用 OpenClaw 有一段时间了，体验确实不错。但用久了之后发现一个痛点：它每次对话都是从零开始。

什么意思呢？就是我这次花半小时解决了一个很复杂的问题，下次遇到类似情况，OpenClaw 依然要从头摸索。它不会"记住"这个经验。

这和 Hermes Agent 不太一样——后者据说能从经验中自动创建技能（skills）。我当时就想，能不能让 OpenClaw 也具备类似的能力？

今天就把整个研究和实现过程分享出来，不是什么高大上的黑科技，就是一个接地气的工程方案。

---

1. 需求分析：我们要解决什么问题？

首先得想清楚，我们想让 AI "记住"哪些东西？

复杂任务的解决路径：比如我要一次性完成"创建飞书多维表格 + 批量写入数据 + 设置视图"这一套操作，下次再用到时不用重新摸索。

错误恢复的经验：有些坑踩过一次就记住了，比如某个 API 要先创建字段才能写入数据，这个"先决条件"值得沉淀下来。

用户的纠正反馈：有时候用户会说"不是这样，应该是…"，这种纠正本身就是宝贵的学习素材。

重复操作的模式：如果同一个操作出现 3 次以上，说明这可能是个高频操作，值得固化成技能。

---

2. 技术方案：两条路的权衡

一开始我考虑了两种实现路径。

方案一：定时轮询（Cron）

用 cron 定期扫描日志，提取模式。优点是简单，缺点是实时性差，而且 Cron 无法感知"当前正在发生"的事件。

方案二：持续运行的 Daemon

后台进程实时监听 session 事件。优点是实时，缺点是进程管理麻烦。

我最终选了两者结合——用 Daemon 做后台服务，但不需要它时时刻刻盯着，而是每 30 秒轮询一次。这样既保证了实时性（最多 30 秒延迟），又不会浪费资源。

---

3. 核心设计：三个关键洞察

洞察一：OpenClaw 是 Stateless 的

这是理解整个方案的前提。每次 session 结束后，OpenClaw 不会保留任何状态。但是——session 日志是文件。

OpenClaw 把每次会话的记录写到 JSONL 文件里，而这个文件是 append-only 的，意味着即使 session 还在进行中，我们也可以读取它。

所以自我改进的载体就变成了：

• SKILL.md 文件 → 可复用的技能
• memory 日志 → 历史上下文
• auto-generated 目录 → 自动沉淀的经验

洞察二：触发条件要精准

不是所有 session 都值得记住。我定义了四类触发条件：

触发条件	阈值	说明
复杂任务	≥5 次工具调用	单次完成复杂操作
错误恢复	检测到 error 后成功	走过弯路但最终解决
用户纠正	纠正关键词检测	“不是”、"不对"等
重复操作	≥3 次相同调用	可能的习惯操作

洞察三：被动学习 + 主动获取

这是我觉得最有意思的洞见。

被动学习：Daemon 负责"经验沉淀"，从实际操作中学习。这是慢功夫，但积累的都是实战经验。

主动获取：ClawHub/agentskills.io 负责"技能补给"，需要什么马上有。

两者互补，形成完整的能力增长闭环。就像人一样，既要靠经历积累经验，也要主动学习新知识。

---

4. 系统架构

┌─────────────────────────────────────────────────────┐
│         OpenClaw 主 Session                         │
│         (用户交互入口)                               │
└─────────────────────┬───────────────────────────────┘
                      │ 工具调用写入 session JSONL
                      ▼
┌─────────────────────────────────────────────────────┐
│    learning-daemon (Node.js 后台进程)               │
│    • 每 30 秒轮询最新 session JSONL                 │
│    • 检测触发条件                                   │
│    • 生成标准 SKILL.md                              │
└─────────────────────┬───────────────────────────────┘
                      │ 写入
                      ▼
┌─────────────────────────────────────────────────────┐
│  ~/.openclaw/workspace/skills/auto-generated/      │
│  (自动生成的 skills 存放目录)                       │
└─────────────────────────────────────────────────────┘

