环境就是一台 Mac Mini M1 16GB，OpenClaw 本地部署，模型用 MiniMax + Gemini，Discord 和飞书做交互入口。最近加了微信，但效果不是很好，卡片和表格效果渲染不出来。
第一层：信息抓取流水线
这是最早搭的部分，解决"每天要手动刷好几个平台"的问题。
信息源： Reddit、X、Product Hunt、Hacker News、GitHub Trending
抓取方案：
- Reddit API还没申请到和 X API有点小贵，主要用持久化 Chrome + CDP（Chrome DevTools Protocol）远程控制，保持登录态定时跑
- Product Hunt 走官方 API
- Hacker News 和 GitHub Trending 直接用 RSS 抓取
处理链路：
- 7:00 — 刷新登录态（部分平台 cookie 会过期）
- 8:30 — 抓取 + MiniMax 分析（摘要、分类、相关度打分）
- 写入 Notion 两个数据库：「AI 第二大脑」存原始素材，「商机洞察」存经过筛选的高相关度内容
- 18:00 — 飞书推送日报
踩过的坑：
- X 的反爬比较激进，CDP 控制的 Chrome 需要模拟真实滚动和停留时间，不然容易触发验证
- 微信公众号还在研究怎么抓比较稳定，暂时没接进来
- Notion API 写入有速率限制，批量写入时需要做队列和重试
这一层跑通之后，"每天花一两个小时刷信息"这件事就被接管了。但随之而来的问题是：流水线本身是死的，不会根据反馈调整。
第二层：记忆管理——让 Agent 记住上下文
这是我花时间最多的一层，也是体感改善最大的一层。
问题
OpenClaw 原生的记忆机制存在几个实际问题：
- Context window 满了之后做 Compaction，很多具体数值、路径、配置会在压缩中丢失
- Session 切换后工作状态断裂，上一轮的决策和中间结果拿不到
- 时间一长，向量记忆库里重复条目、过时条目、互相冲突的条目越来越多，检索质量下降
解决方案：三个机制分别处理「存」「清」「防丢」
① ByteRover——结构化记忆存储与检索
社区技能包，核心思路是把扁平的 Markdown 记忆重组为层级树结构。
具体实现：
- 每个记忆节点有父子关系、时间戳、来源标注
- Context 快满时，关键内容被 curate 进树的对应节点
- 每天从 session notes 中提取规律性内容，写入持久层
- 每次 prompt 前通过 hook 自动注入与当前话题相关的记忆片段
② memory-hygiene——定期清理向量记忆
这个技能包专门做记忆审计，解决的是"记忆越来越多但质量越来越差"的问题。
运行逻辑：
- 每周日自动扫描向量记忆库
- 语义相似度 > 90% 的重复条目，合并或删除
- 超过 30 天未被检索引用的条目，标记为候选清理项
- 检测到互相冲突的条目时，保留较新的那条，旧的归档
- 生成清理报告，确认后批量执行
这一步不做的话，两个月之后记忆库基本就是噪音大于信号。
③ memory-wal——防止 Compaction 丢数据
这个是我自己写的，借鉴了数据库 WAL（Write-Ahead Logging）的思路。
核心机制：
- 消息中出现数值、路径、配置、决策等关键信息时，先写入
SESSION-STATE.md再回复 - Compaction 发生后，按三步恢复：读 STATE → 读 daily log → memory search
- 只有发现矛盾时才停下来让我确认，否则自动恢复
- STATE 文件限制 50 行，每晚 22:00 自动归档到 daily log
第三层：错误捕获与规则固化
记忆解决了"记住"的问题，但还有一个问题：同样的错会反复出现。Agent 记住了你的偏好，不代表它每次都会遵守。
机制 1：self-improving-agent——自动记录错误
社区技能包，下载量 13 万+，逻辑很直接：
- 每次 Agent 犯错或被纠正，自动记录当时的上下文和正确做法
- 写入
.learnings/目录，Markdown 格式，零额外成本 - 后续 prompt 时自动检索相关 learnings 作为参考
不需要我主动做什么，它在后台慢慢积累一套"之前错过的事"的知识库。
机制 2：Boris Loop——纠正即规则化
这个思路来自 Claude Code 创始人 Boris Cherny 的实践：每次纠正 AI 之后，让它立刻更新自己的指令文件。
