[读书笔记]李宏毅教授分析小龙虾原理
- OpenClaw定义与定位
AI Agent（如 OpenClaw）本身不是 AI，而是一个运行在本地电脑上的代理框架，它连接用户与强大的语言模型（如 GPT、Claude），其 “智能” 完全依赖于后端的语言模型。 - 身份与记忆系统
OpenClaw通过加载预设的身份信息文件（如自我介绍、人生目标），并在每次调用语言模型时将这些信息作为系统提示（System Prompt）附加上去，从而建立自我认知和明确主仆关系。 - System Prompt 内容
System Prompt 是一个包含了OpenClaw完整 “人设” 和运行环境的配置文件，具体包含身份信息、可用工具列表、模型行为规范、可使用的技能以及记忆存储位置等关键信息。 - 多轮对话机制
在多轮对话中，为了保持上下文的连贯性，OpenClaw在每次向语言模型发送请求时，都必须附上完整的对话历史（包括系统提示和所有过往交互）。 - 电脑操控能力
OpenClaw 通过执行 shell 命令来操控电脑，这是其强大能力的来源，而语言模型擅长生成这些指令。 - 安全防御机制
针对OpenClaw执行危险命令的防御，在 OpenClaw 层面通过配置（config）进行硬性权限控制是更可靠的手段，而语言模型层面的提示不可靠。 - Sub-agent 任务分解
OpenClaw可以利用 Sub-agent（子代理）功能，将复杂任务分解为多个并行的子任务，分别处理后再汇总结果，以此提高效率并避免超出语言模型的上下文窗口限制。 - 按需读取技能（SKILL）
OpenClaw采用 “按需读取” 的方式，在需要完成特定任务时，才去加载对应的技能文件（SKILL.md），并将其内容作为上下文提供给语言模型，从而让模型具备完成该任务的能力。 - 跨会话记忆机制
OpenClaw通过使用特定的记忆工具（如 memory_search 和 memory_get），对存储的记忆文件进行检索和提取，从而实现跨会话的长期记忆功能，这是一种应用了 RAG（检索增强生成）技术的实现方式。 - 自主创作工具能力
OpenClaw具备自主创作工具的能力。它们能根据任务需求，动态生成所需的代码或脚本作为新工具来解决问题，突破了预设工具库的限制，实现了能力的无限扩展。 - 心跳（Heartbeat）与定时任务（Cron Job）
心跳机制让OpenClaw能够定期唤醒并检查是否有预设任务需要执行，使其从被动响应升级为主动服务。定时任务（Cron Job）则允许OpenClaw在特定时间点或按照固定周期自动执行任务，如每日生成报告、监控价格等，实现了 7x24 小时的自动化工作。 - 上下文压缩（Context Compression）机制
为了解决长对话导致的上下文窗口溢出、计算成本增加和推理效率下降的问题，OpenClaw会采用上下文压缩技术。常见方法包括：使用语言模型对历史对话进行摘要提炼、仅保留最近的对话（滑动窗口）、提取关键信息等，在保留核心语义的前提下，大幅减少 Token 使用量。 - 课程YouTube 链接
https://www.youtube.com/watch?v=2rcJdFuNbZQ
