通用。

5.1 三步上手

整个流程压缩到三步：

   ┌─────────────────────────────────────────────┐
   │  Step 1   下载安装                            │
   │  从产品官网下载对应操作系统的安装包             │
   │  双击安装，跟着提示点完就行                    │
   └─────────────────────────────────────────────┘
                       ↓
   ┌─────────────────────────────────────────────┐
   │  Step 2   扫码登录                            │
   │  打开客户端 → 弹出登录界面                     │
   │  用微信扫描二维码完成绑定                      │
   │  （部分客户端可同时绑定 QQ / 飞书 / 钉钉）       │
   └─────────────────────────────────────────────┘
                       ↓
   ┌─────────────────────────────────────────────┐
   │  Step 3   发送指令                            │
   │  方式一：在客户端内对话框直接输入              │
   │  方式二：在微信里给绑定好的机器人发消息         │
   └─────────────────────────────────────────────┘

5.2 主界面的四大区域

打开客户端后，你会看到一个典型的"侧栏 + 主区 + 辅栏"布局：

┌─────────────┬─────────────────────────────┬────────────┐
│  左侧导航   │       中间对话主区          │  右侧辅栏  │
│             │                             │            │
│ - 对话      │   ┌─────────────────────┐  │  文件      │
│ - 任务      │   │  你: 帮我做一份周报 │  │  会话      │
│ - 智能体    │   └─────────────────────┘  │  连接应用  │
│ - 链接应用  │   ┌─────────────────────┐  │  设置      │
│ - 灵感库    │   │  虾: 好的，给我5分钟│  │            │
│ - 文件      │   └─────────────────────┘  │            │
│             │                             │            │
│             │   [输入框 ........] [发送] │            │
└─────────────┴─────────────────────────────┴────────────┘

四个区域各干什么：

• 左侧导航：切换功能模块，每个 Agent 在这里都有一个独立入口。
• 中间主区：当前会话窗口，下指令、看回复。
• 右侧辅栏：当前 Agent 的人设、当前会话产生的文件、当前 Agent 绑定的技能。
• 顶部 / 底部状态栏：模型选择、积分余额、当前网络状态。

5.3 第一个任务：让小龙虾写一篇笔记

点击新建对话，输入一条简单指令试水：

帮我整理一份关于 AI Agent 入门的学习笔记，要点清晰、配示意图。

提交后你能观察到几件事：

1. 它先搜索网络资料；
2. 拿到资料后起草大纲；
3. 逐节扩写正文；
4. 把结果写入一个 markdown 文件，并把文件路径告诉你；
5. 最后给一段总结性回复。

整个过程在右侧辅栏的"文件"标签下可以看到产出物。莫潇羽@无忆研习社建议你养成的一个习惯是：任务完成后立刻把产出物归档到自己的知识库里。系统的"文件"目录是工作区，过段时间会变得乱七八糟。

5.4 灵感库：新手的"提示词模板池"

如果你不知道怎么写指令，灵感库是个不错的起点。

灵感库一般会把常见的办公、学习、自媒体、营销场景做成模板。点开一个模板，你会看到一段已经写好的提示词，比如：

适用场景：自媒体一键生成笔记
提示词模板：
帮我从【主题】生成适合发布在【平台】的笔记，要求：
- 长度：500-800 字
- 风格：口语化、有干货
- 结尾：留一个引发讨论的开放问题

点击使用之后，提示词会被自动填进输入框，你只要替换占位符（主题、平台等）就能发送。

新手前两周可以多用灵感库，看看好的提示词长什么样，慢慢就能自己写。

5.5 产出物去哪儿了

这是新手最容易迷茫的环节：小龙虾给我生成了一个文档，文件在哪儿？

主流客户端的处理方式都是把产出物保存在一个工作区目录下。常见的路径有：

# macOS / Linux
~/.openclaw/workspace/output/
~/.openclaw/skills/

# Windows
C:\Users\<你的用户名>\.openclaw\workspace\output\

具体路径可以在客户端的"设置 → 工作区"里看到。建议你做两件事：

• 设一个固定的归档目录，比如 ~/Documents/openclaw-output/，每周把产出物移过去并按主题分类。
• 把工作区加入备份范围，避免不小心删了重要文档。

5.6 防休眠：让小龙虾真正 24 小时在线

如果你想让小龙虾在你睡觉时帮你跑长任务，记得做一件事：关闭系统休眠 + 在客户端里勾选"阻止系统休眠"。

设置位置一般在客户端的"系统 → 性能 / 后台"标签下，会有一个明确的开关：

设置 → 后台
  ┌────────────────────────────────────┐
  │ ☑ 阻止系统进入休眠                  │
  │ ☑ 保持网络连接                      │
  │ ☐ 自动登录开机启动                  │
  │ ☐ 显示后台运行通知                  │
  └────────────────────────────────────┘

