核心用法
goal-agent 通过脚手架脚本将通用 OpenClaw 代理转变为专注单一目标的自主优化系统。用户仅需提供目标描述（如「日活用户达到 100」）、度量命令（返回数值的 shell 命令）和目标值，系统即生成完整工作空间：
1. 初始化：运行 scaffold.sh 生成 5 个核心文件
2. 激活：将生成的 HEARTBEAT.md 复制到 ~/clawd/HEARTBEAT.md 启动反馈循环
3. 迭代运行：代理按「测量→对比→反思→决策→行动→记录→适应」七步循环自主迭代
典型用例包括提升测试覆盖率（80%）、压缩构建时间（<30s）、增长社交媒体粉丝（500 人）等可量化目标。
显著优点
- 极低启动成本：无需编程，纯配置驱动，一条命令即可生成完整工作空间
- 自适应性学习：
LEARNINGS.md累积经验规则，STRATEGY.md动态调整，避免重复试错 - 高度可观测：
GOAL.md记录完整迭代历史，策略变化可追溯 - 灵活部署：支持当前代理快速激活或
spawn-agent创建隔离 VM - 约束驱动安全：通过
--constraints显式限定行动边界（预算、文件范围、网络权限等）
潜在缺点与局限性
- 约束非强制性：安全依赖自然语言描述，无代码级沙箱；「不要修改数据库」仅靠代理自律执行
- 度量命令风险：若
--metric本身包含副作用（如curl写操作），系统无法自动识别 - 收敛不确定性：复杂目标可能陷入局部最优或震荡，需人工介入调整策略
- 资源消耗：持续心跳循环可能产生 API 调用、计算资源或平台操作成本
- 目标漂移：长期运行中代理可能「优化」度量本身而非真实目标（古德哈特定律）
适合人群
- 增长/运营团队：自动化执行可量化的用户增长、内容传播目标
- 开发者/DevOps：持续优化构建速度、测试覆盖率、资源利用率等技术指标
- 研究者/实验者：需要快速验证假设、探索策略空间的自治代理实验
- 不适合：高安全敏感场景（资金操作、生产数据变更）、无法量化的创造性目标、需人类判断的伦理决策
常规风险
| 风险类型 | 具体表现 | 缓解建议 |
|---------|---------|---------|
| 意外副作用 | 代理为达目标采取未预期行动（如刷量、违规推广） | 严格设置 `--constraints`，首跑低迭代次数观察 |
| 安全边界突破 | 代理误解约束，触及文件系统/网络/权限红线 | 隔离 VM + 只读度量命令 + 文件系统权限限制 |
| 成本失控 | API 调用、云服务、广告投放等费用累积 | 预算约束 + 定期人工复核 `GOAL.md` |
| 策略僵化 | 过度依赖历史学习，错过更好的新策略 | 定期重置 `LEARNINGS.md` 或人工注入新假设 |
| 平台封禁 | 社交媒体、云服务等目标平台识别自动化行为 | 速率限制约束 + 模拟人类行为间隔 |