“

近期将连续发布《从OpenClaw源码分析小龙虾是如何工作的？》，本系列一共十篇文章。 主题为：概览与调试环境搭建->Gateway中央控制器->Session管理分析->提示词上下文分析->ReAct原理与源码分析->定时任务与心跳机制->记忆系统分析->Skill 体系分析->Channel 系统分析->自我进化机制。

第10篇：自我进化机制

一、概述

OpenClaw 的自我进化机制是其最引人注目的特性之一。OpenClaw 能够在执行任务过程中不断学习、记录错误、提炼规则，持续优化行为模式，且可以无需人工干预或模型重训练。

OpenClaw自我进化的核心设计思想：不修改模型权重，而是通过File-as-Memory（.md 文件作为记忆载体）+ 动态提示词工程实现一个提示词驱动的强化学习回路。

• 用户消息 → 提示词上下文构建：系统提示中动态注入 Skills 元数据、工作区文件（含 memory/*.md）、记忆搜索指令、工具列表等。
• 提示词上下文构建 → AI 推理：发送给LLM模型处理上下文的提示词，生成回复和工具调用。
• AI 推理 → 工具执行：根据LLM返回的响应执行相关的工具，这里可能涉及到多轮工具的执行，是ReAct过程。
• 工具执行 → 记忆及经验沉淀：最终LLM会决策是否要记录用户的偏好，是否要将相关的处理经验沉淀下来，对相关的markdown文件进行修改。
• 更新后：下一轮用户输入消息后，在组装上下文时所有markdown文件会拼接进去，包含了所有过往沉淀的产物，所以能提供更精准的提示词上下文。

二、底层基石 —— Markdown 文件

OpenClaw 的自我进化机制建立在文件即记忆的核心理念之上。

• 每次对话前 → 将上述 md 文件拼进 prompt
• 对话中 → Agent 执行任务，学到新东西/犯错/发现偏好
• 对话后 → Agent 把新知识写回对应的 md 文件
• 下次对话 → 加载更新后的文件，行为更精准

三、一些示例

AGENTS.md 示例 —— 犯过的错、学到的教训

# AGENTS.md## 操作规范- 执行危险操作（删除文件、修改配置）前必须向用户确认- 使用 exec 执行命令时，避免使用 `rm -rf` 等破坏性命令## 犯过的错### 2026-05-15：误删用户配置文件- **错误**：在执行 `rm temp/*` 时，由于变量为空，实际执行了 `rm /*`- **教训**：使用 rm 前必须检查变量非空，或使用 `rm -f -- "$file"` 格式- **已更新**：TOOLS.md 中添加了安全执行规范### 2026-05-20：API 请求未处理限流- **错误**：连续快速调用 API 导致被限流封禁- **教训**：第三方 API 必须添加重试和退避策略- **已更新**：在相关工具中添加了限流处理## 学到的好经验### 日志分析技巧当分析大日志文件时，优先使用 `grep -E` 过滤关键词，而非读取全部内容。参考：TOOLS.md 中的日志分析章节

USER.md 示例 —— 用户画像

# USER.md## 主人信息- 姓名：张三- 职业：后端开发工程师- 技术栈：Go, Python, Kubernetes## 偏好- 喜欢简洁的回复，优先给结论- 不喜欢长篇大论的解释- 代码示例优先使用 Go- 工作日上午 10-11 点不方便回复，不要主动发消息## 禁区- 不要访问 /home/user/private 目录- 不要修改 ~/.bashrc 文件- 不要在未经确认的情况下执行 git push -f## 常用命令- 开发环境：`cd ~/projects/backend`- 查看日志：`tail -f /var/log/app.log`

