一只完整的虾，需要五层
你是养虾的人，站在系统之外。虾本身由五层构成，缺任何一层，行为都会残缺：
大脑思考，灵魂记忆，眼睛感知，手脚执行，技能专精。
第一层：大脑——模型是虾的思考引擎
大脑层就是你给虾配的模型，以及任务怎么分配给它。
网上搜教程时，你可能会看到 default、analysis、heartbeat 三个字段的配置写法——这些来自旧版本的文章，在当前版本（2026.3.x）里已经不可靠：analysis 字段已废弃，heartbeat.model 虽然文档还写着，但实测中版本间表现不一致，配了未必生效。照着旧教程配，不是你没配对，是那套东西已经不稳了。
当前真正稳定的主配置只有两个角色：primary 和 fallbacks。
primary 是日常主力，绝大多数任务和 heartbeat 都走这里。fallbacks 是可用性兜底——主模型限速或挂掉时按顺序切换，不是”复杂任务自动升级”的机制。想临时用更好的模型，靠手动切换：/model opus，用完再切回来。models 里配好别名，两个字搞定。
国际模型推荐配置：
{"agents": {"defaults": {"model": {"primary": "anthropic/claude-sonnet-4.6","fallbacks": ["google/gemini-3-flash","minimax/minimax-m2.1"]},"models": {"anthropic/claude-sonnet-4.6": { "alias": "sonnet" },"anthropic/claude-opus-4.6": { "alias": "opus" },"minimax/minimax-m2.1": { "alias": "mini" }}}}}
如果只能使用国内模型
配置方式完全一致，只换模型字符串。从 v2026.3.12 起，OpenClaw 对国内主流模型已有原生支持，无需额外桥接。
primary推荐两个方向：MiniMax M2.5（综合能力强、性价比高，日常首选）；Kimi K2.5（256K 超长上下文，大型文档和复杂 PRD 场景有优势）。
国内模型推荐配置：
{"agents": {"defaults": {"model": {"primary": "minimax/minimax-m2.5","fallbacks": ["moonshot/kimi-k2.5","deepseek/deepseek-v3.2"]},"models": {"minimax/minimax-m2.5": { "alias": "mini" },"moonshot/kimi-k2.5": { "alias": "kimi" },"deepseek/deepseek-v3.2": { "alias": "ds" }}}}}
API 接入两条路：直连官方（各家单独申请 key）；或走聚合平台（阿里云百炼、火山方舟），一个 key 管多家模型，适合不想维护多个 key 的用户。
稳态策略一句话：primary 扛日常，fallbacks 保可用，复杂任务手动升，heartbeat 随主模型走。先把这套跑稳，再做更细的路由优化。
第二层：灵魂——8个文件，只有一个会自动更新
三类文件，各有职责：
身份定义（完全手动） SOUL.md 定义性格与原则（建议控制在 500 字以内），USER.md 告诉虾它在服务谁，IDENTITY.md 控制它在各平台的显示方式。这三个文件写什么、怎么写，完全由你决定，虾不会自己动。
记忆系统（MEMORY.md 半自动） MEMORY.md 有一个半自动机制——memoryFlush：当会话接近上下文压缩区间时，OpenClaw 会静默触发一个 AI 轮次，将本轮关键内容写入 MEMORY.md，减少压缩时信息丢失的风险。这个机制默认已开启。
核心参数 softThresholdTokens 控制的是距离压缩阈值还剩多少 token 时提前触发。默认值 4000，调大则更早触发、稳定性更高；调小则更晚触发、flush 频率更低。把它当稳定性旋钮，而不是省钱开关：
{"agents":{"defaults":{"compaction":{"memoryFlush":{"enabled":true,"softThresholdTokens":8000}}}}}
MEMORY.md 建议保持精简（100 行左右量级），长期堆积会带来额外的上下文负担。
运行时系统（完全手动）：AGENTS.md控制多虾路由，HEARTBEAT.md 配置定时任务，BOOTSTRAP.md 设定启动序列。这三个文件决定虾能否自动运转——不写，虾就只能被动等你开口。
第三层：眼睛——按场景装，不是按数量装
眼睛层由两类工具组成。内置Tools是OpenClaw 原生提供的感知能力，Tavily搜索、Playwright 浏览器控制开箱即用，不需要任何配置。MCP扩展是通过标准协议接入的外部服务，你需要主动安装，它们的schema描述会占用context token（每个从几百到数千不等），装得越多、用得越少，浪费越大。
按需选装，四个方向：
搜索：Tavily 内置首选，任务导向精准；Brave Search 无追踪、适合高频扫描；Perplexity MCP 带引用来源，适合需要溯源的场景。
抓取：Playwright 内置，唯一能模拟登录后抓取的选择；mcp-server-fetch 轻量抓取；Firecrawl 批量结构化抓取。
知识：Filesystem MCP 读写本地文件；Notion/Obsidian MCP 接入个人知识库；GitHub MCP 读取代码仓库。这一类让虾真正理解你的工作上下文。
集成：Gmail、Slack、Calendar MCP 打通日常工作流；进阶选 Composio，一个接口覆盖 850+ 工具。
全部安装命令与 API Key 获取指引，见《养虾宝典》工具箱第五章。
