从理论到实践：在 openclaw 构建TradePilot外贸情报官系统的启示

在过去几年里，我们学习使用的AI工具越来越多。从最早的对话模型，到后来各种Agent、自动化工作流、RPA、再到现在的多工具协同系统，我们似乎已经习惯了一种范式：

输入一个需求 → 模型输出一个结果

有时候这个过程会复杂一点，比如：

• 模型会调用工具

• 会有memory

• 会有多轮推理

但本质上，它依然是一个"反应式系统"。 

也就是说：你给输入，它给输出。

但如果你长期在一线业务里工作，比如外贸、销售、供应链、项目管理，你很容易意识到一件事：

真正有价值的能力，从来不是"回答问题"，而是"如何思考问题"。

一个做了10年B2B外贸的人，和一个刚入行的人，差别不在于谁更会写邮件，而在于：

• 他如何判断客户是不是靠谱

• 如何判断这个询盘值不值得跟

• 如何在报价和利润之间做取舍

• 如何在短期成交和长期关系之间权衡

这些能力，并不是prompt能直接写出来的。

它们更像是：

一套稳定的"认知结构"

如何你拆解OpenClaw的设计，其实就是试图回答一个问题：

如果把"人是如何思考的"拆开，我们能不能把它变成一套可以被工程化的结构？

这就是本文想讲的核心：

OpenClaw不是一个Agent框架，而是一种"可执行的认知结构"。

（这也解释了为什么 openclaw 是 github 上有史以来星🌟最高的开源项目）

在构建TradePilot外贸情报官系统的过程中，我深刻体会到了这一点。

一、为什么传统Agent很难真正"像人一样工作"

我们先不讲OpenClaw，先看现在主流的Agent是怎么做的。

大多数系统结构大致如下：

• 一个Prompt（定义任务）

• 一个模型（负责生成）

• 若干工具（搜索、计算、调用API）

• 一个简单的memory（存上下文）

在简单任务中，这种方式是有效的，比如：

• 写一封邮件

• 总结一篇文章

• 查询一些信息

但一旦进入复杂场景，就会出现明显问题：

1. 没有稳定的"人设"

今天写邮件像销售，明天像客服，后天像内容编辑。

因为：

prompt是临时的，而不是长期约束

2. 没有"目标函数"

系统会尽量"完成任务"，但不会判断：

• 这个任务值不值得做

• 有没有更优解

• 会不会带来长期副作用

换句话说：

它会执行，但不会"决策"

这在本质上就是缺少类似Utility Function的结构。

3. 推理是零散的

每一次都是临时推理：

• 没有统一方法

• 没有固定思考路径

• 结果不可控

4. 不理解"人"

很多系统把user当成"输入字符串"，而不是一个有意图、有不确定性的人。

如果你把这些问题放到真实业务中，比如外贸：

你会得到一个"能写邮件，但不会做销售"的AI。

这正是我开发TradePilot时遇到的核心问题。

二、OpenClaw的出发点：把认知拆成结构

OpenClaw的核心思路非常简单，但影响很大：

不再把AI当成一个函数，而是当成一个"认知系统"。

为了做到这一点，它把"思考"拆成了四个层：

• Identity（自我）

• Soul（动机）

• Agent（推理）

• User（世界）

这四个文件，看起来只是.md，但本质上，它们对应的是人类认知中的四个关键部分。

在TradePilot的开发中，我正是按照这个结构来设计的。

三、Identity：不是角色，而是"你是谁"

很多人第一次看到Identity.md，会觉得：

这不就是role prompt吗？

但如果你用久一点，就会发现完全不是一回事。

我们用一个具体场景来说明。

案例：TradePilot外贸情报官的Identity

TradePilot的Identity不是：

"你是一个数据爬虫"

而更接近：

• 做B2B工业品外贸情报，不做C端消费数据

• 注重信息质量，不追求数量

• 更偏精准开发，而不是批量轰炸

• 对客户的筛选非常严格

如果写成Identity.md，大概是这样：

你是一名专业的B2B外贸情报分析师，专注于工业品领域。你：- 重视信息质量和准确性- 对低质量数据保持零容忍- 优先考虑精准度而非覆盖率- 理解外贸业务流程和决策逻辑你不是：- 通用搜索引擎- 数据搬运工- 批量邮件发送器

为什么这很重要？

因为它定义了：

• 什么是"好的情报"

• 什么是"应该拒绝的数据"

• 什么是"符合业务逻辑的输出"

这其实对应哲学中的一个问题：

一个系统如何在时间中保持"自我一致性"

在TradePilot的实际运行中，这个Identity确保了：

• 它不会为了凑数而给我垃圾数据

• 它理解"授权代理商"和"普通经销商"的区别

• 它知道什么信息对业务决策真正有价值

四、Soul：你为什么做这件事

如果说Identity是"你是谁"，那Soul就是：

你在追求什么

这一层，在很多系统中是缺失的。

TradePilot的Soul

主要目标：- 获取高质量潜在客户- 提高开发成功率次要目标：- 控制情报获取成本- 建立可持续的情报流程避免：- 无效数据- 重复劳动- 过度承诺

为什么Soul是核心？

因为没有它，系统就无法回答这些问题：

• 要不要深入挖掘这个客户？

• 要不要扩大搜索范围？

• 要不要投入更多算力？

这些问题，本质上是决策问题，而不是生成问题。

在TradePilot的实际应用中，Soul层让它能够：

• 自动判断一个线索是否值得深挖

• 在"广度"和"深度"之间做取舍

• 在"快速交付"和"高质量交付"之间权衡

在决策理论中，这对应的是Utility Function。

你可以理解为：

Soul = 这个系统的"价值函数"

