1.基本介绍

李宏毅老师讲解openclaw的视频地址：

https://www.youtube.com/watch?v=2rcJdFuNbZQ
https://www.bilibili.com/video/BV1oqcrzwEBV/?spm_id_from=333.1365.list.card_archive.click&vd_source=a432cb5e896a2b96961d1f73a6ebe0ca

上课的PPT下载：https://speech.ee.ntu.edu.tw/~hylee/ml/ml2026-course-data/intro.pdf

有一部电影的名字叫做《我的失忆女友》，里面的两个人物是大壮和小美。小美每一天早上起来的时候，都记不得之前发生的事情，所以大壮需要写日记，每天早上都要去给小美看，让小美回忆起昨天发生了什么。就像大壮一直追、一直追，最后终于追到了小美。

其实 AI 技能也是这样的，只有在一个对话聊天窗口里面，它才可以记得上下文的内容。而且它的记忆窗口是有限制的，当你新开一个窗口的时候，就好像小美第二天早上醒来一样，它就失忆了。AI 也不记得之前发生了什么事情，所以就需要你把之前发生的事情告诉它。

2.记忆检索功能

下面的这个就是 OpenClaw 的记忆检索工作流程，也就是我们之前所提到的，它是如何从存好的记忆里面找到我们想要的内容。

我们可以发现，在左边的这个里面，实际上就是 memory 文件夹和 mermaid 这些文字文件。它们被切分成了一小块一小块的，每一块就叫做一个 chunk（数据块）。

这些存储好的记忆块，会根据语言模型下达的指令进行检索。例如，用关键词“YouTube 影片”搜索记忆，OpenClaw 就会把关键词“YouTube 影片”和每一个 chunk 做两种相似度比对：

  1. S1 字面比对
    它比较的是关键词出现的次数和字面值。

  2. S2 语义比对
    它会转换成向量（Embedding）嵌入，计算两个向量的余弦相似度。余弦相似度越高，S2 的分数就越高。

最后通过公式 $S = A \times S1 + B \times S2$，把字面分数和语义相似的分数相结合，计算出最终的相似度分数，然后把分数最高的 Top-K 个 chunk 传递给大语言模型。
image.png
其实基本的流程如下：

  1. 人发起问题。
  2. OpenClaw 把人的问题进行预处理，即把问题和系统提示词进行二次整理，传递给大语言模型。
  3. 大语言模型看到问题后，可能需要调用搜索引擎工具才能回答，于是将其传递回 OpenClaw。
  4. OpenClaw 执行搜索，进行切块（chunk）划分，并计算相似度分数。
  5. 最终把相似度最高的前 K 个分数的结果返回给大语言模型。
  6. 大语言模型基于返回的内容整理出回答，然后再反馈给人类。

3.心跳机制

下面这个就是小龙虾的心跳机制，其实和普通大模型有类似的地方。

当你发给它一段提示词，它回答你之后，首先会把你的提示词给语言模型，语言模型返回一段内容，然后它再把这些东西发给你。

这个时候，如果你没有任何问题，小龙虾和语言模型之间就没有交互了。心跳机制说的就是，小龙虾每隔一段时间都要去“戳一戳”这个语言模型，看看它有没有什么任务要完成。

如果没有任务的话，那肯定就不需要执行。它会去阅读一下这个 habit.md 文件，看看是否有一些存在的定时任务，然后就可以去执行了。
image.png

4.排程系统

接下来我们介绍一下 OpenClaw 的这个“等待问题”的例子，核心是想说明 AI 现在是怎么学会等待的。

我们顺着流程走一遍。比如说我们现在给 OpenClaw 发送信息，让它使用 NotebookLM 生成幻灯片。它收到我们的请求之后，其本身是一个写死的规则，并没有智能，所有的决策都是靠后面连接的大语言模型来完成的。

所以它并不是一个模型，而是一个调用大语言模型的 Agent 型框架，本身不具备大模型的能力。整个过程如下：

  1. 任务分析与发送
    当 OpenClaw 收到我们的请求后，会首先把请求发送给大模型。大模型进行分析后，再告诉 OpenClaw 应该去做什么。

  2. 执行初步指令
    OpenClaw 意识到它需要先打开网页，然后上传文件。得到的结果是“幻灯片正在生成”。

  3. 状态返回与工具调用
    大模型收到了“正在生成”的状态。由于此时无法进行下一步，聪明的大模型给 OpenClaw 下发了一个工具指令，让它设置一个定时任务，三分钟之后再来检查网页的状态。

  4. 定时任务排程
    这就是定时任务排程工具的使用，它能帮助大模型“定好闹钟”，到点再继续操作。

  5. 任务触发与完成
    三分钟之后，OpenClaw 按照时钟触发了任务，把检查到的 NotebookLM 状态指令再次传递给大模型。大模型发现下载已经完成，于是就让它打开网页，下载完成的幻灯片。

最终，通过这种方式完成了整个任务。
image.png

5.上下文压缩机制

大语言模型的输入长度是有限的。OpenClaw 运行时间越长，积累的对话历史就越多，拼出来的 Prompt 也就越长，总有一天会超出大语言模型的长度限制。

所以这个压缩机制就是解决这个问题的：

  1. 当 OpenClaw 积累了太多的历史对话，整体长度超过阈值之后，它会把旧的历史对话单独提取出来，传递给大语言模型。
  2. 让大语言模型把旧的对话浓缩成一段简短的摘要。

这样可以更好地进行上下文的压缩，防止拼接之后的 Prompt 过长，超出大语言模型的长度限制。这个压缩其实就是解决上下文在长度上的问题的。
image.png

6.sub-agent（子代理）

接下来我们介绍一下 OpenClaw 一个很巧妙的工具，就是 Sub-agent（子代理）。

image.png

子代理主要用来解决大任务在分析时占用过多上下文的问题。假设用户给 OpenClaw（也就是大家常说的小龙虾）布置了一个任务：“给我把这 80 篇论文全部做完摘要，然后整理一份总结。”

如果让主代理一篇一篇地做，每一篇都要占用上下文，很快就会把上下文空间占满。通过 Sub-agent 的机制，主代理只要把任务传递给大语言模型，模型会决策并将其拆分成多个子任务。每个子任务都会生成一个全新的、绿色的“小龙虾”，也就是一个 Sub-agent。

具体流程如下：

  1. 第一个子任务是阅读论文 A 并做摘要。任务交给第一个子代理，它独立与大模型交互完成任务。
  2. 完成后，子代理将论文 A 的摘要返回给主代理，然后这个子代理就自动销毁了，不占用任何主代理的上下文空间。
  3. 第二个子任务是阅读论文 B 并做摘要。系统会生成第二个新的子代理，重复上述过程：完成摘要、返回结果给主代理、随后销毁。

以此类推，直到所有子任务全部完成。主代理拿到了所有子代理返回的摘要，再把这些内容发送给大模型，由大模型整理成最终的总结结果返回给 OpenClaw，最后由 OpenClaw 返回给用户。

为什么要这么麻烦地生成子代理，而不是让主代理一遍一遍地做呢？主要是因为子代理在任务完成后就会被销毁，这样就不会持续占用主代理的上下文空间，从而避免长度超出上下文限制。这在本质上也是一种高效的上下文管理方式。