OpenClaw 工作空间

问题：工作空间文件不是普通配置，而是 Agent 的记忆体

在 OpenClaw 这类 Agent 框架里，工作空间文件承担的角色远比“项目配置文件”复杂。它们会被注入系统提示词，在每一轮对话（或相关轮次）中提供给模型，决定 Agent 的身份设定、行为规则、环境知识与长期记忆。换句话说，这些文件就是 Agent 的“灵魂与记忆”。

这带来了三个具体的工程问题：

• Token 浪费：文件越大，每轮注入的成本越高。一个本该简洁的指令文件如果塞满历史记录，等于每轮都在烧钱。
• 行为混淆：多个文件之间内容重叠或互相矛盾时，模型会收到互相冲突的指令，表现为行为不稳定、规则执行不一致。
• 过期污染：过时的环境知识或记忆没有及时清理，会直接导致 Agent 基于错误前提做决策。

技能如何工作：围绕 Token 预算做文件治理

该技能的核心思路是把工作空间文件当作一个需要持续维护的有状态资源，而不是一次性写完就不管的静态文件。其能力围绕几个关键维度展开：

• 文件清单管理：技能维护一份结构化的文件清单，记录每个文件的用途（purpose）、加载时机（loaded when）、以及是否被子 Agent 使用（sub-agents）。这使得 Agent 可以按角色和场景精准加载文件，而不是全部塞进去。
• Token 预算硬约束：单个文件上限约 20,000 字符，所有 bootstrap 文件总计约 150,000 字符。这个预算不是建议，而是设计层面的硬限制——超过预算意味着注入成本失控，需要在文件拆分或内容精简上做决策。
• 按场景加载：不是所有文件都在每一轮注入。技能根据当前对话的相关性决定哪些文件进入系统提示，避免无关内容占用上下文窗口。
• 子 Agent 隔离：文件清单中标记了哪些文件被子 Agent 使用，保证主 Agent 与子 Agent 之间的记忆边界清晰，不会互相污染。

适用边界与注意点

这个技能适合需要精细控制 Agent 行为一致性的场景，尤其是多角色、多步骤、长周期的任务。但有几点需要留意：

• 它管的是文件，不是运行时逻辑。技能本身不改变 Agent 的推理过程，它通过优化输入内容来间接影响输出质量。如果你的问题是模型能力不足，这个技能帮不上忙。
• 预算管理是取舍。150,000 字符的总预算意味着必须在信息完整性和注入成本之间做权衡。某些场景下你可能需要在“更详细的规则”和“更低的每轮开销”之间选择后者。
• 文件内容质量仍是人的责任。技能提供的是结构和约束，但具体写什么、哪些信息该留、哪些该删，仍然需要开发者根据实际任务判断。