OpenClaw 折腾之路：从领养到精养的阶段复盘

1. 背景

这不是一篇“装了个工具然后简单用一用”的记录，而是一段比较完整的 OpenClaw 折腾过程：从本机部署、即时通讯接入、多 Bot 与 Skill 协作、浏览器能力接入、定时计划、记忆系统治理，再到 Team 模式和 Self-Improving Agent 的研究，整个过程更像是在把一个 AI 工具，逐步养成一个能协作、能沉淀、能持续演变的工作空间。

这条路里有两个很明显的关键词：

折腾：OpenClaw 作为开源系统，可玩性高，适合反复调试、试错、配置、重构
收敛：不是越配越多，而是一路从“什么都想接”走向“哪些东西真的值得保留”

起名这件事也很自然地落下来了：莫菲 Murph。

这个名字背后，其实也代表了使用方式的变化——它不再只是一个工具，而更像是一个持续协作的助理、同事，甚至某种长期陪跑的工作搭子。

2. 目标

这次整理的目标，不是简单罗列阶段，而是把整条演进路径讲清楚：

OpenClaw 这一路到底折腾了哪些阶段
每个阶段解决了什么问题
哪些方案最后被保留，哪些被淘汰
记忆、技能、工作流、对话式整理这些能力，是怎么一步步串起来的
最后沉淀出了哪些稳定判断与后续方向

从结果看，这已经不只是“会用 OpenClaw”，而是逐渐形成了一套：

可交互
可配置
可沉淀
可迁移
可复利

的 AI 工作空间方法论。

3. 整体演进图

先看一张总览图，会比逐段看更清楚。

flowchart LR
    A[阶段1 部署 + 即时通讯接入] --> B[阶段2 多 Bot + Skill]
    B --> C[阶段3 浏览器配置 + Skill 调优]
    C --> D[阶段4 定时计划 cron + heartbeat]
    D --> E1[阶段5-1 系统大扫除 / 降本调优]
    E1 --> E2[阶段5-2 三层记忆 + QMD 方案收敛]
    E2 --> F[阶段6 设计公共可移植工作空间]
    F --> G[阶段7 改造为 Team 使用模式]
    G --> H[阶段8 Self-Improving Agent 研究]

    A --> A1[本机部署]
    A --> A2[Telegram / 钉钉 / 飞书 / 企微]
    A2 --> A3[最终 Telegram 成为主入口]

    B --> B1[main/coder/writer/tester/dailywork]
    B --> B2[Session 隔离 / 防串味]
    B --> B3[工时评估 + Skill 生成调优]
    B --> B4[OpenClaw 对接 opencode]

    C --> C1[内置浏览器]
    C --> C2[本机 Chrome + 插件]
    C --> C3[多浏览器配置方案]

    D --> D1[每日 AI 资讯汇总]
    D --> D2[AI 周报]
    D --> D3[研究 AGENTS.md / SOUL.md 等规则文件]

    E1 --> E11[精简 Bot]
    E1 --> E12[清 Skill]
    E1 --> E13[清日志 / 垃圾文件 / 插件残留]
    E1 --> E14[外挂记忆系统探索]

    E2 --> E21[重新规划 Bot 规则文档]
    E2 --> E22[三层记忆接入 Bot]
    E2 --> E23[复盘记忆何时写 / 怎么发挥作用]

    F --> F1[空间A 测试团队管理]
    F --> F2[空间B 开发工程方向]
    F --> F3[文件规则进一步理解]

    G --> G1[main 调度 coder / writer]

    H --> H1[安装与配置]
    H --> H2[怎么记 / 怎么用]
    H --> H3[与现有记忆体系的边界]

