很多人装完 OpenClaw ，接上 Discord 或 Telegram ，发现能聊天了就觉得“搞定了”。 但我自己踩坑一圈后，越来越确定一件事：默认状态的 OpenClaw ，可能只发挥了 20% 的能力。剩下的 80%，藏在一些你没太注意的配置文件里——而且改起来并不难。 下面我按“收益从高到低”的顺序，把我自己最有效的 5 步调教方法整理出来。新手照着做，大概率能立刻感受到差别。
默认状态 vs 调教后：差别到底在哪？ 先给你一个直观对比，方便建立预期：
项目 默认状态 调教后
回复风格 客服味：“我很乐意帮助您！” 更像懂你的搭档
记忆 每次对话都像陌生人 记得你们之前聊过什么
能力 只能聊天 能下载视频、查股票、做 PPT 、巡检服务器…
主动性 你不说它不动 会定期检查状态，主动提醒
成本/效率 所有任务都用同一个模型 复杂任务用强模型，简单活用便宜模型
如果你只做一件事：先把第 1 步和第 2 步做了，体验就会明显提升。
1 ）先给它一个“人格”：别再像客服了 OpenClaw 的 workspace 里，我认为最关键的三份文件是：
SOUL.md — 它是谁、怎么说话、做事风格是什么
IDENTITY.md — 名字、形象、emoji （让它“自我一致”）
USER.md — 你是谁，它怎么称呼你、你的偏好是什么
很多人默认 SOUL.md 基本空着，所以 AI 回答就会很“标准化”：礼貌但没劲，像客服。 我自己改 SOUL.md 时，没有写一堆长篇大论，就几条原则，效果立刻变了：
核心原则
- 别说“很高兴帮助您”，直接帮
- 允许有自己的观点和偏好（但别装懂）
- 先自己查，查不到再问我
- 简洁：该详细时详细，该简短时简短
就这么几行，回复会明显从“尊敬的用户您好”变成“正常人说话”。 另外，IDENTITY.md 我建议一定要填：给它起名字、配个 emoji 。 别小看这个——有名字的 AI ，在多轮对话里一致性真的更好，不会一会儿像程序，一会儿像客服。 USER.md 则写你自己的基础信息，比如：
时区（避免它半夜“主动关心”你） 技术栈（别给写 Go 的人推荐 Java 方案） 沟通偏好（比如希望先给结论还是先给过程）
2 ）搭一套“分层记忆”：别把 MEMORY.md 写成流水账 这一步是我觉得提升最大的。 默认 OpenClaw 会有一个 MEMORY.md ，但常见两种翻车写法：
完全不写：结果就是“每次都像第一次见面” 什么都往里塞：最后变成一大坨流水账，AI 也不爱读，人也不爱翻
我自己的做法是：分层记忆。结构大概长这样： MEMORY.md ← 索引层：只放最核心信息 + 指向其他文件的索引 memory/projects.md ← 项目层：每个项目状态、待办 memory/infra.md ← 基础设施层：服务器配置、API 地址等速查 memory/lessons.md ← 教训层：踩过的坑，按严重程度分级 memory/YYYY-MM-DD.md ← 日志层：当天发生了什么
关键思路只有一句话：
MEMORY.md 只做索引，不堆内容。 启动新 session 时只加载索引，需要细节再去读对应文件。
这样你会得到一个很舒服的效果： 既能“记得住”，又不会“记得太乱”。 开启 memorySearch：让记忆真的“能搜到” 如果你希望出现这种场景： 你问：“上次那个部署问题怎么解决的？” AI 能语义检索 → 直接定位到某天日志的某段 → 精准复述 那我建议开启 OpenClaw 的 memorySearch （向量语义检索）。 参考配置（放在 openclaw.json 里）： "memorySearch": { "enabled": true, "provider": "openai", "remote": { "baseUrl": "你的 embedding API 地址", "apiKey": "你的 key" }, "model": "BAAI/bge-m3" }
我自己的经验是：embedding 选 bge-m3 这种通用模型，性价比很高。 （你提到的 SiliconFlow 免费 embedding API 也确实是一个“入门就能用”的路线。） 另外我也建议你开启 compaction.memoryFlush： 上下文快满的时候，AI 会把重要信息写进当天日志，避免对话一长就“失忆”。
3 ）用 Skill 扩展能力：让它从“会聊”变成“会做” OpenClaw 内置了一些 skill （天气、新闻等），但真正好玩的，是自定义 skill。 你可以把 skill 理解成：
