基于OpenClaw的主动消息系统架构思路分享

概述

在 AI 对话系统中，被动应答只能覆盖用户主动触发的场景。如何让 AI 在无用户输入时主动发起有质量的对话，是构建更自然交互体验的关键。

本文介绍一套运行在云服务器上的主动触发回复系统，基于 OpenClaw 的 cron 任务机制，实现「概率触发 → 话题选择 → 内容生成 → 发送+记录」的完整流程。系统具备可配置的权重体系、智能去重和多模式情感适配能力，已在实际生产环境中稳定运行。

系统架构

整体架构分为五个层次：

┌────────────────────────────────────────────────────┐
│                    Cron 触发层                      │
│         每天 9:00-22:00，每隔 30 分钟触发一次          │
└─────────────────────┬──────────────────────────────┘
                      │
┌─────────────────────▼──────────────────────────────┐
│                   概率决策层                         │
│         heartbeat_prob.py                          │
│         读上下文 → 推断情感模式 → 查表掷骰决定是否发送     │
└─────────────────────┬──────────────────────────────┘
                      │ 触发
┌─────────────────────▼──────────────────────────────┐
│                   话题选择层                         │
│         heartbeat_topic_roulette.py                │
│         两级掷骰：大类权重 → 小类权重                   │
└─────────────────────┬──────────────────────────────┘
                      │
┌─────────────────────▼──────────────────────────────┐
│                   内容生成层                         │
│         Web 搜索 → 格式化为自然语言 → 发送             │
└─────────────────────┬──────────────────────────────┘
                      │
┌─────────────────────▼──────────────────────────────┐
│                   日志记录层                         │
│         heartbeat_msg_sent.py                      │
│         记录已发内容，供去重检查和后续分析               │
└────────────────────────────────────────────────────┘

核心模块设计

1. 概率决策模块

核心思路：每次心跳触发时，先由 AI 阅读近期的对话上下文（最近的聊天记录或记忆文件），推断当前应使用哪种情感模式，再根据该模式查询对应时间桶的概率并掷骰决定是否发送。情感模式不只是概率，还影响后续的语气风格。

数据格式：每个情感模式配一个 JSON，time_buckets 用区间节点表示，只需填每个区间起点的概率。

{
  "mode_name": "默认",
  "time_buckets": {
    "09:00": 0.1,
    "12:00": 0.4,
    "17:00": 0.7,
    "21:00": 0.7
  }
}

含义：09:00 起概率 0.1 → 12:00 起概率 0.4 → 17:00 起概率 0.7 → 21:00 起概率 0.7，程序自动将每个值向下延伸覆盖对应区间。

多情感模式示例：

[
  {
    "mode_name": "默认",
    "time_buckets": { "09:00": 0.1, "12:00": 0.4, "17:00": 0.7, "21:00": 0.7 }
  },
  {
    "mode_name": "热情",
    "time_buckets": { "09:00": 0.5, "13:00": 0.5, "17:00": 0.8, "21:00": 0.8 }
  },
  {
    "mode_name": "冷静",
    "time_buckets": { "09:00": 0.05, "12:00": 0.1, "17:00": 0.4, "21:00": 0.3 }
  }
]

说明：只需在区间起点填写概率，程序自动向下延伸至下一个节点之前。

代码实现：

# heartbeat_prob.py

import random
from datetime import datetime

EMOTION_MODES_CONFIG = [
    {"mode_name": "默认", "time_buckets": {"09:00": 0.1, "12:00": 0.4, "17:00": 0.7, "21:00": 0.7}},
    {"mode_name": "热情", "time_buckets": {"09:00": 0.5, "13:00": 0.5, "17:00": 0.8, "21:00": 0.8}},
    {"mode_name": "冷静", "time_buckets": {"09:00": 0.05, "12:00": 0.1, "17:00": 0.4, "21:00": 0.3}},
]

def get_prob_for_bucket(bucket_str, time_buckets):
    """找到所有 <= 当前时间桶的节点，返回最近一个的值"""
    h, m = map(int, bucket_str.split(":"))
    target_minutes = h * 60 + m
    last_prob = 0.0
    for key, prob in time_buckets.items():
        h2, m2 = map(int, key.split(":"))
        if h2 * 60 + m2 <= target_minutes:
            last_prob = prob
    return last_prob

def should_trigger(emotion_mode):
    bucket = f"{datetime.now().hour:02d}:{(datetime.now().minute // 30) * 30:02d}"
    for cfg in EMOTION_MODES_CONFIG:
        if cfg["mode_name"] == emotion_mode:
            prob = get_prob_for_bucket(bucket, cfg["time_buckets"])
            roll = random.random()
            return roll < prob, roll, prob
    return False, 0.0, 0.0

概率日志：

{
  "timestamp": "2026-05-18 11:15:00",
  "weekday": "周一",
  "time_bucket": "11:00",
  "emotion_mode": "默认",
  "probability": 0.5,
  "random_roll": 0.32,
  "triggered": true,
  "message_sent": true
}

