我把 OpenClaw 的 System Prompt 拆开了:9层架构,两层你能控制

↑阅读之前记得关注+星标⭐️，😄，每天才能第一时间接收到更新

大家好，我是杰克王，AI 算法 6 年老兵。

你有没有想过，你跟 AI Agent 说话的时候，AI 到底”看到”了什么？

不是你发的那句话，而是整个 System Prompt——那个决定 Agent 如何思考、如何回应、有哪些能力的底层配置。

今天分享一篇技术拆解，把 OpenClaw Agent 发给 LLM 的完整 System Prompt 结构扒开来看：9 层架构，每层是什么，哪些你能控制，哪些不能。

OpenClaw 的 System Prompt 不是一个文件，而是 9 层动态拼装的结果：

• • Layer 1–6：框架自动生成，保证所有 Agent 行为一致，用户无法修改
• • Layer 7：你可以直接编辑的静态配置文件（IDENTITY.md、AGENTS.md 等）
• • Layer 8：你可以写脚本动态注入内容的 Hook 系统
• • Layer 9：每次对话实时注入的上下文，框架自动处理

用户真正可控的只有 Layer 7 和 Layer 8，不是只有 Layer 7。

Layer 1：框架核心层

就像操作手册的”使用说明”——告诉 LLM 你是谁、能做什么

这一层由框架统一生成，包含：Agent 身份标识、当前时间戳、工具调用规范、安全边界（禁止执行 rm -rf 等危险操作）。

所有 Agent 共享这套基础规则，框架升级时自动获得新能力。用户无法修改，但也不需要维护。

Layer 2：工具定义层

就像瑞士军刀的工具清单——告诉 LLM 有哪些工具、每个怎么用

用严格的 JSON Schema 定义每个工具的参数，让 LLM 准确理解用法。框架在工具调用前自动验证参数，出错概率大幅降低。

代价是：添加新工具需要写完整 Schema，不能随意动态扩展。

Layer 3：技能注册表

就像餐厅的”特色菜谱”——有哪些专业领域的”配方”可以调用

自动扫描 Skills 目录，放入新 Skill 文件就自动注册，无需任何配置。

这也是为什么 Skills 越装越多，token 消耗也随之增加——所有 Skill 的 description 都会被注入 System Prompt。

Layer 4：模型别名层

就像快捷键——给复杂的模型路径起简短别名

glm-5      →  zhipu/glm-5
Sonnet 4.5 →  provider/claude-sonnet-4-5

好处是支持多 Provider 切换，方便 A/B 测试。LLM 可以通过 /model glm-5 直接切换模型。

Layer 5：协议规范层

就像交通规则——定义 Agent 与系统交互的标准协议

三种核心协议：

• • Silent Replies：不需要回复时输出 NO_REPLY，避免群聊刷屏
• • Heartbeats：心跳检测时回 HEARTBEAT_OK，证明 Agent 在线
• • Reply Tags：[[reply_to_current]] 触发平台原生回复功能

Layer 6：运行时信息层

就像仪表盘——告诉 LLM 当前运行环境的实时状态

每次请求注入：当前时间、运行模型名称、主机环境、channel 类型（Discord / Feishu / 等）。

大约消耗 2KB token，但保证 LLM 知道”现在是什么情况”，不会出现时间错乱或路径写错的问题。

Layer 7：工作区文件层 ★ 用户可编辑

就像你的工作笔记——可以直接编辑的静态配置文件

这是用户最熟悉的一层，核心文件有：

设计哲学是把”变”和”不变”分离——框架层保证稳定，用户层允许个性化。配置文件可以 git 管理、备份、多台机器共享。

优化建议：

• • 用表格代替段落，用 checklist 代替长文描述
• • 不要把 Skills 的详细说明复制进这里（Skills 会自动注入）
• • MEMORY.md 依赖系统自动维护，不要手动堆内容

Layer 8：Bootstrap Hook 系统 ★ 用户可编程

就像可编程的注射器——写脚本在运行时动态注入内容

这一层比 Layer 7 强大得多，但也更复杂。有四种使用方式：

① 追加额外文件（最简单）

{
  "hooks": {
    "bootstrap-extra-files": {
      "enabled": true,
      "paths": ["docs/API.md", "docs/ARCHITECTURE.md"]
    }
  }
}

适合：需要把项目文档注入 Agent，又不想动默认配置文件。

② 完全控制 bootstrapFiles（最灵活）

registerInternalHook("agent:bootstrap", (event) => {
  const context = event.context;
  // 根据 session 类型加载不同文件
  if (sessionKey.includes("coding")) {
    context.bootstrapFiles.push({
      path: "CODING_GUIDELINES.md",
      content: fs.readFileSync("...").toString()
    });
  }
});

适合：根据任务类型动态加载不同文件。

③ 注入实时上下文（动态场景）

on("before_prompt_build", (event, ctx) => {
  return {
    prependContext: `当前时间：${new Date().toISOString()}`
  };
});

适合：注入实时天气、Git 状态、API 响应等动态数据。

字符预算控制：

{
  "agents": {
    "defaults": {
      "bootstrapMaxChars": 20000,
      "bootstrapTotalMaxChars": 150000
    }
  }
}

超出部分按”头 70% + 尾 20%”截断，保留最重要的内容。

Layer 9：入站上下文层

就像实时路况信息——每次请求动态注入当前对话的上下文

包含：消息元信息、发送者信息、对话历史。让 LLM 知道”谁在说话”、”这条消息是从哪个平台来的”。

每次消耗约 3KB token，但这是保证对话连贯性的必要代价。

各层大小估算

框架自动生成的部分约 39KB 基础消耗，Layer 7+8 因配置而异。

一句话总结

理解了这 9 层，你才真正知道 AI Agent 在”看”什么，也才知道该怎么配置才有效。

Layer 7 是你的静态配置，Layer 8 是你的动态编程。其余 7 层，框架替你管好了。

感谢阅读。我是杰克王，欢迎加微交流 🚀