核心用法
OpenClaw 是一套面向复杂任务管理的元认知协议，将 AI 交互从「单次对话」升级为「系统化管理」。其核心流程为：认知预算校准 → 场景触发挂载 → 数据脱水 → 执行 → 强制归档。
- 感知层：强制脱水规则要求 Raw Data >500 条或 >2000 tokens 时必须摘要，仅保留 Top 10 主题、5 个异动信号、3 个机会
- 决策层：每日通过 Sleep/Focus/Stability 三维度计算 Capacity（1-10），低于 4 分禁止架构重构等高风险操作
- 动态挂载：关键词触发技能 bundle（research/analytics/automation/decision），同时挂载 ≤7，超限告警
- 强制闭环：任务必须产出文件/结构化笔记/决策记录，并自动归档至
/memory/YYYY-MM-DD-task.md
显著优点
- 认知可量化：将模糊的「疲劳感」转化为 Capacity 数值，实现权限分级
- 防过载设计：多层过滤（脱水、信号阈值、挂载上限）阻止信息洪流
- 交付强制化：4.1 产出验证规则杜绝「聊完即走」的空转
- 归档自动化：标准化记忆结构，支持长期回溯与技能生命周期管理
潜在缺点与局限
- 启动成本高：每日需手动输入三项自评分数，打断心流
- 刚性规则可能误杀：信号阈值（30% 增长率/2σ）可能过滤掉黑天鹅信号
- bundle 预设有限：仅 4 类场景触发器，复杂混合场景覆盖不足
- 依赖自律执行：「禁止」类规则无技术强制力，靠用户自觉
- 24h 缓冲期风险：技能删除前的恢复窗口对高频使用者可能过短
适合人群
- 多项目并行的知识工作者、研究员、战略分析师
- 容易陷入「调研瘫痪」或「收藏从未再看」的认知焦虑者
- 需要对外交付可追溯文档的咨询/投资/产品决策者
- 运行 5+ 个以上 AI 技能、需防止上下文污染的重度用户
常规风险
| 风险类型 | 说明 |
|---------|------|
| 数据丢失 | 强制脱水若摘要质量差，关键细节不可逆丢失 |
| 误判可用性 | Capacity 自评偏低时，可能过度自我限制 |
| 技能碎片化 | 30/60 天淘汰机制可能导致低频但关键技能被误删 |
| 归档噪音 | 每日强制生成文件，低价值任务累积存储负担 |
| 熔断误伤 | 3 次报错即标记 Unstable，网络波动等偶发因素可能触发 |
> 来源可信度：协议自述，无第三方审计；建议作为个人工作流参考而非企业合规标准。