智能体技能使用指南

智能体技能使用指南

基于 OpenClaw 深度使用经验整理，适用于所有基于 Markdown 文件驱动的 AI Agent 平台。
核心结论：Agent 越用越好用的本质，是一堆不断进化的.md文件。

一、为什么很多人觉得 Agent 不好用？

在深入使用技巧之前，先排除三个常见的"姿势问题"——这些不是产品问题，是用法问题。

❌ 误区1：模型没选对

模型对效果的影响是决定性的。Agent 框架本身不生产智能，它是让模型发挥得更好的"放大器"。

类比：给实习生一份再详细的操作手册，他可能还是做不好；同样的手册给高级工程师，他能做到远超预期的水平。

✅ 正确做法：优先选用能力强的主力模型，框架的价值才能被充分释放。

❌ 误区2：把 Agent 当通才

一个 Agent 什么都干 = 什么都做不精。

✅ 正确做法：配置多个 Agent，每个专注一个领域（代码审查、文案写作、数据分析……）。

每个 Agent 有独立的 workspace、独立的记忆数据库、独立的会话历史。专注一个领域积累的经验是垂直且深度的，不会被其他任务"污染"。

❌ 误区3：没有"培训"你的 Agent

开箱即用 ≠ 开箱即好用。

类比：你招了一个新员工，第一天就指望他跟干了三年的老员工一样好使？

✅ 正确做法：主动培训 Agent——告诉它你的偏好、工作场景，一起踩坑，把经验固化下来。这个过程叫"形成 SOP"，技术上叫"积累 workspace 文件"。

二、核心机制：自我进化的 Markdown 文件系统

Agent 越用越好用的底层逻辑，一句话概括：

每次对话前，把一堆 md 文件拼进 prompt；对话后，让 Agent 把新学到的东西写回这些 md 文件。

这个简单的读写循环，构成了一个威力巨大的知识飞轮。

2.1 骨架：7 个核心 md 文件

每个 Agent 的 workspace 预设 7 类核心文件：

2.2 血肉：用户与 Agent 共同生长的自定义文件

以上 7 类是框架骨架。但 workspace 本质是一个普通文件夹，Agent 可以自由创建任何它需要的文件。

一个用久了的项目管理 Agent，workspace 可能自然长出这样的结构：

workspace/ ├── SOUL.md ├── USER.md ├── AGENTS.md ├── TOOLS.md ├── MEMORY.md ├── memory/ │ ├── 2026-03-01.md │ └── 2026-03-02.md ├── projects/ │ ├── project-alpha/ │ │ ├── progress.md ← 项目进度 │ │ ├── decisions.md ← 决策记录 │ │ └── risks.md ← 风险清单 │ └── project-beta/ │ └── progress.md ├── templates/ │ ├── weekly-report.md ← 周报模板 │ └── meeting-notes.md ← 会议纪要模板 └── contacts/ └── team-preferences.md ← 团队成员偏好

这些文件没有任何 schema 约束，完全是 Agent 在使用过程中自己组织出来的。每个人的 Agent 最终形态不同，取决于你们一起做了什么、在哪些领域深耕。

三、自我进化的完整闭环

对话开始 → 加载 workspace 所有核心 md 文件到 system prompt → Agent 先检索相关记忆（memory_search） → Agent 执行任务 → 学到新东西 / 犯了错 / 发现用户新偏好 → 写回相关文件（AGENTS.md / USER.md / memory/*.md / MEMORY.md） → 触发 Memory 索引重建（全文搜索 + 向量索引） → 对话结束 下次对话开始 → 加载更新后的 md 文件 → 搜索到新索引的记忆 → Agent 行为更精准 → 循环 ♻️

两层循环的本质

两层合一 = 完整的学习 → 记忆 → 检索 → 应用系统。

四、关键技术细节

4.1 Prompt 预算机制

• 每个 md 文件上限20KB，所有文件总量上限150KB
• 超出部分会被截断
• 启示：md 文件不能无限膨胀，Agent 需要学会"提炼"——这正是MEMORY.md（精华）和memory/*.md（原始日记）分开存储的原因

