OpenClaw 进阶:三个让 agent 效果更好的配置技巧

摘要

OpenClaw 默认配置追求”开箱即用”，代价是 agent 的记忆跨会话丢失、skill 执行结果不可控、autonomy 级别不是最优。三个具体配置技巧可以显著改善效果：用 Mem0 plugin 实现持久记忆、调整 autonomy 级别适配不同场景、优化 SKILL.md 指令让 agent 输出更符合预期。所有配置基于 OpenClaw 2026.6.x 版本。

引子

OpenClaw 安装后的默认体验是”什么都能做，但什么都做不精”。问题不在模型，在配置。 默认配置没有开启持久记忆（每次对话从零开始），autonomy 级别偏向”什么都要人确认”（打断工作流），skill 的指令写得宽泛（agent 输出不可预测）。这三个问题都有具体的配置解法。

技巧一：用 Mem0 plugin 让 agent 跨会话记住偏好

OpenClaw 默认的记忆系统是把每次对话的 daily log 存成 Markdown 文件。这种方式能看、能调试，但 agent 在新会话启动时不会主动加载历史偏好。Mem0 plugin（v1.0.12）解决了这个问题。

安装：

openclaw plugins install mem0

安装后在 ~/.openclaw/config.toml 中启用：

[plugins.mem0]enabled = trueauto_encode = true          # 对话结束时自动提取记忆global_search = true        # 6/1 新增：跨项目搜索记忆encode_delay_seconds = 5    # 等待 5 秒后编码，避免打断对话

auto_encode = true 是关键配置。启用后，Mem0 会在每次对话结束时自动提取关键信息（用户偏好、重要决策、事实性信息），下次对话启动时自动加载。不需要在每次对话开头手动说”记住我之前说的”。

global_search = true 是 6/1 新增的功能。启用后，agent 可以搜索其他项目/频道中积累的记忆。如果同一个 agent 在 Telegram 和 Discord 两个频道使用，开启 global_search 后两边的信息会共享。

配置完成后，可以在对话中测试：

# 第一次对话> 我喜欢用 Python 写后端，不用 TypeScript# 新会话> 帮我写一个 API 服务（agent 会自动选择 Python 而不是 TypeScript）

技巧二：按场景调 autonomy 级别

OpenClaw 的 autonomy 级别控制 agent 在执行动作前是否需要人工确认。默认是 supervised（中风险需审批、高风险阻断），适合探索阶段，但在日常使用中会造成大量确认弹窗，打断工作流。

config.toml 中的配置：

[agents.main]autonomy = "supervised"     # 默认值：中风险需审批[agents.main.autonomy_rules]# 低风险动作：直接执行，不弹确认read_files = "auto"         # 读文件不需要确认search_web = "auto"         # 搜索不需要确认list_directory = "auto"     # 列目录不需要确认# 中风险动作：按场景决定write_files = "supervised"  # 写文件需要确认send_message = "supervised" # 发消息需要确认# 高风险动作：始终阻断execute_shell = "blocked"   # 执行 shell 命令阻断delete_files = "blocked"    # 删除文件阻断

实际使用中的建议：把日常高频、低风险的动作（读文件、搜索、列目录）设为 auto，把有副作用的动作（写文件、发消息）保持 supervised，把不可逆的动作（执行 shell、删除）保持 blocked。 这个配置让 agent 在大部分时间内不被打断，只在真正需要人判断时才停下来。

如果工作场景是纯本地开发（不涉及生产环境），可以更大胆：

[agents.dev-local]autonomy = "auto"           # 本地开发环境：大部分动作自动执行execute_shell = "supervised" # 但 shell 命令仍然需要确认

反向的场景：如果 agent 挂在公共频道（如 Discord 服务器），建议收紧：

[agents.discord-public]autonomy = "supervised"send_message = "blocked"    # 公共频道发消息必须人工确认execute_shell = "blocked"   # 公共频道禁止执行命令

技巧三：优化 SKILL.md 让 agent 输出更可预测

OpenClaw 的 skill 通过 SKILL.md 定义指令。社区发现，SKILL.md 写得越具体，agent 的输出越稳定。 Snyk 的 Leaky Skills 研究也验证了这一点——大量 skill 的指令写得太宽泛，导致 agent 行为不可预测。

一个常见的反例——宽泛的 SKILL.md：

# Email SenderSend emails on behalf of the user.

这个指令的问题：agent 不知道邮件格式应该正式还是随意、是否应该添加签名、回复还是新建、主题行怎么写。

优化后的版本：

# Email Sender## When to useWhen user asks to send an email or reply to a thread.## Behavior- Always confirm recipient, subject, and key content BEFORE composing- Use professional tone by default; switch to casual only if user says so- Always include a signature block from user's stored preferences- For replies: quote the relevant portion, don't forward the entire thread- For new emails: suggest subject line, wait for approval before sending- NEVER include API keys, passwords, or credentials in email body- NEVER auto-send without user confirmation (this is a hard rule)

关键写法要点：

• When to use
  
  ：明确触发条件，避免 agent 在不合适的场景误触发
• Behavior
  
  ：逐条列具体行为规则，不用”be helpful”这种空泛指令
• NEVER 规则
  
  ：硬边界用大写标注，这是 agent 最容易遵守的格式

把这三个技巧组合起来——持久记忆 + 合理的 autonomy 级别 + 具体的 SKILL.md——agent 的实际效果会有明显体感提升。不是因为模型变聪明了，是因为配置把模型的已有能力用对了方向。

信源说明：OpenClaw 配置参考 github.com/openclaw/openclaw README 和 config.toml 示例；Mem0 plugin 信息来自 github.com/mem0ai/mem0/releases（v1.0.12，6/1 发布）；autonomy 级别设计参考 ZeroClaw v0.7.5 文档（zeroclaw-labs/zeroclaw）；SKILL.md 优化建议综合 Snyk Leaky Skills 研究（snyk.io/blog，扫描 3,984 个 ClawHub skills）和社区实践经验。