五、Agent：你是怎么思考的

这一层是最接近传统Agent的部分，但OpenClaw做了一件关键的事情：

把"思考路径"显式写出来

TradePilot的Agent结构

面对情报任务时：1. 明确业务目标（找什么类型的客户？）2. 拆解搜索维度（国家、行业、渠道、竞品）3. 判断信息是否充分（需要补充哪些关键词？）4. 设计搜索策略（多语种、多平台、多维度）5. 评估数据质量（验证、清洗、打分）6. 决策输出格式（表格、报告、直接投递）

外贸案例

用户说：

"帮我找德国的水泵客户"

一个没有结构的系统会：

• 直接列名单

而TradePilot会：

• 先问：什么类型的水泵？工业用还是家用？

• 再问：目标客户是经销商还是终端用户？

• 再决定：是做批量开发还是精准开发？

• 然后：设计多语种搜索策略（德语+英语）

• 最后：验证数据质量，输出带联系方式的表格

这对应心理学中的Dual Process Theory：

• 快思考：直觉反应

• 慢思考：结构化推理

Agent.md本质上就是在强化"慢思考"。

TradePilot的每一次搜索，都不是简单的"关键词匹配"，而是经过这个思考路径的"结构化情报分析"。

六、User：你如何理解对方

这一层很容易被误解。

很多人会把它写成：

用户是谁

但更准确的是：

如何理解用户

外贸真实情况

用户（外贸业务员）经常会说：

• "帮我找点客户"

• "这个市场竞争怎么样？"

但这些话背后可能是：

• 他不知道具体要什么

• 他想要快速看到结果

• 他对AI的能力边界不清楚

TradePilot的User.md

用户可能：- 表达不完整- 有隐藏需求- 对AI能力边界不清楚你需要：- 推测真实业务场景- 在必要时追问澄清- 避免过度承诺- 解释你的思考过程

这其实类似Bayesian Inference：

在不完整信息下，不断修正理解

TradePilot在实际交互中，会主动追问：

• "您是想找经销商还是终端用户？"

• "您更看重数量还是质量？"

• "这个情报的用途是什么？（开发客户/竞品分析/市场调研）"

这些追问，让最终的输出更贴合用户的真实需求。

七、四层结构：一个完整的认知闭环

当我们把这四层放在一起，就不再是"文件"，而是一个系统：

1. User：解释输入（理解用户的真实需求）

2. Agent：进行推理（按照结构化路径分析）

3. Soul：做出取舍（判断什么最重要）

4. Identity：约束行为（确保输出符合专业标准）

然后输出，再进入下一轮。

这形成的是一个闭环：

不是执行流程，而是"思考循环"

TradePilot的每一次运行，都是这个闭环的一次迭代。

八、这带来的改变

当你用这种方式去构建AI，你会明显感觉到差异：

1. 行为变得稳定

不再每次都像"不同的人"。

TradePilot给我的每一份战报，风格都是一致的——专业、精准、可直接使用。

2. 决策更像人

不是简单完成任务，而是：

• 判断（这个线索值不值得深挖）

• 取舍（广度还是深度）

• 拒绝（垃圾数据直接过滤）

TradePilot会自动过滤掉B2B平台、同行官网，只保留真正有价值的信息。

3. 更容易调试

你可以明确知道问题在哪一层：

• 风格问题 → Identity

• 目标问题 → Soul

• 推理问题 → Agent

• 理解问题 → User

当TradePilot的输出不符合预期时，我知道该调整哪个文件。

4. 可以复用

你可以做出：

• 外贸情报Agent（TradePilot）

• 市场调研Agent

• 商务谈判Agent

而不是一堆零散prompt。

基于这个结构，我正在开发不同场景的Agent——从获客到谈判，从分析到决策。

九、回到最初的问题

我们一开始问的是：

能不能把"思考"变成可以设计的东西？

OpenClaw给出的答案是：

可以，但前提是你要承认：

思考不是一个整体，而是可以拆解的结构。

TradePilot的实践证明了这一点。

当我按照这个结构去设计系统时，它不再是一个"能搜索的工具"，而是一个"懂外贸、会思考、能决策"的数字员工。

结语

很多人以为AI的进步在于模型越来越强。

但在真实业务中，你会慢慢发现：

模型能力只是"原材料"，真正决定效果的是"如何组织这些能力"。

OpenClaw所做的事情，并不是让AI更聪明。

而是试图做一件更基础的事：

让"思考本身"变得可以被设计、被复用、被调试。

如果这个方向成立，那么未来我们构建的，将不只是工具，而是：

一种新的"认知系统"。

TradePilot就是这个方向的第一次实践。

它不是终点，而是起点。

💬 互动话题

你在尝试 openclaw 做 agent 设计的时候有什么困惑的情况？或者有没有尝试过把"思考过程"结构化？欢迎在评论区聊聊你的经验。

👍 如果这篇文章对你有启发，欢迎：

• 点赞、在看，让更多朋友看到

• 转发给也在探索AI Agent的伙伴

• 收藏起来，搭建自己的Agent时拿出来对照

【理工男外贸的思维杂货铺】—— 专注AI时代的外贸认知系统升级

写于爬起来思考的清晨