这张图反映的不是单点功能堆叠，而是一条明显的演变链：

先接入 → 再协作 → 再自动化 → 再治理 → 再沉淀 → 再抽象成可迁移方法。

4. 阶段拆解

4.1 第一阶段：部署 + 即时通讯应用接入

这是最基础的一层，也是后面所有能力能够真正“用起来”的入口。

关键动作

mac 本机部署 OpenClaw
接入多种即时通讯渠道：Telegram / 钉钉 / 飞书 / 企微
在多种接入方式里做实际体验比较

最终结论

最后保留最核心、最好用的入口是：Telegram。

原因

Telegram 之所以留下来，不只是“能发消息”，而是整体体验更完整：

操控顺手
功能更完整
扩展能力更强
在日常交互上更自然
对话入口比 IDE 更轻，更灵活

这一阶段本质上是在回答一个问题：

OpenClaw 到底从哪里进入，才能真正进入高频使用？

最后答案不是“理论上都能接”，而是：Telegram 最适合作为长期主入口。

4.2 第二阶段：多 Bot + Skill（angthing）

当入口稳定后，下一步就不是“一个 Bot 包打天下”，而是开始考虑分工。

关键动作

设计 Telegram 多空间、多 Bot 配置
目标是防止串味，做 session 隔离
按角色拆分：
- main
- coder
- writer
- tester
- dailywork
开始探索 QA 工时评估、Skill 生成与调优
推进 OpenClaw 对接 opencode

这一阶段的意义

这一步本质上是在把“一个聊天机器人”往“多角色工作系统”推进。

关键收获

会话隔离是必要的，不然不同任务、不同口吻、不同职责会互相污染
Skill 开始从“玩具”变成“投入使用的工作单元”
OpenClaw 不再只是一个入口，而开始成为“调度层”

典型角色分工

Bot	职责方向	价值
`main`	主入口 / 总调度	统一收口、做协调
`coder`	编码、修复、排障	工程交付
`writer`	技术写作、改写、整理	内容交付
`tester`	测试相关探索	场景验证
`dailywork`	日常辅助工作	轻任务承接

这一阶段已经开始显现一个很重要的思路：

AI 不是“一个大模型”，而是“一个可拆分角色的工作体系”。

4.3 第三阶段：浏览器配置 + Skill 调优

很多场景如果没有浏览器能力，OpenClaw 的可操作范围会明显受限。

所以这一步开始围绕浏览器进行扩展。

主要方向

使用内置浏览器能力
接本机 Chrome 与插件
尝试多浏览器配置方案

这一阶段的本质

从能力上说，是把 OpenClaw 从“会话型助理”推进到“能看页面、能操作页面、能适应不同浏览器环境”的阶段。

从方法上说，是在做两件事：

扩展工具能力边界
顺手调优 Skill，使之更贴近日常实际场景

也就是说，浏览器配置本身不是终点，Skill 如何围绕真实使用方式优化才是重点。

4.4 第四阶段：定时计划（cron + heartbeat）

当交互和基础能力都逐渐稳定后，自然会进入自动化阶段。

核心目标

让 OpenClaw 不只是“被叫起来才干活”，而是能在固定时间产出稳定结果。

规划内容

每天 8 点定时汇总 AI 资讯
- 来源包括：HackNews、GitHub Hot、X 等
- 配合 Skill 控制格式 / 口吻 / 风格
- 最终落盘为 Markdown
输出 AI 周报
- 汇总本周 AI 大事项
- 配合专用 Skill 统一文风和结构
- 同样落盘为 Markdown
研究规则文件的使用方式
- AGENTS.md
- SOUL.md
- 以及其他核心工作区规则文件

这一阶段的重要变化

之前是“即时响应”，这一阶段开始变成：

定时采集 → 定时整理 → 定时交付。

这一步其实已经很接近“数字助理系统”的感觉了。

4.5 第五阶段-1：OpenClaw 大扫除（系统调优 / 节省 Token）

这是非常关键的一步。很多 AI 工作空间走到一定阶段，都会遇到一个问题：

配得越来越多，结果越来越乱，成本也越来越高。

所以这一阶段开始做系统治理。

主要动作

停用不再需要的 Bot
- 最终只保留：main / code / writer
清理不需要的 Skill
清理冗余日志、垃圾文件、插件安装残留
开始探索外挂记忆系统
- openviking
- qmd
- memoU
- 等

核心目的

控制复杂度
降低 Token 消耗
清理历史包袱
为后续更稳的记忆方案做准备

这一阶段说明使用方式已经进入成熟期，因为开始从“拼命加功能”转向“主动删东西”。

4.6 第五阶段-2：最终保留 OpenClaw 三层记忆 + QMD 方案

外挂记忆探索之后，最终收敛到一套相对稳定的方案：

OpenClaw 三层记忆 + QMD 记忆存储方案

关键动作

精简并重新规划各个 Bot 对应的规则文档 Markdown
把记忆存储方案接到三个 Bot
重新复盘“记忆什么时候写入、真正起什么作用”

