如何让你的Ai越用越聪明?

你纠正了 Agent 三次，它还在犯同一个错——问题出在你的期待错了

OpenClaw 38 万星背后，最被低估的不是心跳机制，是它的"错题本"： self-improving 三层进化。但配置文档里的三个坑，会让你的进化链悄悄断掉，而 job 还在正常跑。

AI Agent 有一点像实习生：你纠正过的错，他第二次还犯。你说"文章别先讲理论"，他答应得好好的，下一篇照旧。

大多数人把这归咎于模型不够聪明。但用了几个月 OpenClaw 之后，我发现真正的原因更扎心：记住一件事，和从这件事里学会方法，是两个系统。大部分 Agent 框架只装了第一个。

OpenClaw 把这件事拆成了四层——日记本、百科全书、错题本、 SOP 手册。这套东西决定了同一个 Agent ，有人用一周就顺手，有人用三个月还在当客服。

先看数据，再看机制

OpenClaw 已经是 GitHub 史上升星最快的项目——不到五个月 34 万星， 3 月 3 日超过 React ，成为星数最多的软件项目。 React 花了十年，它用了 60 天。 44,000+ 个 ClawHub 技能， 50 万+ 运行实例。

一个生态长到这个体量，"怎么让 Agent 越用越顺手"就不再是玩具问题，而是 50 万个实例共同面对的工程问题。 OpenClaw 的答案是四层流水线：

数据流向一句话：对话 → 存碎片 → 整理 → 编译成知识 → 捕获纠正 → 沉淀为技能。

绝大多数人的 Agent 只跑到第一层。今天重点说后两层——它们才是"进化"发生的地方。

memory-wiki ：知识不是记忆的堆叠

memory-core 存的是一条条碎片："用户偏好 2500 字内文章""封面用科技蓝""读者 70% 是非技术人员"。碎片一多，检索本身就变成负担。

memory-wiki 的做法是把碎片编译：三条碎片合并成一个「写作规范」页面，每条规则附证据来源和时间戳，带冲突检测。下次执行任务， Agent 查的是一页结构化知识，不是十几条散装记录。

配置关键就一个概念： bridge 模式。它不自己生产内容，而是读 memory-core 产生的整理报告和记忆事件，自动编译成 Wiki 页面。多 Agent 场景记得把 scope 设成 agent——每个 Agent 独立 Wiki ，别用 global 。

但这一层我建议别急着开。 Wiki 的价值建立在碎片的质和量上， memory-core 才跑两三周、碎片还没攒够，编译出来的"知识"就是低质量复读——垃圾进，垃圾出。官方的渐进路线也是这个顺序： memory-core 跑稳两到四周再上 wiki 。

self-improving ：错题本才是进化的心脏

前两层解决"记住事情"，这一层解决"学会做事"。它是一个独立的 Skill ，装完之后 Agent 有了自己的错题本目录：明确纠正进 corrections.md ，偏好进 memory.md ，领域经验进 domains/，项目经验进 projects/。

机制上最值得学的是三次晋升规则：同一教训被触发三次，就从错题本晋升为 HOT 规则，永久生效、每次任务自动加载。你不用再提醒第二次，更别说第三次。

但这层的坑也最多，而且每个坑都不报错——job 还在跑，进化已经断了。文档不会告诉你，我替你踩了：

坑一：目录不隔离，经验互相污染。 self-improving 默认单用户单目录。你让多个 Agent 共用一个 ~/self-improving/， work-Agent 学到的"投资建议要加免责声明"，会直接串进 write-Agent 的写作经验里。正确是每个 Agent 一个子目录，另设 global 放通用经验。

坑二：心跳文档已经失效。 Skill 自带的 setup 文档让你建 HEARTBEAT.md——但 OpenClaw 2026.8.x 运行时根本不读它，心跳指令迁移到了 cron 的 scratch 。照着官方文档配，心跳静默失效。

坑三： gateway 重启后心跳断链。 重启后 heartbeat job 被重建、 id 变了， scratch 不跟着迁移，所有检查清单清空。表面一切正常， self-improving 已经不再实际工作。解法是在检查清单里内嵌自愈规则：发现 scratch 为空就用自身内容重写。给心跳装一个"心跳"。

第三点是我认为整套机制里最精妙的设计——承认基础设施不可靠，然后把自愈能力写进业务逻辑本身。

skills.workshop ：从经验到可复用的技能

最后一层是打包：零散的"下次先给案例"，沉淀成完整的"写作全流程"技能。 self-improving 存的是一条条规则， workshop 产出的是一个可被其他 Agent 调用的流程。

模式建议选 propose 而不是默认的 auto ：让 Agent 提议、你审核后生效。进化机制里"自动捕获"和"质量失控"只有一线之隔，技能库污染的清理成本，比逐条审核高得多。

拼起来的完整链路

一次纠正进来，正确路径是三路并发：

用户纠正 Agent  ├─→ corrections.md 立即写入（错题本）  ├─→ MEMORY.md 记日期（事实层）  └─→ 同类教训第 3 次 → 晋升 HOT 规则                      → 重要经验 → workshop 沉淀为技能                      → 技能被其他 Agent 发现复用 

一个真实节奏，做行业竞品分析的 Agent ：第 1 天你手把手教；第 1 周它记住了纠正但框架不稳，每次都要你提醒；第 2 周框架自动加载，只有数据源偶尔出错；第 4 周，三个月的动态已经编译成结构化知识库，分析框架沉淀成 SOP 技能，其他 Agent 直接调用——你只看结果。

四周时间，介入频率从"手把手"降到"只看结果"，这才是"越用越懂你"的实际含义。

代价清醒：进化不是免费午餐

夸完了，泼三盆冷水：

第一，这套系统不会让模型变聪明。变聪明的始终是模型厂商的事。 self-improving 沉淀的是行为规则，规则多了反而占上下文——错题本写一百条，每次任务都带着一百条包袱，第一 token 成本和遵循率都会恶化。三次晋升规则的价值正在于此：它强制筛选，只让重复出现的教训进入长期层。

第二，错误也会进化。Agent 基于一次错误判断沉淀出的"经验"，会以同样的自动性反复应用。 corrections.md 需要定期人工清理， heartbeat 只做去重归档，不做对错判断。信任要给，审计也要给。

第三，维护成本真实存在。心跳规则、目录隔离、重启自愈、冲突优先级（项目 > 领域 > HOT 全局），每一项都是你要自己扛的运维负担。官方文档还有坑——HEARTBEAT.md 的过时说明就是例子。这套机制适合每天真正高频使用 Agent 的人；一周用三次的， memory-core 加几条手写规则就够了，别为用不上的进化付运维税。

渐进路线一张表收尾：

记住的 Agent 是日记本，进化的 Agent 才是同事。区别不在模型，在你有没有给它一套消化错误的流水线。

相关链接：