别再让 AI 摸鱼了!用 OpenClaw 跑出 24 小时不间断的「数字员工」-夜雨聆风

别再让 AI 摸鱼了!用 OpenClaw 跑出 24 小时不间断的「数字员工」

你有没有过这种崩溃经历：

晚上睡前给 AI 派了个复杂任务，满心欢喜第二天醒来能看成果
结果打开电脑一看，AI 要么卡在一半忘了自己要干什么，要么输出一堆错误代码
更气人的是，它还一脸无辜地跟你说”我已经完成了”，可你点开一看，连一半都没做完

这就是 AI 长时工作的通病：上下文窗口有限、越做越糊涂、错误越积越多。

我前前后后踩了一个多月的坑，翻遍了官方文档，纠正了网上 90% 以上的错误教程，终于搞出了这套能让 AI 真正连续工作数小时甚至数天的方案。

今天就掰开揉碎讲清楚：怎么用 OpenClaw 让 AI 真正”干活到天亮”。

一、先搞懂：AI 长时任务为什么总是失败？

AI 做长任务失败，根因就三个：

1. 记忆不够用

所有大模型都有固定的”记忆上限”（上下文窗口）。比如 GLM-5.1 是 128K tokens，看起来很多，但随着工作推进，历史对话、代码片段、文档内容会不断占用空间。

当记忆用到 80% 以上，AI 的推理能力会明显下降；用到 95% 以上，它会开始忘记早期内容；一旦满了，就完全无法工作。

2. 注意力越来越分散

就像人一样，AI 处理的信息越多，注意力就越难集中。研究表明，当上下文长度超过模型最优窗口的一半时，它的注意力机制效率会下降 30% 以上。

这就是为什么 AI 做着做着就会偏离主题，或者重复做已经完成的事。

3. 错误会传染

AI 一旦犯了一个错误，这个错误会被写入上下文，后面的所有工作都会基于这个错误继续。就像盖房子，地基歪了，上面盖得再高也会塌。

传统单会话模式根本解决不了这些问题——所有工作都在同一个”大脑”里完成，根本逃不出记忆和注意力的限制。

二、最简单的方案：Ralph 循环

最早解决这个问题的，是社区里的 Ralph 项目。思路简单到离谱，但却非常有效：

既然一个会话做不完，那就用多个会话接力做。

核心思路

把一个大任务拆成很多个小任务，每个小任务都在一个全新的、干净的会话里执行。每个会话只做一件事，做完就退出，下一个会话接着做。

就像接力赛一样——每个运动员只跑自己的那一棒，永远保持最佳状态。

完整代码

#!/bin/bash
# Ralph 长时工作系统 v1.4
echo "Ralph 已启动，按 Ctrl+C 停止"

while true; do
  echo "[$(date '+%Y-%m-%d %H:%M:%S')] 启动新会话"
  openclaw agent --message "$(cat prompt.md)" --deliver
  echo "[$(date '+%Y-%m-%d %H:%M:%S')] 会话结束，休息 5 秒"
  sleep 5
done

怎么用？

创建一个 prompt.md 文件，告诉 AI 每次启动后要做什么：

1. 先读 todo.md，看看还有什么任务没做
2. 选一个优先级最高的任务完成
3. 把结果写到对应的文件里
4. 更新 todo.md，把这个任务标记为已完成
5. 退出