这一步的价值

这一步不只是“装了个记忆”，而是在问：

哪些东西应该记
记到哪里
记了以后什么时候能被真正用上
怎么避免记忆泛滥、脏乱、低价值堆积

这一步实际上为后面的 Self-Improving 研究打了很重要的地基。

4.7 第六阶段：借鉴 OpenClaw 文件规则机制，设计公共可移植工作空间

当本地空间已经比较能跑起来之后，自然会往更抽象的方向走：

这套东西，能不能不只服务自己，而是抽象成可迁移工作空间？

规划方向

空间 A：测试团队日常管理工作空间

特点：

成员可独立使用
公共资源共享
更偏团队协作和日常管理

空间 B：偏开发 / 代码工程方向

目标：

兼容 Cursor / Codex / Claude Code / Trae
面向更典型的开发工程场景

这一步的意义

这说明关注点已经从“一个 OpenClaw 怎么配”变成：

工作空间怎么设计
文件规则怎么复用
不同业务方向如何抽象成可移植模板

这已经明显进入“方法论输出”阶段了。

4.8 第七阶段：改造 OpenClaw 现有空间，以 Team 方式使用

在可移植工作空间思路基础上，继续往团队协作靠拢。

当前方向

main 作为主 Agent
主动调度子 Agent：
- coder
- writer

本质变化

这一步相当于从“多个独立 Bot”继续演变成“一个主 Agent + 多子角色协作”的 Team 结构。

也就是说，重心开始从“隔离”切到“协作”：

前面重视 session 隔离、防串味
到这一步开始更重视统一收口和角色调度

4.9 第八阶段：Self-Improving Agent 的研究

这是最近非常关键的一块，因为它直接连接到了“经验如何沉淀”这个问题。

当前研究点

安装与配置
如何使用：怎么记、怎么用
它和现有记忆功能是否冲突，各自作用是什么

这一步的重要性

如果说三层记忆 + QMD 解决的是：

事实怎么记
状态怎么记
项目怎么记

那么 Self-Improving Agent 补上的，就是：

错误怎么记
纠正怎么记
最佳实践怎么沉淀
经验何时升级为默认规则

所以它更像是复盘层，不是事实记忆层的替代品。

5. 文件 / 规则 / 方法上的关键收获

除了阶段演进，真正有价值的是你在过程中形成的一些稳定判断。

5.1 对模型的认知变化：技能 + 灵魂

一个很关键的转变是：

模型不只是“工具”，而是“客观技能 + 内在灵魂”的组合。

也就是说：

Skill 决定它会不会干活
SOUL / 规则 / 角色设计，决定它像不像一个真正稳定的协作对象

所以莫菲 Murph 这个名字不是随便起的，它对应的是一种使用方式：

不是把 AI 当命令行
而是把它当同事 / 助理 / 陪跑者

5.2 对 OpenClaw 的依赖越来越深

你已经明确意识到，自己正在逐步从常用工具生态转向更依赖 OpenClaw。

原因拆解

原因	说明
可玩性高	开源系统适合持续折腾
Skill 已投入使用	一旦形成工作流，就不想轻易迁移
喜欢 Telegram 窗口	对话交互比枯燥 IDE 更自然
热度高、值得研究	技术前沿价值大
AI 是核心研究方向	本身投入比重高
新的思维模式	背后有很多 Anthropic 推动的标准、协议、工作流范式

