OpenClaw 提示词工程大赏:如何让 AI Agent 更聪明地工作 ✍ VerySmallWoods🕐 2026-02-06📦 7.3 KB 🟢 已读 𝕏 文章列表 本文深入剖析了 OpenClaw 的提示词工程系统。该系统采用模块化架构,由 20+ 个独立模块动态组合而成,并根据主/子智能体的不同需求提供 Full、Minimal 和 None 三种模式。文章详细介绍了安全护栏、SOUL.md 人格系统、技能加载策略、记忆回溯机制及心跳系统等核心设计,展示了如何通过上下文感知、安全优先和最小必要原则,让 AI Agent 更聪明、安全且高效地工作。 Prompt EngineeringAgent系统设计模块化源码解析 # OpenClaw 提示词工程大赏:如何让 AI Agent 更聪明地工作 **作者**: VerySmallWoods **日期**: 2026-02-05T10:25:37.000Z **来源**: [https://x.com/verysmallwoods/status/2019356732074459237](https://x.com/verysmallwoods/status/2019356732074459237) ---  OpenClaw 强大的智能体任务执行能力,归功于其精良的系统设计。今天,让我们一起来瞧瞧它的提示词工程系统 - 这是让 Agent 真正"聪明"起来的核心。 ## 一、为什么提示词工程如此重要? 一个 AI Agent 的表现,很大程度上取决于它收到的系统提示词。好的提示词能够: - 让 Agent 理解自己的能力边界 - 引导 Agent 采用正确的工作方式 - 注入必要的上下文信息 - 建立安全护栏防止不当行为 OpenClaw 的提示词系统之所以强大,是因为它将这些需求系统化、模块化,并能根据场景动态调整。 ## 二、模块化提示词架构 OpenClaw 的提示词不是一个静态的大文本,而是由 20+ 个独立模块 动态组合而成。 2.1 核心架构 来自 `src/agents/system-prompt.ts`: 2.2 模块列表  2.3 模块示例:安全护栏 设计亮点: - 明确禁止自我保存、复制、资源获取等行为 - 要求在冲突时暂停并询问 - 禁止绕过安全措施 - 灵感来自 Anthropic 宪法原则 2.4 模块示例:工具调用风格 为什么这很重要: - 减少不必要的"让我来..."等废话 - 在复杂操作时提供透明度 - 在敏感操作(如删除)时明确告知 - 保持输出简洁高效 ## 三、提示词模式:按场景裁剪 OpenClaw 定义了三种提示词模式: 3.1 模式控制的核心逻辑 模式切换通过一个简单的 `isMinimal` 标志实现: 每个模块构建函数都检查这个标志,决定是否输出内容: 3.2 模块依赖关系图 3.3 Full 模式(主智能体) 主智能体使用完整提示词,包含所有模块: Full 模式独有的模块(`isMinimal = false` 时启用): 3.4 Minimal 模式(子智能体) 子智能体使用精简提示词,只保留核心模块: Minimal 模式保留的模块(始终包含): 为什么子智能体使用精简提示词? - 减少 token 消耗 - 子智能体通常执行特定任务 - 不需要心跳、记忆等复杂功能 - 避免与父智能体的指令冲突 3.5 None 模式(特殊场景) 仅返回基础身份声明: ## 四、动态上下文注入 4.1 Bootstrap 文件系统 OpenClaw 自动加载工作区的配置文件并注入到提示词中: 支持的文件类型: - `.env` - 环境变量 - `SOUL.md` - 人格定义 - `HEARTBEAT.md` - 心跳任务 - `MEMORY.md` - 记忆存储 - 会话特定配置文件 4.2 SOUL.md 人格系统 这是 OpenClaw 的一个创新设计: 用户可以通过 SOUL.md 定义: - Agent 的说话风格 - 人格特点 - 回复偏好 - 专业领域知识 4.3 技能系统 技能从多个来源加载(优先级递增): > 额外目录 → 内置技能 → 托管技能 → 工作区技能 技能选择逻辑: 设计亮点: - "恰好一个适用则读取" - 避免过度加载 - "多个可能适用则选最具体的" - 精确匹配 - "无明确适用则不读取" - 减少干扰 - "选择后才读取" - 延迟加载优化 token ## 五、记忆系统提示词 5.1 记忆回溯 关键指导: - 在回答关于过去工作、决定、日期、人物、偏好或待办事项之前,先搜索记忆 - 使用 `memory_search` 搜索,`memory_get` 获取具体内容 - 如果搜索后仍不确定,要说明已经检查过 5.2 记忆刷新提示词 在会话压缩前,OpenClaw 会触发一轮记忆刷新: 机制说明: - 当 session token 接近压缩阈值时触发 - 提示 Agent 将重要信息持久化到文件 - 使用日期命名的文件组织记忆 ## 六、心跳系统 6.1 心跳提示词 6.2 心跳响应规则 设计要点: - 心跳是定时触发的检查机制 - 读取 HEARTBEAT.md 执行预定任务 - 没有任务时返回 HEARTBEAT_OK - 有任务时返回具体内容(不含 HEARTBEAT_OK) ## 七、静默回复机制 系统提示词中的规则: 为什么需要静默回复? - Agent 使用 `message` 工具发送消息后,不应再输出重复内容 - 某些场景下确实没有需要回复的内容 - 避免发送空消息或无意义确认 ## 八、运行时信息注入 示例输出: 注入的信息: - Agent ID - 主机名 - Git 仓库根目录 - 操作系统和架构 - Node.js 版本 - 当前模型 - 消息渠道和能力 - 思考级别 ## 九、Channel 特定定制 9.1 Telegram 内联按钮 提示词指导: 9.2 反应表情策略 9.3 TTS 语音提示 ## 十、设计优势分析 10.1 为什么模块化有效?  