你纠正了 Agent 三次，它还在犯同一个错——问题出在你的期待错了
OpenClaw 38 万星背后，最被低估的不是心跳机制，是它的"错题本"：self-improving 三层进化。但配置文档里的三个坑，会让你的进化链悄悄断掉，而 job 还在正常跑。
AI Agent 有一点像实习生：你纠正过的错，他第二次还犯。你说"文章别先讲理论"，他答应得好好的，下一篇照旧。
大多数人把这归咎于模型不够聪明。但用了几个月 OpenClaw 之后，我发现真正的原因更扎心：记住一件事，和从这件事里学会方法，是两个系统。大部分 Agent 框架只装了第一个。
OpenClaw 把这件事拆成了四层——日记本、百科全书、错题本、SOP 手册。这套东西决定了同一个 Agent，有人用一周就顺手，有人用三个月还在当客服。
先看数据，再看机制
OpenClaw 已经是 GitHub 史上升星最快的项目——不到五个月 34 万星，3 月 3 日超过 React，成为星数最多的软件项目。React 花了十年，它用了 60 天。44,000+ 个 ClawHub 技能，50 万+ 运行实例。
一个生态长到这个体量，"怎么让 Agent 越用越顺手"就不再是玩具问题，而是 50 万个实例共同面对的工程问题。OpenClaw 的答案是四层流水线：
| 层级 | 组件 | 管什么 | 类比 |
|---|---|---|---|
| 1 | memory-core | 记住"发生了什么" | 日记本 |
| 2 | memory-wiki | 把记忆编译成"知识" | 百科全书 |
| 3 | self-improving | 从错误中积累"经验" | 错题本 |
| 4 | skills.workshop | 把经验沉淀为"技能" | SOP 手册 |
数据流向一句话：对话 → 存碎片 → 整理 → 编译成知识 → 捕获纠正 → 沉淀为技能。
绝大多数人的 Agent 只跑到第一层。今天重点说后两层——它们才是"进化"发生的地方。
memory-wiki：知识不是记忆的堆叠
memory-core 存的是一条条碎片："用户偏好 2500 字内文章""封面用科技蓝""读者 70% 是非技术人员"。碎片一多，检索本身就变成负担。
memory-wiki 的做法是把碎片编译：三条碎片合并成一个「写作规范」页面，每条规则附证据来源和时间戳，带冲突检测。下次执行任务，Agent 查的是一页结构化知识，不是十几条散装记录。
配置关键就一个概念：bridge 模式。它不自己生产内容，而是读 memory-core 产生的整理报告和记忆事件，自动编译成 Wiki 页面。多 Agent 场景记得把 scope 设成 agent——每个 Agent 独立 Wiki，别用 global。
但这一层我建议别急着开。Wiki 的价值建立在碎片的质和量上，memory-core 才跑两三周、碎片还没攒够，编译出来的"知识"就是低质量复读——垃圾进，垃圾出。官方的渐进路线也是这个顺序：memory-core 跑稳两到四周再上 wiki。
self-improving：错题本才是进化的心脏
前两层解决"记住事情"，这一层解决"学会做事"。它是一个独立的 Skill，装完之后 Agent 有了自己的错题本目录：明确纠正进 corrections.md，偏好进 memory.md，领域经验进 domains/，项目经验进 projects/。
机制上最值得学的是三次晋升规则：同一教训被触发三次，就从错题本晋升为 HOT 规则，永久生效、每次任务自动加载。你不用再提醒第二次，更别说第三次。
但这层的坑也最多，而且每个坑都不报错——job 还在跑，进化已经断了。文档不会告诉你，我替你踩了：
坑一：目录不隔离，经验互相污染。 self-improving 默认单用户单目录。你让多个 Agent 共用一个 ~/self-improving/，work-Agent 学到的"投资建议要加免责声明"，会直接串进 write-Agent 的写作经验里。正确是每个 Agent 一个子目录，另设 global 放通用经验。
