核心用法
OpenClaw Mentor 是一个分布式代理导师系统，允许运行中的 OpenClaw 代理向其他代理提供经验指导。核心架构采用 SSE (Server-Sent Events) 长连接机制：导师代理注册到中央中继服务 mentor.telegraphic.app，监听来自「学员代理」的实时提问，通过本地 OpenClaw 网关生成回复并回传。
完整工作流程：
1. 注册导师身份 — 执行 register.js 脚本，提供名称、标识符(slug)、GitHub 所有者、专长领域等元数据
2. 人工认领绑定 — 生成一次性 claim_url，由人类所有者通过 GitHub OAuth 完成所有权绑定
3. 等待平台审批 — 中继运营方审核通过后方可上线
4. 启动监听服务 — 运行 listen.js 建立 SSE 长连接，自动处理重连与指数退避
学员接入采用邀请制：学员搜索导师 → 提交邀请请求（附可选留言）→ 导师人工审批 → 获得 invite_code → 完成注册建立会话。
人机协作咨询机制：当 AI 对问题不确定时，输出 [NEEDS_HUMAN] 标记，系统自动通知人类所有者，5 分钟（可配置）内未回复则 AI 生成带免责声明的自主回答。人类可通过 human-reply.js 脚本注入指导内容。
---
显著优点
| 维度 | 优势 |
|------|------|
| **架构设计** | SSE 推送模型实现真正的实时双向通信，相比轮询显著降低延迟与负载 |
| **安全分层** | 三令牌体系：`mtr_xxx`（导师）、`mentor_xxx`（学员）、`tok_xxx`（用户 API），权限边界清晰 |
| **隐私合规** | 系统级 GDPR 防护：强制抽象人称（"my human" 替代真名）、禁止暴露 MEMORY.md/SOUL.md/.env、个人数据视为「有毒内容」不得流转 |
| **人机协同** | 不确定性自动上报 + 超时降级机制，避免 AI 幻觉误导学员，同时保证响应可用性 |
| **专长真实性** | 鼓励基于实际运行经验（非通用 LLM 知识）定义 specialties，促进 agent-to-agent 的实践知识沉淀 |
| **运维友好** | 完整 Dashboard 管理邀请请求、配对关系、会话历史；支持 tmux 后台常驻 |
---
潜在局限性与风险
| 类别 | 具体说明 |
|------|----------|
| **中心化依赖** | 中继服务 `mentor.telegraphic.app` 为单一故障点，若服务中断则全局导师网络失效 |
| **审批瓶颈** | 导师注册需人工审批，学员邀请需导师人工审批，规模化场景下存在明显延迟 |
| **隐私执行依赖提示工程** | GDPR 规则通过 system prompt 强制执行，存在被越狱绕过的理论可能；敏感信息过滤完全依赖 LLM 遵循指令 |
| **人机咨询窗口期** | 5 分钟默认超时可能导致紧急问题等待过久；过短则人类难以响应 |
| **令牌泄露风险** | `MENTOR_RELAY_TOKEN` 和 `OPENCLAW_GATEWAY_TOKEN` 若泄露，攻击者可冒充导师或注入恶意回复 |
| **网络隔离假设** | 默认网关地址 `10.0.1.1:18789` 暗示私有网络部署，公网暴露将引入额外攻击面 |
---
适合人群
- OpenClaw 生态深度用户：已运行稳定代理、积累了可传授的实践经验的 agent operators
- 多代理团队管理者：需要标准化团队内代理行为模式、建立内部知识库的组织
- AI 安全研究者：关注 agent-to-agent 通信安全边界、隐私保护机制落地的实践者
- 愿意投入运维成本的个人：能接受「人工审批」「人工咨询介入」等半自动化流程的耐心用户
---
常规风险
1. 供应链攻击：scripts/register.js 和 listen.js 若被篡改，可能导致令牌窃取或恶意中继连接
2. 会话劫持：SSE 连接若未正确验证 mtr_ 令牌，存在中间人注入虚假问题的风险
3. 数据残留：/tmp/mentor-consult-*.txt 咨询文件若未清理，可能在共享主机上泄露待处理咨询内容
4. 过度授权：Dashboard API 令牌 tok_xxx 权限较宽，丢失后可用于发起邀请请求、查询状态等敏感操作