核心用法
ClawTraces 是一套完整的本地对话数据采集与提交解决方案，专为 OpenClaw 用户设计。其核心流程包含六个步骤：环境认证与检查、对话扫描采集、Harness 门槛检查、数据提交、进度查询及 Harness 配置提交。
采集流程：用户通过手机号验证码完成认证后，系统自动检测并修复三项关键配置（诊断日志、推理级别、模型推理能力）。随后扫描本地缓存的对话记录，按白名单模型、轮次数量、消息质量等硬性规则自动过滤，生成符合 Anthropic 标准的 trajectory 格式文件。每次提交前需用户明确确认，支持按序号、数量、日期范围等多种方式选择目标对话。
独立 Harness 提交：当用户提交数据量达到阈值或主动要求时，系统可打包 SOUL.md、USER.md 等配置文件，在本地自动脱敏（手机号、邮箱、API Key 等替换为占位符）后上传，所有敏感信息处理均不离开本地环境。
显著优点
1. 隐私优先设计：采用本地脱敏机制，敏感信息在出机前已完成替换；用户消息中的 Sender 身份和时间戳自动清除；提交需逐条确认，确保数据授权合规。
2. 智能质量过滤：内置多维度过滤体系——模型白名单、轮次阈值（>5）、用户消息长度指标、长消息数量检测，自动剔除低质量对话，减少人工筛选成本。
3. 渐进式采集体验：支持快捷指令（"最近3条"、"4月的"）、分页浏览、状态标记（活跃/不合格/模型不符）等灵活交互；首次配置修改后自动重启并提示后续使用，避免用户困惑。
4. 透明可控：过滤报告详细展示每条被拒绝记录的原因与详情；脱敏报告按文件列出替换项，让用户完全知情。
潜在缺点与局限性
1. 冷启动门槛：cache-trace 仅记录配置重启后的新对话，首次使用或修改配置后需"正常使用一段时间"才能产生可采集数据，短期内可能无结果。
2. 模型白名单限制：非白名单模型的对话会被标记为"model_mismatch"无法提交，使用非主流模型或本地部署模型的用户可能大量对话不符合条件。
3. 活跃对话处理风险：标记为"⚡活跃中"的对话虽可选择提交，但若后续继续聊天，新增内容无法补充至已提交记录，存在数据完整性隐患。
4. 强制 Harness 依赖：达到阈值后必须先提交 Harness 才能继续采集，对注重配置隐私的用户可能构成使用阻断。
适合人群
- 积极为 AI 训练贡献高质量对话数据的 OpenClaw 付费用户
- 使用 Claude Opus/Sonnet 等白名单模型进行复杂任务（代码开发、数据分析、多轮推理）的专业用户
- 能够接受配置文件脱敏采集以换取数据提交权益的贡献者
- 不急于即时反馈、愿意积累一段时间数据后再批量提交的耐心型用户
常规风险
- 认证密钥失效：API key 可能过期，需重新走手机号验证流程
- 服务端策略变更：threshold、force_required 等阈值由服务端控制，可能影响采集节奏
- 误提交风险：用户可能在对话未真正结束时提交"活跃中"记录，导致数据截断
- 脱敏漏检：自动脱敏基于模式匹配，非常见格式的敏感信息可能遗漏