把你的大任务拆成小任务，写到 todo.md 里
运行：

chmod +x ralph.sh && ./ralph.sh

优缺点

✅ 优点：

代码只有几行，零门槛上手
稳定性极高，一个会话崩了不影响其他
资源消耗低，不会越跑越卡

❌ 缺点：

只能串行执行，效率不高
没有测试环节，质量全靠 AI 自觉
遇到错误只能跳过，不会自动修复
无法处理复杂的任务依赖关系

Ralph 适合简单的、对质量要求不高的任务。如果你想要更高的效率和更好的质量，那就需要用更先进的 Sub-agent 方案。

三、终极方案：Sub-agent 子任务调度

Sub-agent 方案借鉴了人类公司的管理模式：

一个项目经理（主 Agent）带多个专业员工（子 Agent），各司其职，协同工作。

为什么它比 Ralph 强 10 倍？

专业化分工：开发、测试、计划由不同的 Agent 负责，每个 Agent 只做自己擅长的事
质量闭环：开发完有测试，测试出 bug 自动返回修复，直到通过为止
并行执行：可以同时启动多个 Agent 干活，效率大大提升
上下文永远干净：主 Agent 只负责调度，不处理具体业务，永远不会忘事
错误自动恢复：遇到问题会自动重试，实在解决不了才会找你帮忙

避坑提醒

网上 90% 的教程在这里都写错了，我特意对照官方文档反复确认过：

⚠️ 重要提醒：OpenClaw 没有 agent() 工具，也没有 cloud 命令，所有 CLI 操作都用 openclaw。

四、手把手带你搭建 Sub-agent 系统

第一步：环境准备

首先确保你安装了 OpenClaw v0.13.0 或更高版本：

# 检查版本
openclaw --version

# 更新（根据你的安装方式选择）
brew upgrade openclaw-cli   # Homebrew 安装
# 或者从官网下载最新二进制包

第二步：创建 Agent 配置

OpenClaw 的 Agent 配置目录结构非常严格，写错一个地方都用不了：

~/.openclaw/
├── openclaw.json         # 全局配置（注意不是 config.json！）
└── agents/
    ├── planner/          # 计划 Agent
    │   └── agent/
    │       ├── config.json
    │       └── SOUL.md
    ├── developer/        # 开发 Agent
    │   └── agent/
    │       ├── config.json
    │       └── SOUL.md
    ├── tester-layout/    # 布局测试 Agent
    ├── tester-content/   # 内容测试 Agent
    └── tester-style/     # 样式测试 Agent

你可以用下面的命令一键创建所有目录：

mkdir -p ~/.openclaw/agents/{planner,developer,tester-layout,tester-content,tester-style}/agent

第三步：编写全局配置

创建 ~/.openclaw/openclaw.json：

{
  "apiKey": "你的 API 密钥",
  "apiBase": "https://api.openclaw.com/v1",
  "agents": {
    "defaults": {
      "model": "glm-5.1",
      "timeoutSeconds": 300,
      "temperature": 0.3,
      "tools": { "allow": ["*"] },
      "skills": { "allow": ["*"] }
    }
  }
}

验证方法：运行 openclaw gateway config.schema.lookup 可以查看当前版本的完整配置结构。

第四步：编写子 Agent 提示词

每个子 Agent 都有自己的 SOUL.md 文件，定义它的角色和职责。下面是所有模板，直接复制就能用：

计划 Agent（~/.openclaw/agents/planner/agent/SOUL.md）：

# 计划专家
你的任务是把复杂的大项目拆成一个个能在 30 分钟内完成的小任务。
每个任务要有明确的交付物和优先级。
最后把计划写到 docs/plan.md 里，只返回文件路径。

开发 Agent（~/.openclaw/agents/developer/agent/SOUL.md）：

# 资深开发工程师
根据任务 ID 和需求文档，完成指定的开发任务。
写完代码后自我检查一遍，确保没有明显错误。
把结果写到指定的交付物文件里，只返回文件路径。

三个测试 Agent 的提示词类似，分别负责测试布局、内容和样式。

第五步：编写主 Agent 提示词

主 Agent 是整个系统的大脑，负责协调所有子 Agent 的工作。创建 main.md：

# AI 项目总监
你是一个专业的项目经理，负责管理一个开发团队完成复杂项目。

## 核心原则
1. 你只负责调度，绝不自己写代码或做测试
2. 所有信息都通过文件传递，只传路径，不传内容
3. 子 Agent 完成后会自动给你发结果，不需要你等
4. 一个 bug 最多修复 3 次，修不好就标记为需要人工干预

## 工作流程
1. 先让计划 Agent 根据需求文档制定开发计划
2. 按照计划依次执行每个任务
3. 每个任务先让开发 Agent 做，做完后让三个测试 Agent 同时测
4. 测试通过就进行下一个任务，不通过就返回修复
5. 所有任务完成后生成项目总结报告

