核心用法
Dual-Brain Skill 是一种认知增强架构，通过后台守护进程（daemon）为每条用户消息自动调用与主模型不同的备用大模型（如主用 GPT-4 则备用选用 Kimi 或 Llama），生成 2-3 句的简要视角，供主模型在回复前参考融合。
技术流程：
1. 用户消息进入 OpenClaw Session（JSONL 格式）
2. Dual-Brain Daemon 轮询拦截
3. 发送至备用 LLM Provider（支持 Ollama 本地模型、Moonshot/Kimi、OpenAI、Groq 等）
4. 生成简短视角并写入 ~/.dual-brain/perspectives/{agent-id}-latest.md
5. 主模型读取后，融合双重视角输出最终回复
部署方式：
- 用户端：
npm install -g openclaw-dual-brain，执行setup配置 API 与模型，start启动守护进程 - 系统级：
install-daemon可注册为系统服务自动运行
显著优点
1. 认知多样性（Cognitive Diversity） —— 不同架构、训练数据、文化语料的模型提供互补视角
2. 偏见自动消解 —— 单一模型的系统性盲区可被另一模型识别
3. 隐性质量校验 —— 相当于内置"第二意见"机制，降低事实幻觉和逻辑漏洞风险
4. 零主模型开销 —— 守护进程后台异步运行，延迟 <1 秒，不阻塞主响应流
5. 成本可控 —— 本地 Ollama 方案零 API 费用；Groq 提供高速低价推理；OpenAI/Moonshot 按需选择质量层级
6. 可扩展记忆 —— 可选接入 Engram 语义记忆系统，视角存入长期记忆供回溯
潜在缺点与局限性
| 维度 | 具体表现 |
|------|---------|
| **同步复杂度** | 主模型需实现文件轮询或事件监听逻辑，增加代理代码复杂度 |
| **视角质量不稳定** | 2-3 句强制简短可能丢失关键 nuance，复杂问题可能过于简化 |
| **延迟累积** | 虽声称 <1s，若备用模型排队或网络波动，可能拖慢整体响应 |
| **配置门槛** | 多提供商 API 管理（key、rate limit、区域限制）对普通用户不友好 |
| **融合难度** | 主模型需具备"综合双视角"的能力，否则可能选择性忽略或简单拼接 |
| **无冲突解决机制** | 若两模型观点直接矛盾，系统未提供仲裁策略，依赖主模型判断 |
| **安全风险** | 文件系统读写、守护进程常驻，若实现有漏洞可能成为本地攻击面 |
适合人群
- 高 stakes AI 代理开发者：客服、医疗预诊、法律咨询等需降低单模型幻觉风险的场景
- 多模型策略研究者：需对比不同架构模型对同一问题的认知差异
- 成本敏感型用户：Ollama 本地方案适合隐私要求高、预算有限的个人开发者
- 中文场景优先用户：Moonshot/Kimi 作为备用模型对中国语境理解更优
常规风险
1. API 密钥泄露：~/.dual-brain/config.json 明文存储密钥，需确保文件权限 600
2. 提示词注入：若用户消息可触发备用模型生成恶意指令，可能污染主模型上下文
3. 数据残留：视角文件持久化于磁盘，多用户环境可能泄露历史对话片段
4. 守护进程僵尸化：异常退出后未清理 PID，导致端口或文件锁占用
5. 供应链风险：npm install 来源未经验证，依赖包存在潜在恶意代码可能