4.2 记忆检索算法

• 混合权重：70% 向量相似度 + 30% 关键词匹配
• 支持 MMR（最大边际相关性）：搜索结果尽量多样化
• 支持时间衰减：越近的记忆权重越高

4.3 Skill 优先级链（从低到高）

1. 插件提供的 skill（最低） 2. 内置 skill 3. 托管 skill（~/.openclaw/skills/） 4. 个人 skill（~/.agents/skills/） 5. 项目 skill（{workspace}/.agents/skills/） 6. Workspace skill（{workspace}/skills/） ← 最高优先级

用户 workspace 里的 skill 可以覆盖任何内置行为。调教 Agent 的方式，就是写一个 md 文件。

4.4 Bootstrap 自毁机制

首次使用时，Agent 执行BOOTSTRAP.md完成初始化（设置 IDENTITY、USER、SOUL），完成后自动删除BOOTSTRAP.md。这是一次性引导，之后 workspace 进入正常运行状态。

五、核心认知：理解这些，你的 Agent 会脱胎换骨

💡 认知1：你的 Agent 价值在 workspace 文件夹里

代码是公开的，模型是通用的。真正属于你、不可替代的部分，是 workspace 里那堆 md 文件。

• 换台电脑 → 把 workspace 文件夹拷过去 → 体验原封不动
• 删掉那个文件夹 → 一切从零开始

💡 认知2：调教 Agent 就是写 md

不需要学编程，不需要懂 prompt engineering。用自然语言把你的经验、偏好、规范写成 md 文件，放到 workspace 里即可。

甚至你不需要自己写——跟 Agent 对话的过程中，它自己就会把学到的东西写成 md。你要做的只是在它犯错时纠正它，它会自己记住。

💡 认知3：Agent 之间的差距就是 md 文件的差距

同样的版本、同样的模型，体验可能天差地别。差别在于各自 workspace 里积累了什么：

这和现实世界的专家差距是一样的：两人智商差不多（模型一样），差距在于积累的经验和知识（md 文件）。

六、实操建议（可直接落地）

✅ 建议1：主动引导 Agent 形成 SOP

不要等 Agent 慢慢摸索。在你已有成熟工作流的领域，直接告诉它：

“以后这类任务都按照这个流程来：[描述流程]，帮我写成 SKILL.md。”

从此 Agent 每次执行这类任务都会遵循这个规范，无需重复描述。

✅ 建议2：定期审查 workspace 文件

Agent 自己写的内容不一定都对。建议每月审查一次：

• AGENTS.md：踩坑记录有没有过时或不准确的？
• USER.md：用户画像有没有需要更新的？
• MEMORY.md：长期记忆有没有需要修正的？

✅ 建议3：善用多 Agent，保持知识垂直

不同领域的知识积累互不干扰，每个 Agent 的经验都是垂直深度的。

✅ 建议4：选对模型，别在基础上将就

再好的 md 文件喂给弱模型，效果也有限。模型是地基，md 文件是上层建筑。

✅ 建议5：备份你的 workspace

workspace 是你最有价值的数字资产之一。

• 推荐用Git管理（OpenClaw 默认已 Git 跟踪）
• 定期推送到远程仓库（GitHub / Gitee / 私有服务器）

七、一张图理解全局

┌─────────────────────────────────────────────────────┐ │ 你的 Workspace │ │ │ │ SOUL.md → Agent 的人格（自我进化） │ │ USER.md → 你的画像（越用越懂你） │ │ AGENTS.md → 行为规范 + 踩坑记录（核心！） │ │ TOOLS.md → 环境备忘 │ │ SKILL.md×N → 各领域操作手册（可自定义覆盖） │ │ memory/*.md → 每日日记（全文+向量双索引） │ │ MEMORY.md → 长期记忆精华（每次必加载） │ │ ...自由生长的其他文件... │ └────────────────────┬────────────────────────────────┘ │ 每次对话加载 ▼ ┌───────────────┐ │ System Prompt │ │ (≤150KB) │ └───────┬───────┘ │ ▼ ┌───────────────┐ │ AI 模型 │◄── 选对模型是基础 └───────┬───────┘ │ 对话中学到新东西 ▼ 写回 md 文件 → 索引重建 → 下次更好

总结

代码决定了 Agent 能做什么，md 文件决定了它做得多好。
而后者，是你和你的 Agent 一起，一次对话一次对话攒出来的。