整个流程跑起来就是这样：用户和 OpenClaw 交互 → 交互记录写入 JSONL → Daemon 每 30 秒扫一次 → 发现值得记住的瞬间 → 生成 SKILL.md → 下次遇到类似情况直接调用。

---

5. 踩坑记录

实现过程中踩了几个坑，分享出来让大家少走弯路。

坑一：exec 审批弹窗

OpenClaw 默认对危险操作有审批机制，exec 命令会弹窗。这对于需要后台长期运行的 daemon 来说是个麻烦。

解决方案：修改 exec-approvals.json 配置文件，放行需要的命令路径。注意不要过度开放，只放行必要的最小权限。

坑二：nohup 启动

Daemon 要在后台长期运行，直接 node script.js 会在终端关闭后被杀掉。正确姿势是：

nohup /opt/homebrew/bin/node ~/.openclaw/scripts/learning-daemon.js > /tmp/openclaw-learning-daemon.log 2>&1 &

这样即使终端关闭，进程也会继续运行。

坑三：launchd 开机启动

如果想让 daemon 开机自启，可以用 launchd 管理。但我建议暂时不用，因为 OpenClaw 本身启动时有一些初始化工作，Daemon 和它同时启动可能会有竞争。先手动启动，等稳定了再加自启。

---

6. 核心代码

Daemon 主循环

async function main() {
  // 初始化：记录所有现有文件位置
  const files = fs.readdirSync(SESSIONS_DIR)
    .filter(f => f.endsWith('.jsonl'));
  
  for (const file of files) {
    filePositions.set(file, fs.statSync(file).size);
  }
  
  while (true) {
    const activeSession = getActiveSession();
    if (activeSession) {
      await analyzeSession(activeSession);
    }
    await new Promise(r => setTimeout(r, POLL_INTERVAL));
  }
}

检测逻辑

function detectComplexTask(messages) {
  let toolCalls = 0;
  for (const msg of messages.slice(-RECENT_WINDOW)) {
    if (msg.role === 'assistant' && Array.isArray(msg.content)) {
      for (const block of msg.content) {
        if (block.type === 'toolCall') toolCalls++;
      }
    }
  }
  return toolCalls >= TOOL_CALL_THRESHOLD;
}

SKILL.md 生成

生成的 SKILL.md 符合 OpenClaw 的标准格式：

---
name: "auto-[任务类型]-[日期]"
description: "自动生成的 skill"
version: 1.0.0
category: auto-generated
trigger: "触发条件"
---

# 自动生成 Skill

## 何时使用
## 解决什么问题
## 关键工具链
## 注意事项

---

7. 部署步骤

1. 创建 daemon 脚本

   ~/.openclaw/scripts/learning-daemon.js
   

2. 启动 daemon

   nohup /opt/homebrew/bin/node ~/.openclaw/scripts/learning-daemon.js > /tmp/openclaw-learning-daemon.log 2>&1 &
   

3. 验证运行

   ps aux | grep learning-daemon
   tail /tmp/openclaw-learning-daemon.log
   

---

8. 效果对比

能力	Hermes Agent	OpenClaw 实现
自我改进	✅ 内置	✅ daemon 实现
技能市场	agentskills.io	ClawHub 互通
持久记忆	内存 + skill	文件系统
触发延迟	实时	30 秒轮询

说实话，OpenClaw 的实现比 Hermes 原生方案多了 30 秒延迟，但胜在不改动核心架构。这很重要——保持架构稳定，能力通过外层扩展，这符合良好的工程实践。

---

9. 心得

回顾整个实现过程，我最大的感悟是：AI 的"自我改进"不一定是多么高大上的概念。

核心就是四步：

1. 感知：检测值得记住的瞬间
2. 抽象：把具体经验提取成通用模式
3. 固化：写成可复用的载体（skill）
4. 应用：下次遇到类似情况直接调用

就这么简单。在 OpenClaw 的架构下，这套机制完全可以通过一个后台 daemon + 文件系统实现，不需要改造核心架构。

有时候最好的解决方案不是最"聪明"的方案，而是最契合现有架构的方案。

---

原文链接：首发于 CSDN
如需转载，请注明出处