核心用法
training-manager 是 OpenClaw 生态的工作空间管理中枢，通过对话式交互帮助用户完成四大核心任务：
1. 智能初始化（Interactive Setup） — 区别于传统模板填充，采用分阶段对话引导：身份设置 → 沟通风格 → 使用场景 → 确认汇总 → 首条记忆录入。系统将口语化回答转译为结构化指令（如"像朋友一样"转译为 Tone: Casual, use humor when natural），避免 raw prompt 污染行为文件。
2. 脚手架生成（Scaffold） — 为进阶用户提供快速模板部署，通过 scaffold.sh 批量创建 SOUL.md/AGENTS.md/TOOLS.md 等核心文件，智能跳过已存在内容。
3. 技能工厂（Generate Skill） — 将自然语言需求转化为标准 OpenClaw 技能包，自动处理目录结构、元数据注入与依赖声明，输出符合规范的 SKILL.md。
4. 训练闭环（Log & Consolidate） — 双模式记忆系统：
- 即时记录：识别"记住这个"/"下次应该…"等修正指令，自动分类写入 AGENTS.md（行为规则）、SOUL.md（人格特质）、MEMORY.md（长期事实）或每日日志
- 定期整合：当 Training Update 区块累积 5+ 时触发 consolidate，避免碎片指令堆砌
5. 健康运维（Validate / Status / Analyze） — 三级诊断体系：
validate：结构合规检查（YAML 有效性、字符数限制、必填字段）status：文件级概览（体积、修改时间、技能计数）analyze：智能分析（--deep 模式检测跨文件重复规则、内存膨胀、僵尸文件）
6. 快照导出（Export） — 完整备份至 ~/.openclaw/backups/，支持版本回滚。
---
显著优点
| 维度 | 优势 |
|------|------|
| **渐进式引导** | 打破"冷启动"困境，新手通过 8 个问题即可完成个性化配置，无需阅读文档 |
| **语义转译层** | 核心安全设计 — 用户口语输入经 AI 重构为结构化指令，天然阻断 prompt injection 的 raw 传递链 |
| **分层安全策略** | 写入前内容筛查（4 类威胁模式识别）+ 脚本级二次过滤 + 分级预览策略（高影响文件强制预览） |
| **自愈式工作流** | 自动检测缺失文件触发 setup、操作后自动 validate、状态检查后智能推荐 analyze，减少人工决策负担 |
| **双轨技能路径** | 轻量级本地生成 vs. 复杂场景委托 `skill-creator`，兼顾效率与能力边界 |
---
局限性与风险
架构层面
- 依赖 bash 脚本生态，Windows 原生支持缺失（需 WSL）
- 20,000 字符注入上限为硬约束，超大规模项目需外部模块化
- 深度分析（--deep）的跨文件重复检测为 O(n²) 复杂度，超百文件场景性能下降
安全层面
- 语义转译虽降低注入风险，但"行为规则伪装"检测依赖启发式规则，新型攻击模式可能绕过
- 用户明确确认后的恶意内容仍会被执行（设计上的权限边界）
运维层面
- 记忆系统为本地文件存储，无原生同步机制，多设备场景需手动管理
- consolidate 为半自动流程，需人工审核 staging 文件，高频修正场景仍有摩擦
---
适合人群
- OpenClaw 新用户：快速跨越"空白工作空间"障碍，建立可持续演进的配置体系
- AI 助手重度使用者：需要长期记忆、行为微调、多项目隔离的进阶玩家
- 多智能体开发者：标准化技能生成与依赖管理，确保团队内技能包一致性
- 安全敏感场景：企业/个人用户需内置多层内容审查的训练数据管理
---
常规风险提示
| 场景 | 建议措施 |
|------|---------|
| 第三方内容录入 | 强制触发 injection 筛查，对 base64/hex/"ignore previous" 等模式保持警觉 |
| 工作空间膨胀 | 季度运行 analyze --deep，及时 consolidate 碎片指令 |
| 关键配置变更 | AGENTS.md/SOUL.md 修改后运行 validate + 短期行为观察 |
| 跨设备迁移 | 使用 export 生成时间戳备份，避免 MEMORY.md 与 daily logs 版本错乱 |