核心功能与用法
本技能提供14个经过生产验证的架构模式，用于构建高可靠性的 OpenClaw 智能体。核心设计遵循"强默认值，非教条"原则，每个模式均对应真实问题的解决方案。
关键模式分类：
| 类别 | 模式 | 核心解决的问题 |
|------|------|---------------|
| **可靠性** | WAL Protocol、Working Buffer | 用户修正丢失、上下文压缩导致近期对话遗忘 |
| **内存管理** | Layered Memory Compression、Memory Anti-Poisoning | 无限增长的 MEMORY.md、外部内容注入行为规则 |
| **调度优化** | Cron Jitter、Heartbeat Batching | API 限流洪峰、多 cron 任务的 token 浪费 |
| **交付控制** | Delivery Dedup、Isolated vs Main Sessions | 重复消息发送、后台任务可靠性 |
| **技能集成** | Selective Skill Integration、ClawHub API Quality Filtering | 安装冲突、低质量技能筛选 |
| **运维支持** | TOOLS.md Inventory、Error Documentation、Vector Search Integration | 工具发现困难、错误重复发生、长历史语义检索 |
典型工作流示例：
# 1. 配置分层内存与向量搜索 openclaw config set agents.defaults.memorySearch.provider gemini openclaw config set agents.defaults.memorySearch.remote.apiKey "xxx" # 2. 应用 Cron 抖动避免限流 openclaw cron edit <id> --stagger 2m # 3. 每月执行压缩归档（自动化或手动） # → 生成 memory/archive-YYYY-MM.md + 更新 MEMORY.md 索引指针 # 4. 使用 memory_search 进行语义检索，自动跨三层内存
显著优点
1. 生产验证：所有模式源自真实部署场景，如 proactive-agent、self-improving-agent 等成熟项目
2. 量化效果：Layered Memory Compression 实现 1.4x-2.1x 压缩比，Heartbeat Batching 报告 60% token 削减
3. 渐进式采用：每个模式独立可用，支持选择性集成而非全盘替换现有架构
4. 可追溯性：通过 (source: X, YYYY-MM-DD) 标签和索引指针确保信息来源清晰
5. 成本优化：明确的压缩规则基于"重现成本"而非主观判断，避免过度保留
潜在局限与风险
| 局限 | 说明 |
|------|------|
| **Gemini 依赖** | 向量搜索默认推荐 Gemini，需外部 API key，存在供应商锁定风险 |
| **压缩召回测试开销** | 每次压缩后需执行 20-40 题的召回测试，增加运维负担 |
| **规则学习曲线** | 14 个模式之间存在依赖关系（如 Layered Compression 与 Vector Search 互补），完整掌握需时间 |
| **Cron 抖动例外复杂** | "精确时间不可抖动"的边界判断（市场开盘、定时重启等）需人工决策 |
| **WAL 协议侵入性** | 强制 STOP→WRITE→RESPOND 流程可能增加响应延迟，高频交互场景需权衡 |
适用人群
- 构建长期运行生产级 Agent 的开发者 — 需要处理上下文漂移、内存膨胀、API 限流等问题
- 已有基础 Agent 需要架构升级的用户 — 模式支持渐进式采用，无需推倒重来
- 多技能集成场景 — 提供选择性集成策略，避免 SOUL.md/AGENTS.md 被覆盖
- 成本敏感用户 — 通过压缩和批量优化显著降低 token 消耗
常规风险
- 向量搜索配置错误：API key 泄露或 provider 配置不当可能导致数据外泄
- 压缩规则误用：严格按"重现成本"维度执行，避免主观"用户是否关心"判断导致信息丢失
- Cron 过度抖动：关键业务逻辑若错误应用
--stagger可能导致时序问题 - 孤立会话上下文缺失：
isolated agentTurn无法访问 main session 的对话上下文，需明确任务边界