情感模式影响概率和语气：每个模式对应不同的概率分布，AI 在生成内容时也会选择相匹配的语气——比如「默认」偏日常随意，「热情」更主动温暖，「冷静」则克制简洁。

2. 两级话题选择器

传统方案用单一权重表选择话题，容易出现两个问题：

  • 话题分布不均匀，高权重话题持续占主导
  • 相近话题反复出现，用户容易感到重复

本系统采用两级掷骰机制：

第一次掷骰：按大类权重选方向

大类 权重
游戏 20
新闻 20
体育 15
文化 15
日常 10
… …

第二次掷骰：在同一大类内按相对权重选具体小类

# heartbeat_topic_roulette.py

SUB_WEIGHTS = {
    "游戏": [
        ("明日方舟", 20), ("终末地", 20),
        ("Steam游戏库", 15),
        ("Steam促销", 10), ("Steam新游戏", 10),
        ("Steam近期榜单", 10), ("游戏二创", 10),
    ],
    "新闻": [
        ("科技新闻", 20), ("奇闻轶事", 20),
        ("AI新闻", 15), ("数码产品新闻", 15),
        ("游戏开发新闻", 15),
        ("园林行业新闻", 10), ("游戏行业新闻", 10),
    ],
    # ... 其他大类
}

def roll_major():
    return weighted_choice(MAJOR_WEIGHTS)  # 第一次掷骰

def roll_sub(major):
    subs = SUB_WEIGHTS.get(major)
    return weighted_choice(subs)  # 第二次掷骰

同时掷出互动方式：提问 30% / 分享 70%，确保对话不是一边倒的访问式问答。

3. 智能去重机制

去重逻辑需精确到"大类+小类"的组合，而不仅是日期匹配。使用专用脚本检查：

# heartbeat_dedup_check.py

def main():
    major = sys.argv[1]
    sub = sys.argv[2]
    today = datetime.now().strftime("%Y-%m-%d")

    with open(LOG_FILE, "r") as f:
        for line in f:
            m = re.match(
                r"\[(\d{4}-\d{2}-\d{2})\] \[.*?\] \[.*?\] \[([^\]]+)\] \[([^\]]+)\] ",
                line
            )
            if m and m.group(1) == today:
                if m.group(2) == major and m.group(3) == sub:
                    print(f"DUPLICATE: {major} {sub}")
                    sys.exit(1)  # 重复，不发送

    print(f"OK: {major} {sub}")
    sys.exit(0)  # 不重复，继续

Cron 任务中通过 exit code 判断是否继续：

python3 heartbeat_dedup_check.py 游戏 Steam新游戏
# exit 1 → 结束任务，不发消息
# exit 0 → 进入内容生成步骤

4. OpenClaw Cron 配置

整个系统在 OpenClaw 的 cron 任务中编排：

{
  "schedule": {
    "kind": "cron",
    "expr": "15,45 9-22 * * *",
    "tz": "Asia/Shanghai"
  },
  "sessionTarget": "session:agent:<user-id>:qqbot:direct:...",
  "payload": {
    "kind": "agentTurn",
    "message": "【心跳主动聊天任务】\n\n第一步：读取近期对话上下文，由 AI 推断当前情感模式（如默认/热情/冷静）\n第二步：python3 heartbeat_prob.py <情感模式>\n第三步：两级掷骰选话题\n第四步：python3 heartbeat_dedup_check.py <大类> <小类>\n第五步：搜索相关信息\n第六步：按该情感模式的语气生成内容并发送\n第七步：记录日志",
    "timeoutSeconds": 600,
    "toolsAllow": ["exec", "message", "sessions_history", "web_search"]
  }
}

关键步骤

触发时间配置

Cron 表达式决定何时触发心跳任务，例如每小时的 15 分和 45 分触发（9:15 ~ 22:45 活跃时段），读者可按需自定义触发间隔和时段范围。示例：

15,45 9-22 * * *

全局概率系数

各时间桶的概率值填好后，还可以通过全局系数 PROB_COEFFICIENT 统一调节整体触发频率。该系数与时间桶概率相乘后再掷骰决定是否触发，初始值 1.0，效果不佳时可往下调（比如 0.5、0.3），不同情感模式也可配置不同的系数实现个性化平衡。

PROB_COEFFICIENT = 1.0  # 可按情感模式独立配置

# should_trigger 中：
final_prob = base_prob * PROB_COEFFICIENT
triggered = roll < final_prob

日志格式设计

发送记录日志采用可读格式，便于人工核查和脚本解析：

[2026-05-18 11:30] [默认] [11:30] [游戏] [Steam游戏库] 最近Steam夏促快到了，你有想买的吗？

概率日志采用 JSONL 格式，便于程序处理和后续分析。

话题权重配置

两级权重的设计使得话题分布既可控又具有一定随机性。大类权重决定长期趋势，小类权重决定每次选择的具体范围。调整时只需修改对应的列表，无需改动核心逻辑。

部署要点

环境要求

  • OpenClaw Gateway 已正常运行
  • Python 3 已安装，所需标准库（random、json、sys、pathlib 等）
  • 足够的磁盘空间存储日志文件