坑二：心跳文档已经失效。 Skill 自带的 setup 文档让你建 HEARTBEAT.md——但 OpenClaw 2026.8.x 运行时根本不读它，心跳指令迁移到了 cron 的 scratch。照着官方文档配，心跳静默失效。
坑三：gateway 重启后心跳断链。 重启后 heartbeat job 被重建、id 变了，scratch 不跟着迁移，所有检查清单清空。表面一切正常，self-improving 已经不再实际工作。解法是在检查清单里内嵌自愈规则：发现 scratch 为空就用自身内容重写。给心跳装一个"心跳"。
第三点是我认为整套机制里最精妙的设计——承认基础设施不可靠，然后把自愈能力写进业务逻辑本身。
skills.workshop：从经验到可复用的技能
最后一层是打包：零散的"下次先给案例"，沉淀成完整的"写作全流程"技能。self-improving 存的是一条条规则，workshop 产出的是一个可被其他 Agent 调用的流程。
模式建议选 propose 而不是默认的 auto：让 Agent 提议、你审核后生效。进化机制里"自动捕获"和"质量失控"只有一线之隔，技能库污染的清理成本，比逐条审核高得多。
拼起来的完整链路
一次纠正进来，正确路径是三路并发：
用户纠正 Agent
├─→ corrections.md 立即写入（错题本）
├─→ MEMORY.md 记日期（事实层）
└─→ 同类教训第 3 次 → 晋升 HOT 规则
→ 重要经验 → workshop 沉淀为技能
→ 技能被其他 Agent 发现复用
一个真实节奏，做行业竞品分析的 Agent：第 1 天你手把手教；第 1 周它记住了纠正但框架不稳，每次都要你提醒；第 2 周框架自动加载，只有数据源偶尔出错；第 4 周，三个月的动态已经编译成结构化知识库，分析框架沉淀成 SOP 技能，其他 Agent 直接调用——你只看结果。
四周时间，介入频率从"手把手"降到"只看结果"，这才是"越用越懂你"的实际含义。
代价清醒：进化不是免费午餐
夸完了，泼三盆冷水：
第一，这套系统不会让模型变聪明。变聪明的始终是模型厂商的事。self-improving 沉淀的是行为规则，规则多了反而占上下文——错题本写一百条，每次任务都带着一百条包袱，第一 token 成本和遵循率都会恶化。三次晋升规则的价值正在于此：它强制筛选，只让重复出现的教训进入长期层。
第二，错误也会进化。Agent 基于一次错误判断沉淀出的"经验"，会以同样的自动性反复应用。corrections.md 需要定期人工清理，heartbeat 只做去重归档，不做对错判断。信任要给，审计也要给。
第三，维护成本真实存在。心跳规则、目录隔离、重启自愈、冲突优先级（项目 > 领域 > HOT 全局），每一项都是你要自己扛的运维负担。官方文档还有坑——HEARTBEAT.md 的过时说明就是例子。这套机制适合每天真正高频使用 Agent 的人；一周用三次的，memory-core 加几条手写规则就够了，别为用不上的进化付运维税。
渐进路线一张表收尾：
| 你的阶段 | 该开什么 | 别碰什么 |
|---|---|---|
| memory-core 跑稳 2-4 周 | + memory-wiki | self-improving、workshop |
| 开始反复纠正同一个错 | + self-improving（目录隔离） | heartbeat 先不加 |
| 某类任务形成固定流程 | + skills.workshop（propose 模式） | — |
记住的 Agent 是日记本，进化的 Agent 才是同事。区别不在模型，在你有没有给它一套消化错误的流水线。
相关链接：
- OpenClaw 官网：https://openclaw.ai
- OpenClaw GitHub：https://github.com/openclaw/openclaw
- self-improving Skill：https://clawhub.dev/skills/self-improving
- OpenClaw 文档：https://docs.openclaw.ai
暂无评论。