我在 OpenClaw 上的实现：
- 纠正发生时，Agent 把这次纠正提炼为一条行为规则，写入
evolution/rules.md 每条规则带状态标记和生命周期：
- 🟡 pending — 刚写入，待验证
- 🔴 active — 连续遵守 3 次，升级
- ✅ graduated — 30 天未违反，写入长期记忆
- 📦 archived — 过时或不再适用
示例：
🟡pending | 2026-03-15 | Ed 纠正了日报格式
规则：每次生成日报时，必须先检查 Ed 偏好的格式（列表，非表格），且单次消息不超过 300 字规则库不做生命周期管理的话，两个月就会膨胀到不可维护。
机制 3：五步迭代协议（EVOLUTION.md）
当同类错误出现 2 次以上，或者我主动触发"复盘"时，系统加载完整迭代协议：
- 收集素材 — 回看完整上下文 +
.learnings/最近 7 天记录 - 识别模式 — 跨多次对话找共性，不看单次失败
归因分类：
- A 类：不知道（缺少信息）
- B 类：知道但忘了（记忆机制问题）
- C 类：流程设计问题（需要改机制而不是改规则）
- 制定规则 — 每条必须具体、可验证、可执行，每次最多 3 条
- 持久化 — 写入规则库，标注日期和原因
每周五自动跑一次 review：验证过的规则提升状态，没用的规则归档。
第四层：自动化生长——Growth Loops
这是 proactive-agent 技能包里的核心概念：如果用户连续多次让 Agent 做同一件事，Agent 应该主动建议把它变成自动化。
实际运行效果：
- 我连续 3 天在 Discord 让它查 Reddit 上的用户讨论 → 第三次它主动提议创建定时任务 → 我同意 → 它调用 Cron 功能自动建好
- 从此这件事不用再说
防止过度自我修改：VFM 评分
一个会自己改自己配置的系统，很容易改乱。proactive-agent 里有一个 VFM（Value-per-File-Modified）评分机制：
- 每次 Agent 想修改自己的配置文件，先给这次改动打分
- 低于阈值的改动直接跳过
- 避免"为了优化而优化"的无效修改
两个月下来，系统从最初的 3个定时任务，自然增长到8个：每周五复盘提醒、重复信息整理、日常巡检。都不是一开始设计好的，是用着用着长出来的。
架构全景
可复用的几个判断
什么时候该补记忆机制： Agent 开始反复忘记你说过的事，或者 Compaction 之后上下文明显断裂。
什么时候该补错误捕获： 你发现自己在纠正同一类问题第三遍以上。
什么时候该补自动化建议： 你意识到自己每天在"手动维持自动化"——让一个自动化系统做事，但触发本身还是手动的。
什么时候不该急着加东西： 系统刚跑起来的第一周。先让它跑，先记录哪里不顺，再动手。过早优化和过早加机制一样，都会把系统搞复杂但没解决真正的问题。
还没解决的问题：上下文管理
前面几层做完之后，记忆能存能清，错误能捕获能固化，重复动作能自动接管。但有一个问题一直没动：OpenClaw 原生的上下文注入机制。
现在每次发起对话，OpenClaw 会把记忆、规则、session 状态、learnings 全部塞进 context。不管你问的是"今天日报发了没"还是"帮我分析一下这个竞品的定价策略"，注入的背景信息量几乎一样。随便一轮对话，上来就带着上万 token 的上下文。
这带来两个实际问题：
- 注意力稀释：context 里噪音越多，模型对真正相关信息的关注度越低。问一个简单问题，回答质量反而不如不带记忆的裸模型
- 上下文腐烂：随着记忆和规则越积越多，即使 memory-hygiene 定期清理，注入总量还是在涨。ByteRover 优化了检索相关性，但注入策略本身没有区分场景——该注入多少、注入哪些，这一步是缺失的
打算做的方向
准备看看能不能在 OpenClaw 的上下文管理层加一个分级注入机制：
- 根据当前消息的复杂度和话题，动态决定注入哪些类型的记忆（偏好、规则、工作状态、历史 learnings）
- 简单查询类对话，只带最小必要上下文；涉及多步决策或需要历史背景的任务，再拉完整记忆
- 可能需要在 prompt 前加一个轻量的分类步骤，或者用 token 预算的方式做硬约束
具体方案还没定吗，先观察一段时间看看。关键在于"什么时候需要什么记忆"本身就很难预判——我觉得一个简单问题不需要上下文，但AI不觉得，甚至恰好是某条历史规则决定了回答的格式。砍多了会退化，砍少了没效果。
参考资料
本文涉及的工具和社区技能包：