给 AI 一份“标准作业流程（ SOP ）”，让它遇到某类请求就按流程执行。
一个 skill 的目录通常是这样： skills/ my-skill/ SKILL.md ← AI 主要读这个：触发条件、步骤、输出格式 script.sh ← 可选：需要执行脚本就放这 README.md ← 可选：给人看的说明
我自己常用的几个例子：
视频下载：发 B 站/YouTube 链接 → 自动下载 → 生成分享链接
PPT 生成：说“做个关于 XX 的 PPT” → 直接产出 .pptx
股票分析：问“XX 股票能买吗” → 跑你的分析流程 → 输出结论 + 风险点
新闻摘要：每天自动抓热点 → 压缩成几条重点
写 skill 时，我总结一个很实用的心法：
把 AI 当成新来的实习生。 你写得越清楚，它越稳定。你写得越含糊，它越玄学。
触发条件、步骤、输出格式都写死，结果会稳很多。 你也提到了社区现成 skill （比如 clawhub.com ），我建议新手路线是：
先装 1-2 个现成的用起来
再把你自己的高频流程固化成 skill （比如“周报生成”“日志整理”）
4 ） Heartbeat 心跳：让它学会“主动干活” OpenClaw 有个心跳机制：系统每隔一段时间（默认 30 分钟）会 ping 一下 AI ，问它有没有要做的。 默认情况下，AI 收到心跳就回个 HEARTBEAT_OK，等于啥也没干。 但你可以写一个 HEARTBEAT.md，告诉它心跳时该检查什么。比如：
HEARTBEAT.md
每次心跳
- 检查 XX 服务是否在线（ curl 一下）
- 如果挂了，通知我，但不要自动重启
每天一次
- 检查有没有超过 3 天没更新的项目待办
每周一次
- 整理最近 7 天的日志，提炼到长期记忆
这样你的 AI 就像一个 7×24 的值班员： 你睡觉它巡检，你醒来直接看报告。 heartbeat vs cron：怎么选？ 我自己的选择逻辑是：
Heartbeat：适合“顺便检查一下”的轻量任务，能批量做
Cron：适合“精确定时”的独立任务（比如每周一 9 点发周报）
如果你想从简单开始：先用 Heartbeat 做巡检、整理，再考虑 cron 。
5 ）多模型分级：别让“最强模型”干“最简单的活” 如果你能接入多个模型（比如走 API 中转），我强烈建议做 多模型分级。原因很现实：省钱、省 token ，也更快。 我自己大概按这个思路分：
等级 模型 用途
🔴 强 Claude Opus / GPT-5 主对话、复杂架构设计、深度推理
🟡 中 Claude Sonnet 子任务：写代码、信息整理
🟢 轻 Claude Haiku 简单操作：文件搜索、格式转换
在 openclaw.json 里配置 alias （示例）： "models": { "your-provider/strong-model": { "alias": "opus" }, "your-provider/medium-model": { "alias": "sonnet" }, "your-provider/light-model": { "alias": "haiku" } }
然后在 AGENTS.md 里写清楚分配策略： 当 AI 需要派子 agent 执行任务时，就会更倾向选合适的模型。 我的体感收益是：日常 token 消耗能降很多，因为大多数任务根本不需要最强模型。
配置 Checklist：按优先级照着做 如果你想按“最省时间、最有效”的顺序来，我建议：
✅ 写好 SOUL.md / IDENTITY.md / USER.md（ 10 分钟，立竿见影）
✅ 设计分层记忆结构，开启 memorySearch（ 30 分钟）
✅ 配置 HEARTBEAT.md（ 10 分钟）
✅ 安装或编写 2-3 个最常用的 skill（按需）
✅ 配置多模型分级（有多个模型时再上）
✅ 完善 AGENTS.md 里的行为规范和安全规则
写在最后：默认只是起点，价值在“你怎么定义它” OpenClaw 的设计哲学，我理解就是：
给你一个框架，你来定义它是谁。
默认配置只能算“通了”。真正让它变好用的，是你把它调成更贴合你工作方式的搭档： 能记住上下文、能按流程做事、还能主动巡检和提醒。 我自己折腾了一段时间，最大的感受是： 从“只会回消息的 bot”，到“真的能帮我省时间的助手”，中间差的就是这些配置细节。 如果你也在用 OpenClaw ，欢迎交流你的调教经验 👋
更多 AI 文章： 转载地址：https://17nas.com/openclaw-tuning-5-steps 下一篇文章：OpenClaw 调教手册