这说明依赖不是“被绑定”，而是因为 OpenClaw 恰好承接了你当前关注的研究方向与工作方式。

5.3 Skill 不是万能药：能用脚本/代码实现的，尽量不用 Skill

这是一个非常工程化、也非常成熟的判断。

你的结论

在特定场景、垂直业务中：

传统代码实现往往更稳、更可靠、更便宜。

所以 Skill 更适合：

规则型流程
文档型输出
高复用提示编排
对话式组织能力

而不是替代所有脚本和程序逻辑。

一个很稳的边界

适合 Skill	更适合脚本 / 代码
对话式整理	稳定批处理
风格控制	确定性计算
规则化流程	高频固定逻辑
结构化文档生成	免费、可测试、可复跑的实现

5.4 Markdown 已经变成核心表达介质

你对 Markdown 的偏好已经不是“方便写笔记”这么简单，而是上升成了一种系统级选择。

你的判断

和 AI 打交道越多，越会发现 Markdown 非常适合作为统一表达介质：

纯粹
简洁
格式统一
轻量
易共享
模型友好

所以很多内容最终都自然收束到 Markdown：

规则
记忆
日志
技术文档
Skill 输出
自动化产物

这其实也是为什么后面会自然诞生 tech-doc-organizer 这种 Skill。

5.5 知识沉淀方式：对话过程本身就是高价值资产

这是整篇里最值得保留的一条判断之一。

你的观察

在每个阶段的配置、调优、安装过程中，都需要和 OpenClaw 进行 N 轮交流，最后才完成一个任务。

而这些会话产物之所以有价值，不是因为“聊天记录很多”，而是因为在你设定好的规则下，输出里往往包含：

思考
方案
执行顺序
原因
Todo
取舍

这意味着：

对话不只是过程，本身就是技术资产。

由此带来的结果

你后来专门做了一个 Skill：

tech-doc-organizer

它的目的就是：

根据当前任务对话记录，整理成技术文档（对话式）。

这一步非常关键，因为它意味着你已经不是在“让 AI 回答问题”，而是在让 AI 帮你把共同完成任务的过程，沉淀为可复用文档。

5.6 两个后续主方向

目前后续方向已经很清楚，主要分成两条主线。

方向一：系统级别

深度挖掘 OpenClaw
系统优化
插件 / 外挂 / 记忆 / 浏览器 / 调度等能力继续增强

方向二：应用级别

面向具体业务场景出成果
Skill 沉淀
实例化产出
回到开发与测试衔接、测试辅助工具、SOP 建立

这是一个很成熟的切分，因为它避免只停在“系统折腾”本身，也避免只停在“业务交付”本身。

6. 文件 / 能力 / 产出上的代表性成果

下面把这一路比较有代表性的产物收一下。

类别	代表性内容	价值
接入能力	Telegram 作为核心入口	稳定交互入口
角色体系	main / coder / writer 等	多角色协作
自动化能力	cron + heartbeat	定时执行、定时交付
浏览器能力	内置 + 本机 Chrome + 多方案	提升网页任务覆盖面
记忆体系	三层记忆 + QMD	长期状态与事实沉淀
复盘体系	Self-Improving Agent	错误、经验、规则候选沉淀
文档体系	`tech-doc-organizer`	对话转技术文档
工作空间抽象	公共可移植 workspace	方法论外化
Team 模式	main 调度 coder / writer	协作式 Agent 组织

7. 风险点与注意事项

这一路的经验里，也已经隐含了几个很实际的风险点。

7.1 容易越配越重

如果 Bot、Skill、插件、记忆、浏览器、自动化全都叠上去，但没有及时收敛，很容易：

Token 成本升高
规则变乱
文件膨胀
使用入口混乱

所以“大扫除”和降本，本身就不是可选项，而是系统进入成熟期后的必要动作。

7.2 Skill 容易被滥用

如果什么都交给 Skill 做，系统会越来越虚。

稳的边界应该始终保留：

能用代码稳定实现的，尽量用代码
Skill 重点放在规则、表达、组织、复盘、编排上

7.3 记忆容易写乱

三层记忆、QMD、.learnings/、agent-notes、AGENTS 如果边界不清，很容易互相覆盖、重复堆积。

这一点后面必须继续靠规则收敛。

7.4 对话资产如果不整理，就会浪费

既然任务过程本身很有价值，那如果没有整理机制，很多高价值经验最后只会沉没在长对话里。

这也是为什么 tech-doc-organizer 和 Self-Improving 研究，后续都会越来越重要。

8. 后续可继续增强的方向

结合你已经明确写出的下一步分享计划，后面可以重点继续做这几个方向。

8.1 OpenClaw Team 模式配置 + 示例

把“main 调度 coder / writer”的方式，做成一套能直接演示的配置与用例。

8.2 Self-Improving Agent 功能使用示例

重点不是讲概念，而是讲：

什么时候触发
哪些步骤 AI 主动做
哪些节点用户参与
记完以后如何升级为长期规则

8.3 代码工程工作空间示例

把“开发方向空间”做成更完整的工程工作区示例，兼容 Cursor / Codex / Claude Code / Trae 等环境。

8.4 记忆与复盘边界继续收敛

继续明确：

什么进 memory
什么进 .learnings/
什么进 agent-notes
什么进 AGENTS.md

这会直接决定系统长期是否可维护。

9. 结论

回头看这条 OpenClaw 折腾之路，真正有价值的不是“接了多少能力”，而是逐渐形成了几条很稳的判断：

第一，AI 工作空间不是越大越好，而是要经历从堆功能到做收敛的过程。前面是领养，后面是放养，再后面才是精养。精养的核心不是配得更复杂，而是知道什么该留、什么该删、什么该沉淀成规则。