10.2 关键设计原则 OpenClaw 的提示词系统遵循几个核心设计原则。首先是最小必要原则:子智能体只收到完成任务必要的信息,技能只在需要时加载,从而减少无关内容对模型的干扰。 安全优先贯穿整个系统设计。安全护栏始终被包含在提示词中,明确定义行为禁令,并要求 Agent 在遇到冲突指令时暂停执行。 系统还提供清晰的行为引导,包括工具调用风格的指导、何时应该解释何时应该直接执行的规则,以及保持输出简洁的要求。 上下文感知让 Agent 能够理解运行环境:运行时信息被实时注入,渠道能力被动态检测,工作区文件被自动加载。 最后,系统具有高度可定制性:用户可以通过 SOUL.md 定义 Agent 的人格,通过技能系统扩展其能力,通过配置覆盖默认行为。 10.3 为什么能让 Agent 更聪明? 这种设计让 Agent 变得更聪明,原因在于:Agent 拥有精确的能力边界,清楚知道自己能做什么、不能做什么;掌握正确的工作方式,明白何时需要解释、何时应该直接执行;拥有丰富的上下文,包括记忆、技能和环境信息;遵循安全的行为模式,有明确的红线和护栏;以及高效利用资源,按需加载内容、最小化 token 消耗。 OpenClaw 的提示词系统展示了一个成熟的 AI Agent 框架应该如何设计提示词:  这种设计不仅让 Agent 更聪明,也让整个系统更可维护、更安全、更高效。 本文基于 OpenClaw 源码分析,所有代码片段均来自实际实现。* ## 相关链接 - [VerySmallWoods](https://x.com/verysmallwoods) - [@verysmallwoods](https://x.com/verysmallwoods) - [18K](https://x.com/verysmallwoods/status/2019356732074459237/analytics) - [SOUL.md](https://soul.md/) - [HEARTBEAT.md](https://heartbeat.md/) - [MEMORY.md](https://memory.md/) - [SOUL.md](https://soul.md/) - [SOUL.md](https://soul.md/) - [HEARTBEAT.md](https://heartbeat.md/) - [SOUL.md](https://soul.md/) - [Upgrade to Premium](https://x.com/i/premium_sign_up) - [6:25 PM · Feb 5, 2026](https://x.com/verysmallwoods/status/2019356732074459237) - [18.8K Views](https://x.com/verysmallwoods/status/2019356732074459237/analytics) - [View quotes](https://x.com/verysmallwoods/status/2019356732074459237/quotes) --- *导出时间: 2026/2/6 10:38:59*
W While 循环谁都会写,上下文工程才是真功夫 本文深入探讨了 Agent 开发的核心——上下文工程。文章指出,虽然 Agent 的骨架是 LLM 加工具和循环,但决定其质量的关键在于如何管理每次循环中传给 LLM 的信息。作者通过分析 LLM 的无记忆特性、工具调用机制以及上下文窗口限制,阐述了优化系统提示词、工具描述和对话历史的重要性。结论是:Agent 工程的本质是上下文工程,代码骨架易写,但上下文的设计与调优才是核心能力。 技术 › Agent ✍ 劳伦斯🕐 2026-04-14 Agent上下文工程LLMPrompt Engineering工具调用系统设计开发心得
个 个人 AI 基础设施构建指南 本文基于 Daniel Miessler 的 PAI 框架,阐述了如何构建个人 AI 基础设施。核心观点包括从自我定义而非工具开始、利用 TELOS 身份系统构建画像、建立三层记忆架构、遵循代码优于 Prompt 的确定性原则,并提供了一个分阶段的实践路线图,旨在将 AI 升级为持续学习的数字助理。 技术 › Agent ✍ indigo🕐 2026-07-27 PAIAI Infrastructure数字助理TELOSPrompt EngineeringAgent
如 如何让 Claude 像博士生一样研究:斯坦福 STORM 方法 文章介绍了斯坦福大学开发的 STORM 研究系统,该方法通过多视角提问和信息检索生成高质量文章。作者将其简化为 4 个提示词,让用户能在 5 分钟内利用 Claude 生成类似博士水平的深度研究报告,包含视角分析、矛盾映射、综合综述和自我评估。 技术 › LLM ✍ Nav Toor🕐 2026-07-24 ClaudeSTORM提示词研究方法AI工具Prompt Engineering斯坦福高效工作Agent多视角分析