TOOLS.md 示例 —— 工具使用笔记

# TOOLS.md## SSH 配置- 服务器地址：192.168.1.100- 用户名：deploy- 密钥路径：~/.ssh/id_rsa- 免密登录已配置## 安全执行规范- 执行 rm 前必须验证路径非空- 执行 curl 外部 URL 前检查是否可信- 数据库操作优先使用只读事务## 常用脚本- 部署脚本：`~/scripts/deploy.sh --env prod`- 备份脚本：`~/scripts/backup.sh`## 踩坑记录- 生产环境 Python 版本为 3.9，不支持 3.10+ 语法- 数据库连接池最大 50，超过会阻塞

四、核心进化机制

4.1 自然语言声明模式

OpenClaw 的核心创新在于：系统不在代码层面更新，而是通过自然语言描述的声明式定义动态注入新能力。

4.2 阶梯式自愈

OpenClaw 的自我进化不仅体现在能力增长上，还体现在故障处理能力的持续提升。

核心理念：每次故障不是终点，而是触发尝试自愈；成功处理后的经验会被记录下来，让系统越用越稳定。

4.3 动态新技能

Agent 可以在运行时动态加载新技能，无需重启或重新部署。通过以下系统提示词实现自我更新。

## OpenClaw Self-UpdateGet Updates (self-update) is ONLY allowed when the user explicitly asks for it.Do not run config.apply or update.run unless the user explicitly requests an update or config change; if it's not explicit, ask first.Actions: config.get, config.schema, config.apply (validate + write full config, then restart), update.run (update deps or git, then restart).After restart, OpenClaw pings the last active session automatically.

示例：动态安装新 Skill

用户：帮我安装一个天气查询的 SkillAgent：正在搜索可用 Skill...       找到 "weather" Skill，来自 clawhub.com       是否安装？[是/否]用户：是Agent：正在安装...       ✅ weather Skill 安装成功       现在你可以使用 /weather <城市> 查询天气了       示例：/weather 北京

4.4 主动维护长期记忆

刷新长期记忆是 OpenClaw 最明显的学习行为。回复用户前Agent会主动检查是否需要将经验写入长期记忆。

五、进化案例演示

4.1 案例一：学习新的部署流程

用户：帮我部署这个项目到测试服务器[第1次] Agent：使用 scp 上传文件        ❌ 失败：权限不足[第2次] Agent：尝试使用 rsync        ❌ 失败：rsync 未安装[第3次] Agent：改用 git pull 方式        ✅ 成功：git clone + pm2 restart

Agent 记录到 TOOLS.md：

## 部署流程（已验证）测试服务器部署步骤：1. ssh user@test-server2. cd /app && git pull3. pm2 restart app

下次执行时按成功流程执行，无需再多次试错。

4.2 案例二：学习错误处理经验

用户：分析这个 100MB 的日志文件Agent：尝试读取整个文件       ❌ 失败：文件太大，上下文溢出Agent：改用 tail -n 1000 读取尾部       ✅ 成功分析

Agent 记录到 AGENTS.md：

## 学到的教训处理大日志文件（>10MB）时：1. 不要使用 read 读取整个文件2. 优先使用 grep 过滤关键词3. 或使用 tail/head 限制行数4. 需要统计分析时使用 exec 调用 awk/sed

六、与传统 AI 助手的对比

七、总结

OpenClaw 的自我进化机制是一套完整的学习系统：

1. 核心思想：通过 File-as-Memory + 动态提示词工程，实现提示词驱动的强化学习回路
2. 底层基石：Markdown 文件作为记忆载体，用户可读、AI 可写、版本可控
3. 进化闭环：对话前加载 → 对话中学习 → 对话后写入 → 下次加载更新
4. 四大机制：
• 自然语言声明模式（技能纯文本，无需重启）
• 阶梯式自愈（故障→尝试→记录经验）
• 动态新技能（运行时加载）
• 主动维护长期记忆（隐性学习，非显式命令）
5. 核心价值：每次故障、每个偏好、每次成功的经验都会被记录，让 AI 越用越聪明、越用越符合用户的习惯

系列完结

至此，《OpenClaw 源码解析》系列全部 10 篇文章已完结。 感谢您的阅读！如有任何问题或建议，欢迎在评论区留言讨论。