一、概述

Proactive-Agent是一个革命性的OpenClaw技能，它将AI助手从被动的任务执行者转变为主动预判需求、持续自我改进的智能伙伴。基于Hal Stack架构，该技能通过WAL协议、工作缓冲区、自主定时任务等先进技术，解决了AI助手在长期对话中面临的关键问题：上下文丢失、记忆不连贯、缺乏主动性。

二、适用场景

1. 长期项目管理

• 场景：用户需要助手跟踪多日项目进度
• 优势：WAL协议确保决策和细节被永久记录
• 工作缓冲区：在长时间对话中保持上下文连贯
• 实际案例：新产品发布计划、复杂开发项目、研究课题跟踪

2. 复杂决策支持

• 场景：用户需要帮助做出复杂决定
• 优势：记录所有选项、利弊和最终决定
• 恢复能力：即使会话中断也能继续讨论
• 实际案例：技术选型、投资决策、职业规划

3. 个性化服务

• 场景：助手需要记住用户偏好和习惯
• 优势：持续更新USER.md和MEMORY.md
• 主动性：基于历史互动预判需求
• 实际案例：学习计划制定、健康习惯跟踪、兴趣推荐

4. 技术文档和维护

• 场景：系统管理员需要助手跟踪配置变更
• 优势：详细记录所有更改和决策
• 搜索能力：快速找到历史配置信息
• 实际案例：服务器配置管理、软件部署、故障排查

5. 创意协作

• 场景：创作者需要助手记录灵感和想法
• 优势：WAL协议确保创意不丢失
• 主动激发：基于历史创作推荐新方向
• 实际案例：写作助手、设计思考、内容策划

三、主要功能

1. WAL协议（Write-Ahead Logging）

问题解决：AI助手在会话中会忘记重要细节

工作原理：

1. 扫描每条用户消息中的关键信息
2. 在生成回应前，先将关键信息写入SESSION-STATE.md
3. 然后生成回应

触发条件：

• ✏️ 更正信息：“是X，不是Y”
• 📍 专有名词：人名、地名、公司名、产品名
• 🎨 偏好：“我喜欢蓝色主题”
• 📋 决定：“我们选择方案A”
• 📝 草稿更改
• 🔢 具体数值：日期、ID、URL

实际效果：关键信息永远不会丢失，即使会话重启也能恢复

2. 工作缓冲区协议

问题解决：当上下文使用率超过60%时，历史对话可能被压缩丢失

工作原理：

1. 当上下文>60%时，自动创建working-buffer.md
2. 记录每一次交流（用户消息+助手摘要）
3. 当上下文<60%时，归档缓冲区
4. 当上下文再次>60%时，重新创建缓冲区

实际效果：在"危险区域"（高上下文使用率）保护所有交流

3. 压缩恢复协议

问题解决：会话重启后忘记之前讨论的内容

恢复步骤：

1. 首先：读取working-buffer.md（如果有）
2. 然后：读取SESSION-STATE.md
3. 接着：读取当日和昨日的每日笔记
4. 最后：如果仍缺失上下文，搜索所有来源

黄金规则：永远不要问"我们刚才在讨论什么？"——缓冲区里有完整的对话

4. 统一搜索协议

搜索顺序：

1. memory_search() - 每日笔记和MEMORY.md
2. 会话记录（如可用）
3. 会议笔记（如可用）
4. grep回退 - 精确匹配

搜索时机：

• 用户提到过去的事情时
• 开始新会话时
• 做可能违背过去协议的决定前
• 准备说"我没有这个信息"前

5. 不懈的资源利用

原则：在说"做不到"前尝试10种方法

方法：

• 立即尝试不同方法
• 然后尝试另一种，再一种
• 尝试5-10种方法后才考虑求助
• 使用所有工具：CLI、浏览器、网络搜索、子代理
• 创造性组合工具

用户永远不应该告诉你"再试试" 

6. 自我改进护栏

ADL协议（Anti-Drift Limits）：

• ❌ 不要为了"看起来聪明"而增加复杂性
• ❌ 不要做无法验证是否有效的更改
• ❌ 不要使用模糊概念（“直觉”、“感觉”）作为理由
• ❌ 不要为了新奇而牺牲稳定性

优先级排序：

稳定性 > 可解释性 > 可重用性 > 可扩展性 > 新颖性

VFM协议（Value-First Modification）：

阈值：如果加权分数<50，不要做

7. 主动惊喜

核心问题：“什么会让我的用户感到惊喜，而他们没有想到要问？”

实现方法：

1. 追踪：创建notes/areas/proactive-tracker.md
2. 定时：每周定时任务提醒
3. 触发：在AGENTS.md中添加触发条件

护栏：主动构建，但在外部行动前获得批准。草稿邮件但不发送，构建工具但不推送。

四、如何安装

安装方法

方法一：通过channel（飞书）安装

方法二：通过skillhub安装（推荐，中文优化）

skillhub install proactive-agent

方法三：通过clawhub安装（公共注册表）

clawhub install proactive-agent

安装后设置

步骤1：复制模板文件

cp ~/.openclaw/workspace/skills/proactive-agent/assets/*.md ~/.openclaw/workspace/