如果你的电脑还需要做别的事情，担心 24 小时不关机太费电——把 OpenClaw 装在一台轻量服务器或 Mac mini 上是更优解。这也是为什么社区里有人专门"为养虾买 Mac mini"的原因。

5.7 链接应用：把产出物分发到外部系统

很多人写完文档后想把它存到自己的知识库（Obsidian、印象笔记、海马知识库、腾讯文档等）。这件事可以靠"链接应用"功能完成。

工作流大概是：

1. 在客户端的"链接应用"页面授权一次外部服务
2. 之后下指令时直接说"把这份文档存到我的知识库"
3. Agent 会自动调用对应的 API 上传

如果你没明确告诉它存到哪个知识库，Agent 会自己挑一个；明确说出来更靠谱。

5.8 定时任务

任务页面允许你创建定时任务——这是 OpenClaw 跟传统对话 AI 拉开差距的关键能力之一。

举两个我自己用得很顺手的例子：

# 每天早上 8:30 自动跑
- 抓取昨天的微博热搜前 20 条
- 总结成 5 个内容选题
- 发到我的微信里

# 每周一晚上 22:00 自动跑
- 汇总本周的工作日报
- 提炼成下周计划
- 发邮件到我的私人邮箱

定时任务需要电脑或服务器持续在线，所以重要任务一定要部署到服务器上。

六、给智能体"塑人格"与多 Agent 协作

到这里你已经能让小龙虾干活了。下一步进阶是：把不同任务交给不同的智能体。

6.1 为什么要多个 Agent

设想一个场景：你白天写代码、晚上写公众号、周末做投资研究。如果只有一个"万能 Agent"，它的 system prompt 必须同时兼顾这三种风格，结果是哪个都不专业。

更好的方式是给每个领域配一个专属 Agent：

flowchart LR
    主["主 Agent<br/>负责接收并分发"]
    A["写作 Agent<br/>风格: 口语化、有干货"]
    B["代码 Agent<br/>风格: 简洁、注释清晰"]
    C["研究 Agent<br/>风格: 严谨、引用充分"]
    主 --> A
    主 --> B
    主 --> C
    A -.-> 主
    B -.-> 主
    C -.-> 主

6.2 创建一个新 Agent

主流客户端的创建流程都差不多：

1. 进入"智能体管理"页面，点击"新建"
2. 输入名称（比如 writer-mo）
3. 客户端会用对话方式引导你描述这个 Agent 的人设
4. 你回答几个问题：它是谁？擅长什么？语气风格？
5. 系统自动生成一段 system prompt，可以直接用，也可以自己改

举个具体例子。我自己创建过一个"撰稿人 Agent"，关键设定大致是：

人设：莫潇羽，无忆研习社资深博主，10 年写作经验。
擅长：把复杂的技术原理写成新手能看懂的实操干货。
风格：口语化、有节奏感、句子长短交错；
     第一人称表达多一点；
     避免 AI 腔调（"首先""综上所述""值得注意的是"等不要用）。
禁忌：不写空话套话；不堆排比；不要点化。

把这段塞进 system prompt，这个 Agent 后续的输出就稳定地是这个味道。

6.3 同一个问题，不同 Agent 的差异

为了让大家直观感受 Agent 人设的作用，我用一个简单问题做对比：

问题：在桥上能不能停车？

律师 Agent 的回复：

根据道路交通安全法的规定，在桥梁上、隧道里、坡道上停放车辆都属于违法停车的范畴，会面临 50 元至 200 元不等的罚款，部分地区还会扣分。需要特别注意，机动车故障无法移动时，应立即开启危险报警闪光灯，并在车后方设置警告标志，呼叫救援，不可长时间占用桥面。

普通办公 Agent 的回复：

一般不能在桥上停车，会罚款。建议你停到桥下或附近的合法停车位。

差距非常明显。同一个底层大模型，绑定不同的人设之后，输出的专业度和风格都会变。这就是 Agent 设定的价值。

6.4 多 Agent 协作的会话隔离

OpenClaw 的多 Agent 协作是建立在会话隔离（Session Isolation）机制上的。

简单说就是：

• 每个 Agent 有自己的唯一标识 agentId（必须小写，比如 code-agent）
• Agent X 调用 Agent Y 时，会通过内置工具 sessions_send 发起请求
• Y 在自己的独立沙箱里完成工作流
• 完成后把结果回传给 X
• X 再汇总后给你最终答复

这种设计的好处是：信息不会串扰。比如代码 Agent 处理的是公司的内部仓库，写作 Agent 处理的是公开文章——它们的上下文完全隔离，避免敏感信息泄露。

这里有一个坑：在公司场景下（一个 Gateway 多个用户共用），多 Agent 平级协作可能仍然存在数据泄露风险。所以生产环境建议使用主从 Agent 结构，而不是平级。

6.5 技能与 Agent 的绑定

技能（Skill）跟 Agent 是绑定关系。

意思就是：同一个 PP