写在前面

🔥我把后端Java面试题做了一个汇总，有兴趣大家可以看看！这里👉

⭐️在反复复习面试题时，我发现不同资料的解释五花八门，容易造成概念混淆。尤其是很多总结性的文章和视频，要么冗长难记，要么过于简略，导致关键知识点含糊不清。

⭐️为了系统梳理知识，我决定撰写一份面试指南，不只是简单汇总，而是融入个人理解，层层拆解复杂概念，构建完整的知识体系。我希望它不仅帮助自己更自信地应对面试，也能为同行提供清晰、实用的参考。

---

OpenClaw、Skills相关面试题

⾯试官：什么是 OpenClaw？（高频）

候选人：

OpenClaw 是一个开源的、可自托管的自主 AI Agent 框架。它能让 AI Agent 持续运行、跨会话记住上下文，并对外部服务执行操作，而且所有数据都跑在你自己的机器或服务器上，不依赖第三方云平台。

用一句话概括：OpenClaw 不是聊天机器人，而是一个 7×24 小时不间断工作、能主动行动的 AI 助手操作系统。

它的本质是一个本地网关进程，连接你日常使用的各种消息平台（飞书企微、WhatsApp、Slack 等），并把每一条消息路由给一个由 LLM 驱动的 Agent 来处理和回复。

---

⾯试官：OpenClaw 核心亮点是什么？（高频）

候选人：

OpenClaw 有以下几个核心亮点：
① 模型无关（Model-Agnostic）
支持接入任意 LLM：Claude、GPT、Ollama、本地模型等，切换模型无需改代码。
② 数据完全自主
所有记忆和上下文都存储在本地 Markdown 文件里，不需要第三方数据库，除非你主动配置，否则数据不会离开你的机器。
③ 多平台消息接入
已集成 50+ 个消息渠道和服务，从 WhatsApp、飞书企微 到智能家居设备都支持。
④ 主动行动，而非被动回复
内置心跳（Heartbeat）系统，每隔一定时间自动检查任务列表并主动执行，Skills 可以监控网站、发通知、处理邮件、管理日历，全程不需要你手动输入任何命令。
⑤ 社区生态丰富
已积累 163,000 GitHub Stars，ClawHub 上有 5,700+ 个社区贡献的 Skills（技能包）。

---

⾯试官：OpenClaw 文件目录结构是怎样的？

候选人：

OpenClaw 的智能体本质上就是一个普通的文件夹。采用纯文本 Markdown 文件来管理 Agent 的各种"设定"。典型的目录结构如下：

~/.openclaw/workspace/
├── AGENTS.md       # Agent 的启动规则、操作手册(决定了它怎么做事)
├── SOUL.md         # Agent 的人格、语气、价值观(决定了它怎么说话)
├── TOOLS.md        # 环境配置（SSH Host、摄像头ID等）
├── HEARTBEAT.md    # 定时任务指令(每次心跳时间一到，系统会优先读取里面的任务清单)
├── MEMORY.md       # 长期记忆（铁律级别的规则）
└── sessions/
    ├── 2026-03-10.md   # 每日会话日志
    └── 2026-03-11.md   # 每日会话日志

这些文件都存放在 Agent 工作区里，MEMORY.md 保存持久的长期记忆，每日的 sessions/YYYY-MM-DD.md 则是当天的运行日志，每次会话启动时会自动加载今天和昨天的日志。

---

⾯试官：OpenClaw 与传统 Agent 有什么区别？（高频）

候选人：

传统 Agent 框架（如 LangChain、AutoGPT）更像是一个"工具库"，需要开发者自己搭建流程；而 OpenClaw 更像是一个"已经装好的 Agent 操作系统"，核心差异体现在以下几点：

对比维度	传统 Agent	OpenClaw
运行方式	按需调用，用完即停	持久守护进程，7×24 运行
记忆能力	会话结束即遗忘	Markdown 文件持久化记忆
主动性	被动等待指令	心跳机制主动执行任务
消息渠道	通常只有一个入口	同时接入 50+ 消息平台
Skills	代码形式编写	Markdown 文件，可自然语言编写
部署门槛	需大量集成开发	开箱即用

---

⾯试官：OpenClaw 记忆机制是怎么实现的？（高频）

候选人：

OpenClaw 的记忆机制是它最有特色的设计之一，核心思路是：“写进磁盘的才算记住了”。

分为两层记忆：

• 短期记忆（日志层）：sessions/YYYY-MM-DD.md，是当天发生事情的原始流水账，随时追加，捕捉当下上下文。
• 长期记忆（沉淀层）：MEMORY.md，更精炼稳定，存放需要长期保留的事实、偏好和规则。

检索方式：

提供 memory_search 工具，对 Markdown 文件进行语义分块（约 400 token 一块，80 token 重叠），通过向量检索找到最相关的内容返回给 Agent。

开发者可以直接用文本编辑器打开这些 Markdown 文件，查看、编辑、删减 Agent 的记忆内容，提炼长期原则，清楚地知道 AI 到底"记得什么"——没有任何黑箱。