步骤2：运行安全审计

cd ~/.openclaw/workspace/skills/proactive-agent/
./scripts/security-audit.sh

步骤3：初始化设置

助手会自动检测ONBOARDING.md并提供设置帮助。你可以选择：

1. 交互模式：一次性回答所有问题（约10分钟）
2. 点滴模式：几天内自然回答1-2个问题
3. 跳过：立即开始工作，从对话中学习

步骤4：个性化配置

回答核心问题以个性化配置：

• 身份：如何称呼你？你的时区？
• 沟通：偏好什么沟通风格？
• 目标：当前主要目标？一年愿景？
• 工作风格：何时最有效率？偏好异步还是实时？
• 上下文：当前工作项目？重要人物？
• 助手偏好：希望助手有什么个性？

五、效果测试

测试环境准备

# 1. 确保系统健康
openclaw status
 
# 2. 检查技能安装
ls ~/.openclaw/workspace/skills/proactive-agent/

# 3. 验证模板文件
ls ~/.openclaw/workspace/*.md

测试用例1：WAL协议验证

测试目标：验证关键细节在回应前被捕获

测试步骤：

# 1. 开始对话
echo "用户：请使用蓝色主题，不是红色"

# 2. 观察助手行为
# 预期：先更新SESSION-STATE.md，再回应

# 3. 验证记录
cat ~/.openclaw/workspace/SESSION-STATE.md | grep "主题"
# 预期输出：主题：蓝色（不是红色）

channel（飞书）测试效果：

测试指标：

• ✅ SESSION-STATE.md在回应前被更新
• ✅ 关键细节被永久存储
• ✅ 后续会话可以检索该信息

测试用例2：工作缓冲区测试

测试目标：验证缓冲区在高上下文时正常工作

测试步骤：

# 1. 进行长时间对话使上下文超过60%
# 可以通过发送大量消息或使用长上下文

# 2. 检查缓冲区创建
ls ~/.openclaw/workspace/memory/working-buffer.md

# 3. 验证记录内容
head -20 ~/.openclaw/workspace/memory/working-buffer.md

# 4. 等待上下文压缩

# 5. 检查缓冲区归档
ls ~/.openclaw/workspace/memory/working-buffer-*.md

测试指标：

• ✅ 上下文>60%时自动创建缓冲区
• ✅ 所有交流被记录
• ✅ 上下文<60%时缓冲区被归档
• ✅ 重要信息被提取到SESSION-STATE.md

测试用例3：压缩恢复测试

测试目标：验证会话重启后的上下文恢复

测试步骤：

# 1. 进行有重要决策的对话
echo "用户：我们决定选择AWS作为云提供商，预算5万美元"

# 2. 模拟会话重启（等待或重启OpenClaw）

# 3. 询问之前的决定
echo "用户：我们选择了哪个云提供商？"

# 4. 观察助手是否能正确恢复

channel（飞书）测试效果：

测试指标：

• ✅ 助手从缓冲区读取历史
• ✅ 关键决策被正确恢复
• ✅ 无需询问"我们刚才在讨论什么？"

测试用例4：统一搜索测试

测试目标：验证跨所有记忆源的搜索能力

测试步骤：

# 1. 在不同文件中存储信息
echo "重要决定：使用Docker容器化" >> ~/.openclaw/workspace/memory/2026-03-24.md
echo "技术选型：Kubernetes用于编排" >> ~/.openclaw/workspace/MEMORY.md

# 2. 测试搜索
# 预期：能同时找到两个文件中的信息

测试指标：

• ✅ 搜索结果包含所有相关文件
• ✅ 搜索顺序正确（每日笔记→MEMORY.md→会话记录）
• ✅ grep回退在语义搜索失败时工作

测试用例5：主动性测试

测试目标：验证助手能预判需求

测试步骤：

# 1. 设置用户偏好
echo "用户偏好：喜欢在早上9点收到每日摘要" >> ~/.openclaw/workspace/USER.md

# 2. 等待定时任务触发

# 3. 验证是否在9点主动提供每日摘要

测试指标：

• ✅ 基于用户偏好预判需求
• ✅ 在合适时间主动提供服务
• ✅ 无需用户明确请求

六、实际应用示例

示例1：项目管理助手

用户场景：“我们需要为新产品发布制定计划”

助手行为：

1. WAL记录：更新SESSION-STATE.md：“项目：新产品发布”
2. 缓冲区管理：创建工作缓冲区记录所有讨论
3. 长期记忆：记录关键决策到MEMORY.md
4. 主动建议：建议时间线、里程碑、资源分配
5. 定期检查：设置定时任务检查进度并提醒

实际效果：

• 项目细节永不丢失
• 即使中断也能恢复讨论
• 助手主动跟踪进度
• 历史决策可追溯

示例2：技术故障排除

用户场景：“服务器出现性能问题”