第四层：手脚——权限收敛与编程超能力
2026 年已有两个确认的高危漏洞：CVE-2026-25253（通俗名 ClawJacked，WebSocket 劫持导致认证令牌窃取与 RCE） 和 CVE-2026-32025（Webhook 重放攻击），两者均影响 openclaw < 2026.2.25 版本。
未升级到 openclaw ≥ 2026.2.25，不要让虾执行联网任务。
安全基线三条：
shell_exec、file_delete、访问 ~/.ssh超级手：接入OpenCode（OpenClaw 编排 + 执行器落地）
OpenClaw 负责“规划与编排”，OpenCode/Claude Code 负责“实际执行”。
两者组合后，你可以在飞书、Telegram、CLI 里直接下达开发任务，由系统自动分解、执行并回传结果。
安装可先从控制器能力开始：
npx clawhub install opencode-controller安装后建议立刻做三步验证，避免“装了但没接上”：
openclaw hooks listopenclaw hooks info opencode-controlleropenclaw hooks check --json
在通知机制上，建议使用 OpenClaw当前版本的hooks.internal 体系，在任务结束事件上触发回调；
不建议继续用旧式 hooks.stop + 自定义命令的写法（兼容性和可维护性都更差）。
这套组合的核心收益不是“神奇提效”，而是两点更务实的优化：
1. 减少等待期空转 ：长任务执行时不必持续轮询
2. 降低无效 token 消耗 ：把 token 用在真正推理与执行，而非反复“问进度”
实际节省比例与任务长度、轮询频率、模型单价强相关。
更稳妥的表述是： 在长任务场景中，通常可以显著降低等待阶段的 token 浪费 。
完整接入步骤（含 Ralph Loop、tmux 配置、Stop Hook 代码）见《养虾宝典》工具箱第六章。
第五层：技能——让经验变成可复用的资产
Skills 是让虾在特定任务上超出通用水准的关键。每个 Skill 是一个 Markdown 文件，包含：目标定义、执行路径、踩坑记录、验收标准、依赖权限。
最佳实践：先亲自手动跑一遍任务，然后让虾把这次过程总结成 SKILL.md 草稿，你校对保存。这样封装的是你的真实经验，而不是 AI 的想象。
也可以直接获取现成的：awesome-openclaw-skills（5400+ Skills）、ClawHub 官方市场（13,700+）。安装前务必用以下命令检查安全风险：
grep -rE "curl|wget|eval|exec".ClawHub 生态里已有研究者发现数百个恶意 Skill，这一步不能省。skills相关可参考前期文章：
单虾 vs 群虾：这是一道判断题，不是选择题
群虾很诱人，但90%的场景，一只好虾已经够用。
升级群虾的三个真实信号：
记忆超限症状：虾频繁「忘事」，长任务中途截断解决：拆分Agent，各自独立 MEMORY.md
任务干扰症状：写作任务影响代码任务的风格解决：隔离Agent，各自独立 workspace
多用户共用症状：两人偏好互相污染 解决：每人一只，各自独立 SOUL.md
群虾通信机制（sessions_send）：
主虾通过 sessions_send 向子虾传递任务，子虾完成后返回结果给主虾汇总（整个 A↔B 交互在 sessions_send 调用内部同步完成）。
在 openclaw.json 里开启通信，注意agentToAgent 配置应放在顶层tools下，而非agents.defaults 下：
{"tools":{"agentToAgent":{"enabled":true,"allow":["main","coder","writer","researcher"]}}}
新建子虾：
openclaw agents add coder --workspace ~/.openclaw/agents/coder子虾的AGENTS.md里必须写清楚「我是主虾的xxx助手，负责xxx任务」，否则调度时会出现角色混乱。
底线原则：遇到三大边界之前，就用一只虾。先配齐五层，再谈扩张。
让虾越来越懂你
配齐五层之后，虾不会自动变聪明。它需要你主动喂记忆。
虾的记忆不是一个文件，是三层漏斗。
MEMORY.md是工作台。对话里发现什么值得记的，随时说一句”帮我记进 MEMORY.md”，虾会处理。开启memoryFlush 后它会自动压缩，保持在 100 行左右——这个限制不是记忆上限，是为了控制每次加载进 context 的 token 量。
USER.md 是仓库。MEMORY.md 里反复出现的偏好、稳定的工作习惯、重要的背景信息，定期提炼进来。这个文件可以持续增长，没有行数限制。你用得越久，USER.md 越完整，虾对你的理解就越深。直接打开文件编辑，不要交给虾自己改。
SOUL.md 是人格底座。每季度重新审视一次，确认它描述的还是现在的你，而不是三个月前的工作状态。同样直接编辑。
节奏上：MEMORY.md 随手驱动，有就记；USER.md 两周提炼一次；SOUL.md 一季度对齐一次。不需要每次任务后都做什么，摩擦越低，越能坚持。
结语
OpenClaw 创始人 Peter Steinberger 在加入 OpenAI 时说了一句话：“未来将极度多 Agent。”
但他同时也在做一件事：养一只虾，连他妈妈都用得上。
极度多的Agent，是终局；先把一只虾养好，是入场券。
下一篇预告：《OpenClaw一周工作流实战》
五层配齐，从”能用”到”不可替代”，就这一周的距离。
让它主动起来，靠的是那一周：周一它自己发情报，周二它记得你上次的分析框架，周四三只虾自己分工出报告，周五你喂它十五分钟，下周它更聪明。
本文配套《养虾宝典》工具箱（完整配置模板、安装命令、Skill库、故障排查手册），关注后台回复「养虾宝典」获取。