第二，OpenClaw 真正吸引人的地方，不只是能接 Telegram、能加 Skill、能跑浏览器，而是它给了一个很适合长期折腾和系统化收敛的结构。你可以不断把经验写进文件、把角色拆开、把流程抽象出来，再把这些东西重新组合成一个更稳的工作空间。

第三，这一路最重要的资产不只是配置结果，而是和 AI 一起完成任务的过程本身。因为这些过程里天然包含判断、方案、顺序、原因和取舍。一旦把这些过程沉淀成 Markdown 文档、Skill、规则文件，它们就会开始产生复利。

所以这条路到现在，其实已经从“我在用 OpenClaw”演变成：

我在借 OpenClaw 训练一套可复用、可迁移、可持续演变的 AI 工作方式。

这也是这段折腾真正值得记录的地方。

爆款标题备选

OpenClaw 折腾之路：从领养到精养，我是怎么把它养成长期工作空间的
从本机部署到 Self-Improving：一条完整的 OpenClaw 演进路线图
不只是接个 Bot：我的 OpenClaw 工作空间是怎么一步步长出来的
从 Telegram 到 Team 模式：一次 OpenClaw 系统化折腾复盘
我为什么越来越依赖 OpenClaw：从多 Bot、记忆系统到对话式文档整理

OpenClaw 折腾之路：从领养到精养的阶段复盘

1. 背景

2. 目标

3. 整体演进图

4. 阶段拆解

4.1 第一阶段：部署 + 即时通讯应用接入

关键动作

最终结论

原因

4.2 第二阶段：多 Bot + Skill（angthing）

关键动作

这一阶段的意义

关键收获

典型角色分工

4.3 第三阶段：浏览器配置 + Skill 调优

主要方向

这一阶段的本质

4.4 第四阶段：定时计划（cron + heartbeat）

核心目标

规划内容

这一阶段的重要变化

4.5 第五阶段-1：OpenClaw 大扫除（系统调优 / 节省 Token）

主要动作

核心目的

4.6 第五阶段-2：最终保留 OpenClaw 三层记忆 + QMD 方案

关键动作

这一步的价值

4.7 第六阶段：借鉴 OpenClaw 文件规则机制，设计公共可移植工作空间

规划方向

空间 A：测试团队日常管理工作空间

空间 B：偏开发 / 代码工程方向

这一步的意义

4.8 第七阶段：改造 OpenClaw 现有空间，以 Team 方式使用

当前方向

本质变化

4.9 第八阶段：Self-Improving Agent 的研究

当前研究点

这一步的重要性

5. 文件 / 规则 / 方法上的关键收获

5.1 对模型的认知变化：技能 + 灵魂

5.2 对 OpenClaw 的依赖越来越深

原因拆解

5.3 Skill 不是万能药：能用脚本/代码实现的，尽量不用 Skill

你的结论

一个很稳的边界

5.4 Markdown 已经变成核心表达介质

你的判断

5.5 知识沉淀方式：对话过程本身就是高价值资产

你的观察

由此带来的结果

5.6 两个后续主方向

方向一：系统级别

方向二：应用级别

6. 文件 / 能力 / 产出上的代表性成果

7. 风险点与注意事项

7.1 容易越配越重

7.2 Skill 容易被滥用

7.3 记忆容易写乱

7.4 对话资产如果不整理，就会浪费

8. 后续可继续增强的方向

8.1 OpenClaw Team 模式配置 + 示例

8.2 Self-Improving Agent 功能使用示例

8.3 代码工程工作空间示例

8.4 记忆与复盘边界继续收敛

9. 结论

爆款标题备选

推荐标签

继续阅读

接盘不熟的业务线，我从生产代码反查业务规则

skill-spec：让skill 技能生成更加规范及可控, 可发现 · 可独立安装 · 可评测 · 可受控演进

给 AI 编程 Agent 一个真正的桌面工作台：聊聊 PI-Desktop