## 可用工具
### 启动子 Agent
```json
{
  "tool": "sessions_spawn",
  "params": {
    "task": "任务描述",
    "agentId": "planner/developer/tester-layout",
    "runtime": "Sub-agent",
    "mode": "run"
  }
}

给子 Agent 发消息

{
  "tool": "sessions_send",
  "params": {
    "sessionKey": "子 Agent 的 sessionKey",
    "message": "消息内容"
  }
}


### 第六步：启动系统

1. 创建你的项目目录：

```bash
mkdir -p my-project/{docs,output}
cd my-project
touch docs/requirements.md

在 docs/requirements.md 里详细描述你的需求
打开 OpenClaw 客户端，进入项目目录
把 main.md 的内容复制进去，发送消息

然后你就可以去睡觉了，AI 会自动完成所有工作！

五、实战演示：3 小时做一个 12 页的技术 PPT

我用这个系统做了一个关于 OpenClaw 本身的技术 PPT，给大家看看实际效果。

需求

制作一个 12 页的技术视频 PPT，包含架构图、流程图、代码示例，风格现代简洁，适配 16:9 分辨率。

运行过程

0-5 分钟：主 Agent 启动，计划 Agent 生成 13 个任务（12 页 PPT + 1 个主文件）
5-10 分钟：完成第 1 页标题页的开发和测试
10-15 分钟：完成第 2 页目录页
… 以此类推…
总耗时：2 小时 47 分钟

成果

12 个独立的 HTML 页面，每个页面对应一页 PPT
一个主文件，支持点击翻页和全屏播放
完整的开发计划、进度记录、测试报告和项目总结
代码质量达到专业水平，没有明显 bug

六、高级技巧与避坑指南

1. 模型选择策略

主 Agent 和计划 Agent：用最好的模型（GLM-5.1），它们需要做决策
开发 Agent：用最好的模型，代码质量全靠它
测试 Agent：用便宜一点的模型（GLM-4.7），测试不需要太高的能力

这样可以在保证质量的同时，把成本降到最低。

2. 经验沉淀机制

让每个开发 Agent 在完成任务后，把遇到的问题和解决方案写到 docs/experience.md 里。下一次开发时，AI 会自动参考这些经验，避免重复踩坑。

系统用得越久，就越聪明，犯的错误就越少。

3. 常见错误排查

子 Agent 找不到：检查目录结构是否正确，目录名就是 agentId
工具调用失败：确保用的是 JSON 格式，不是 Python 函数
结果没推送：检查子 Agent 的提示词，确保它只返回文件路径
上下文耗尽：确保主 Agent 没有读取大文件，只传路径

七、总结

AI 长时工作不是什么黑科技，本质上就是用工程方法解决模型的固有缺陷。

Ralph 方案简单粗暴，适合入门
Sub-agent 方案虽然复杂一点，但能真正释放 AI 的生产力

这篇教程的所有内容都经过了实际验证，没有任何 AI 幻觉。我把自己踩过的所有坑都帮你踩过了，你只需要跟着做，就能拥有一个 24 小时不休息的 AI 员工。

想象一下：

晚上睡前给它一个需求，早上起来就能拿到完整的项目代码
让它帮你写文档、做 PPT、爬数据、处理表格
你只需要做最有创造性的工作，把所有重复性劳动都交给 AI

这就是 AI 时代的工作方式。 现在就动手试试吧，你会发现一个全新的世界。

附录：官方验证命令

查看配置 schema：openclaw gateway config.schema.lookup
查看可用 Agent：openclaw agent list
查看可用 Skill：openclaw skills list
查看 CLI 帮助：openclaw --help