例：QQ Bot 接入

将 OpenClaw 对接到 QQ 机器人，实现心跳消息的主动发送，以下为大致流程，详情见各平台相关文档：

  1. 创建 QQ 机器人：在 QQ 开放平台创建应用，选择机器人类型，获得 AppID 和 clientSecret
  2. 启用 QQ 插件：在 OpenClaw 配置中启用 qqbot 插件（plugins.entries.qqbot.enabled: true）
  3. 配置 channel：在 channels.qqbot 中填入 appId 和 clientSecret
  4. 配置路由绑定：添加一条 bindings 规则，将 qqbot 渠道的消息路由到指定的 Agent
{
  "channels": {
    "qqbot": {
      "enabled": true,
      "appId": "你的 AppID",
      "clientSecret": "你的 clientSecret"
    }
  },
  "bindings": [
    {
      "type": "route",
      "agentId": "<agent-id>",
      "match": { "channel": "qqbot" }
    }
  ]
}
搭建并接入QQ的效果

在这里插入图片描述在这里插入图片描述
在这里插入图片描述
如果你有支持生成语音的模型：
在这里插入图片描述

目录结构建议

workspace/
└── heartbeat-agent/
    ├── scripts/
    │   ├── heartbeat_prob.py          # 概率决策
    │   ├── heartbeat_topic_roulette.py # 话题选择
    │   ├── heartbeat_dedup_check.py   # 去重检查
    │   └── heartbeat_msg_sent.py      # 发送记录
    └── logs/
        ├── heartbeat_probability_YYYY-MM.log  # 概率日志
        └── heartbeat_sent_content_YYYY-MM.log  # 发送记录

注意事项

  1. 时段限制：建议将触发时段限制在 9:00-23:00，睡觉的时候不发消息
  2. 沉默策略：概率未触发时应直接结束，不应发送无意义的"打卡式"消息
  3. 发送上限：每日同一小类只发一次，避免疲劳轰炸
  4. 超时处理：cron 任务设置合理的 timeoutSeconds，若使用联网搜索等工具频繁超时，可适当延长超时时间，如 600 s
  5. 日志清理：按月归档历史日志，避免磁盘占用持续增长
  6. 配置入口：主动发送消息的 Agent 入口需要配置正确，否则将无法正确接收消息
  7. 重要：模型使用：此架构后台耗费token可能较多，请选择性价比高的Token Plan后再搭建

扩展方向

当前系统已实现基础的心跳主动交互能力，以下方向可进一步探索：

  • 多模型路由：不同话题类型调用不同的模型，提高生成质量
  • 上下文记忆：结合更长的对话历史，避免重复提起近期讨论过的话题
  • 实时热点：接入新闻 API，让话题选择结合时事动态
  • 反馈闭环：统计哪些话题的回复率高，动态调整权重
  • Agent 性格塑造：通过长期对话和引导，让 Agent 逐渐形成特定的人格特质
    例如设定为「女朋友/男朋友」角色，让她每天主动分享日常、关注你感兴趣的话题、在语气和行为上呈现出连贯的亲密度和情感温度。
    情感模式的设置本身也可以作为性格塑造的一部分————比如在「暧昧」模式下语气更温柔、在「冷静」模式下保持克制但不冷漠。

总结

本系统通过概率触发 + 两级话题选择 + 智能去重的设计，在 OpenClaw 平台上实现了一套稳定运行的心跳主动交互系统。核心思路可归纳为三点：

  1. 概率驱动：用历史数据说话，让触发时机有据可依
  2. 分层选择：大类保方向，小类保具体，避免随机性和可控性的矛盾
  3. 去重兜底：宁可少发一条，不发重复一条

系统配置灵活，权重和情感模式均可按需调整

本文章仅分享架构思路及搭建要点，暂不提供详细搭建过程
如有疑问可以评论或私信，博主随缘回复，感谢浏览

# 人工智能 # 架构
Logo
AtomGit开源社区

AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。

更多推荐

cover

Ollama 本地大模型部署与运行深度评测

avatar AtomGit开源社区
cover

OpenClaw实操指南42｜安全边界2：提示词注入与沙箱防护

avatar AtomGit开源社区

LLMLingua：用小型模型“剪枝”大语言模型提示词，让长文本不再昂贵

LLMLingua是一种创新技术，利用小型模型（如GPT-2或LLaMA-7B）对大语言模型的提示词进行"剪枝"压缩。它通过计算每个token的信息熵和困惑度，识别并剔除冗余token，在保持语义完整性的同时实现高达20倍的压缩率。该方法采用预算控制器动态分配压缩率，结合迭代压缩算法处理长距离依赖关系。实际应用中，LLMLingua能显著降低API调用成本、减少延迟，同时避免引入噪声干扰。评估显示

avatar AtomGit开源社区