---

⾯试官：OpenClaw 到底解决了什么痛点？

候选人：

OpenClaw 主要解决了以下几个行业痛点：

① 传统 Agent 没有持久记忆：对话结束就全忘了，每次都要重新交代背景。OpenClaw 用 Markdown 文件彻底解决了跨会话记忆的问题。

② 数据主权丧失：云原生 Agent 平台虽然上手快，但你的数据、提示词、对话历史全部流经别人的服务器。 OpenClaw 让数据完全跑在自己机器上。

③ 传统 Agent 是"被动响应"的：必须等你发消息才工作。OpenClaw 的心跳机制让 Agent 可以像员工一样主动巡检、执行任务。

④ 自建 Agent 成本极高：自己用 LangChain 等框架从零搭建一个支持多渠道、有记忆、有调度的 Agent，需要大量集成开发工作。 OpenClaw 把这些全部内置好了。

⑤ 记忆系统是黑箱：大多数框架的记忆存在向量数据库里，人看不懂也改不了。OpenClaw 的 Markdown 记忆文件完全透明。

---

⾯试官：OpenClaw 有什么缺点？（高频）

候选人：

OpenClaw 也有明显的短板，面试时坦诚说出这些会加分：

① 安全风险
2026 年初，安全研究人员发现了 CVE-2026-25253 漏洞，这是一个严重级别的安全问题。 自托管意味着安全维护全靠自己，没有企业级安全团队兜底。

② 上下文消耗大、成本高
OpenClaw 在每次推理前需要组装大量 prompt：系统指令、对话历史、工具定义、Skills 内容、记忆片段，这导致 token 消耗量很高，大多数部署会用高端模型做主调度。

③ 记忆文件会越来越膨胀
每日日志和会话记录会不断积累，长期使用可能产生大量文件，需要手动归档或配置保留策略。

④ 学习成本和运维负担
OpenClaw 给你最大的控制权和灵活性，但安装、安全配置、维护、运行时间、成本管理全都由你自己负责，学习曲线是真实存在的。

⑤ 编码能力是"技能增强"而非"原生理解"
OpenClaw 的编码能力来自 Skills（Markdown 指令文件），而不是对代码库的原生理解，无法像 Claude Code 那样真正读懂你的整个项目文件树、import 链和测试模式。

---

⾯试官：什么是 OpenClaw 的 Skills？（高频）

候选人：

传统用法是：

• 每次写一大段 Prompt
• 把规则、步骤、输出格式都塞进去

这样的话，会存在重复、不稳定、难复用、难组合等问题。

Skills 是包含指令的 Markdown 文件，用来告诉 Agent 如何完成某项特定任务、使用哪些工具。你可以把它理解成给 Agent 配发的"操作手册"。

每个 Skill 就是一个文件夹，里面有一个必须的 SKILL.md 文件，以及可选的附属资源：

my-skill/
├── SKILL.md          # 必须，核心指令文件
├── scripts/          # 可选，Python/Bash 等脚本
├── references/       # 可选，参考文档
└── assets/           # 可选，模板/图标等资源

SKILL.md 的内部格式分两部分：

• YAML 头部：写名称、描述（Agent 靠这个判断"该不该用这个技能"）
• Markdown 正文：写具体的执行步骤和规则

举个例子：

---
name: "Meeting Notes Processor"
description: "把原始会议记录转成结构化摘要，含行动项和决策"
version: "1.0.0"
tags: ["productivity", "meetings"]
---

## 用途
接收原始会议记录，输出四个部分：摘要、决策、行动项、后续跟进。

## 执行步骤
1. 读取输入的会议记录文本
2. 识别所有决策点
3. 提取所有行动项并标注责任人
...

## 限制
- 不得修改原始记录内容
- 行动项必须有明确的截止时间

---

⾯试官：Skills 是怎么工作的？

当某个 Skill 符合当前任务条件时，OpenClaw 会把该技能的内容以 XML 格式注入到系统 Prompt 里，Agent 就"学会"了这个技能，并按照里面的指令执行。

流程大致是：

用户发来消息
    ↓
Agent 判断：这个任务需要哪个 Skill？
    ↓
自动加载对应的 SKILL.md 注入上下文
    ↓
按 Skill 里的步骤执行任务
    ↓
返回结果

⚠️需要注意的安全风险：
OpenClaw 允许任何开发者在 ClawHub 上发布 Skill，这也意味着恶意指令可能被注入到 Markdown
文件里。安装第三方技能前，务必检查来源、审核权限范围，并在隔离环境中先测试。

---

⾯试官：Skills 和 MCP的区别？（高频）

• MCP 解决的是连通性：它像 USB-C，让 AI 能以统一格式读文件、查数据库。
• Skills 解决的是编排逻辑：它像一份说明书，告诉 AI 如何执行复杂任务流——这些任务完全可以包括调用多个 MCP 工具。
• 两者的关系：它们不是竞争关系，而是解决不同层面的问题。MCP 负责把外部系统接入进来，Skills 负责决定什么时候用、怎么组合这些能力。一个高级 Skill 的底层往往就是调用多个 MCP 工具。

---

⾯试官：Skills 和普通提示词工程（Prompt）的区别？

• Prompt：用户即时表达意图的载体（如"分析这份报表"）。
• Skills：包含 元数据（何时使用）+ 正文（如何执行） 的完整方案，通过 load_skill() 机制按需加载到上下文。