如 如何使用图工程构建多因子Alpha模型 本文详细介绍了如何利用图工程构建对冲基金级别的多因子Alpha模型。作者阐述了从Prompt、Loop、Swarm到Graph的技术演进路径,重点介绍了Slate这一运行时工具,它能通过JavaScript编写的程序自动化执行复杂的图结构任务,解决了多智能体系统中的协调与失败处理难题。 投资 › 量化交易 ✍ Roan🕐 2026-07-24 图工程多因子模型Alpha量化交易SlateAgentAI对冲基金系统设计
从 从 CoT 到 ReAct:用 Python 搭建 LLM Agent 实战指南 本文通过 Python 演示了如何搭建一个具备规划、工具调用、验证和复盘能力的完整 LLM Agent。教程详细拆解了 Plan-and-Solve、ReAct、Verification、Self-Refine 和 Reflexion 五个核心模块,强调了结构化数据控制流程的重要性,并提供了工程落地的具体代码实现与原则。 技术 › Agent ✍ Mr Panda🕐 2026-07-19 LLMAgentPythonReActCoT工程实践ReflexionPrompt Engineering教程
如 如何构建自动纠错 AI 循环 文章介绍如何构建一个 AI 自我纠错系统,通过分离生成、判断和管理三个角色,避免人工介入验证。关键在于利用独立的标准(如测试套件)进行结构化验证,而非简单的重复提问,从而实现自动化错误捕捉与修复。 技术 › Agent ✍ CyrilXBT🕐 2026-07-17 AI架构自我纠错Agent提示词工程自动化系统设计LLM流程优化
用 用4300行代码复现Claude Code核心架构 本文介绍了一个项目,用4300行代码复现Claude Code的核心架构,包括Agent Loop、工具系统、并行执行等。提供分步教程,适合动手实践,帮助理解coding agent的工作原理。 技术 › Agent ✍ AI樱木🕐 2026-07-17 Claude CodeAgentTypeScriptPython源码解析工具系统编程实践
C Context Engineering for Outbound 文章探讨了上下文工程在外拓代理中的应用,强调通过精心设计上下文窗口(包含角色、案例、证据和规则四层),解决模型幻觉和生成内容泛化的问题。文章介绍了组装、撰写和优化三个核心技能,以提升个性化消息的质量和响应率。 技术 › Agent ✍ Nicolas Finet🕐 2026-07-14 Context EngineeringOutboundAgentLLMPrompt Engineering
H Hermes Agent 架构详细拆解:工业级 Agent 框架底层运行时揭秘 本文详细拆解了 Hermes Agent 的底层架构,将其定义为工业级运行时而非简单的 LLM 循环。文章类比前端工程模式,阐述了 Agent = Harness + Model 的核心公式。重点解析了从平台入口、适配器层、事件总线、GatewayRunner 核心调度层到 AI Agent 执行层的五层架构,揭示了 Hermes 如何通过共享线程池、会话复用和生命周期管理,实现高并发、有状态且安全可靠的 Agent 运行环境。 技术 › Hermes ✍ MateMatt🕐 2026-07-07 AgentHermes架构设计LLM事件总线多线程源码解析运行时HarnessReAct
F Fable 循环库:25 个全自动工作流实战指南 本文介绍了一套包含 25 个工作流的“Fable 循环库”,旨在教读者如何利用 Claude Code 的 /loop 和 /goal 命令实现 AI 自动化。文章详细阐述了基于目标、边界和结果的 Agent 核心逻辑,区分了循环和目标的区别,并按营销内容和产品两个维度,展示了如何利用 MCP 和 API 自动执行 SEO 监控、内容挖掘、竞品分析及用户体验优化等任务。 技术 › Agent ✍ Machina🕐 2026-07-05 Claude CodeWorkflowAutomationAgentMCPFableSEOPrompt Engineering效率工具
从 从 Prompting 到 Loop Engineering:AI 编程的新范式 文章提出 AI 编程领域正在从人工编写提示转向设计循环。Loop Engineering 是指编写自动化的程序来驱动编码 Agent,通过设置目标、执行、检查和反馈的闭环,实现无人值守的代码生成与修复。文章分析了循环的五种演进形式及六个核心组件(如触发器、隔离、上下文等),并结合 Claude Code 的 /goal 命令展示了具体的工程实践。 技术 › Agent ✍ elvis🕐 2026-06-20 AILoop EngineeringClaude CodePrompt EngineeringAgent自动化DevOps编程范式
为 为什么你学了很多 Agent 工具,还是做不出真正可用的 Agent? 文章指出许多人学习 AI Agent 时陷入了“工具焦虑”,盲目追逐 LangChain、MCP 等框架,却忽视了 Agent 的本质是一套围绕目标运行的系统。作者强调,真正的难点在于系统设计——理解工具调用、记忆、反馈修正及工程化约束,而非仅仅跑通 Demo。文章推荐 GitHub 项目 agent_learning,主张从 LLM 基础、Prompt 等底层原理开始,逐步构建从基础到工程化的完整知识体系,最终实现 Agent 在真实环境中的稳定运行。 技术 › Agent ✍ Nana🕐 2026-06-15 Agent系统设计LLM学习路线LangChain工程化人工智能方法论LangGraph架构