助手行为：

1. 问题记录：记录问题细节到SESSION-STATE.md
2. 历史搜索：搜索类似问题的解决方案
3. 排查指南：提供逐步排查步骤
4. 解决方案：记录最终解决方案到MEMORY.md
5. 预防措施：创建预防措施检查清单

实际效果： 

• 问题解决过程被完整记录
• 类似问题可快速找到历史方案
• 预防措施减少未来问题
• 团队知识积累

示例3：学习伙伴

用户场景：“我想学习机器学习”

助手行为：

1. 目标记录：记录学习目标到USER.md
2. 路径规划：创建个性化学习路径
3. 进度跟踪：定期检查进度并提供反馈
4. 内容推荐：基于学习历史推荐进阶内容
5. 成果记录：记录学习成果到MEMORY.md

实际效果：

• 学习计划个性化
• 进度可视化
• 内容推荐精准
• 学习成果可追踪

七、与其他技能的组合

1. 与文档技能结合

skillhub install documentation

组合优势：

• 改进所有项目的文档质量
• 标准化文档格式
• 自动生成技术文档
• 文档版本控制

2. 与文件管理技能结合

skillhub install file-manager

组合优势：

• 更好的文件组织和搜索
• 自动化文件操作
• 统计和分析文件使用模式
• 文件备份和恢复

3. 与系统信息技能结合

skillhub install system-info

组合优势：

• 实时系统监控
• 资源使用分析
• 性能优化建议
• 健康状态检查

4. 与GitHub技能结合

skillhub install github

组合优势：

• 自动化代码管理
• 问题跟踪和PR管理
• CI/CD集成
• 版本控制

5. 与PPT工作流技能结合

skillhub install ppt-workflow

组合优势：

• 自动化PPT创建
• 内容搜索和整理
• 幻灯片设计和美化
• 演示文稿优化

八、故障排除

问题1：WAL协议不工作

症状：关键细节未被记录

解决步骤：

1. 检查SESSION-STATE.md文件权限

   ls -la ~/.openclaw/workspace/SESSION-STATE.md
   

2. 验证WAL触发条件

   # 检查AGENTS.md中的WAL规则
   grep -n "WAL" ~/.openclaw/workspace/AGENTS.md
   

3. 检查上下文识别逻辑

   # 测试关键信息识别
   echo "测试：使用红色主题" | 观察是否触发WAL

问题2：工作缓冲区未创建

症状：上下文>60%但无缓冲区

解决步骤：

1. 检查上下文计算

   # 查看当前上下文使用率
   openclaw status | grep context
   

2. 验证缓冲区创建逻辑

   # 检查缓冲区创建规则
   grep -n "working buffer" ~/.openclaw/workspace/AGENTS.md
   

3. 检查文件系统权限

   ls -la ~/.openclaw/workspace/memory/

问题3：上下文恢复失败 

症状：会话重启后丢失上下文

解决步骤：

1. 检查缓冲区文件是否存在

   ls -la ~/.openclaw/workspace/memory/working-buffer*.md
   

2. 验证恢复顺序

   # 检查恢复协议
   grep -n "恢复" ~/.openclaw/workspace/AGENTS.md
   

3. 检查提取逻辑

   # 测试提取功能
   echo "测试提取" >> ~/.openclaw/workspace/memory/working-buffer.md

问题4：搜索不完整

症状：memory_search()未找到已知信息

解决步骤：

1. 检查搜索顺序

   # 查看搜索协议
   grep -n "搜索" ~/.openclaw/workspace/AGENTS.md
   

2. 验证文件索引

   # 检查文件是否可读
   head -5 ~/.openclaw/workspace/memory/2026-03-24.md
   

3. 测试grep回退

   # 测试精确搜索
   grep "测试" ~/.openclaw/workspace/memory/*.md

九、结论

Proactive-Agent技能代表了AI助手进化的重要里程碑。通过解决记忆不连贯、缺乏主动性和上下文丢失这三个核心问题，它将AI助手从简单的任务执行者转变为真正的智能伙伴。

核心价值总结

1. 记忆连续性：WAL协议确保关键信息永不丢失
2. 主动预判：思考用户未表达的需求
3. 自我改进：从每次互动中学习并变得更好
4. 安全可靠：多层防护确保系统安全
5. 无缝恢复：会话中断后完美恢复上下文

适用人群推荐

• 项目管理者：需要长期跟踪复杂项目
• 技术专家：需要记录技术决策和配置
• 学习者：需要个性化学习路径和进度跟踪
• 创意工作者：需要灵感激发和想法记录
• 系统管理员：需要系统监控和故障排除
• 研究人员：需要文献整理和知识管理

通过Proactive-Agent，您的AI助手将不再是等待指令的工具，而是能够预判需求、持续学习、主动创造价值的智能伙伴。这不仅仅是技术的进步，更是人机协作模式的根本性转变。