你是否感觉别人的OpenClaw总能主动提供想法，而自己的却常常处于“你问我答”的被动模式，难以给出建设性建议？又或者，当对话上下文变得冗长后，OpenClaw似乎遗忘了之前讨论过的许多细节？
这很可能是因为，你的OpenClaw缺少了一个关键的技能模块：proactive-agent。
技能安装方法
安装过程很简单，直接与OpenClaw对话，指示它安装名为 “proactive-agent” 的skill即可。请务必清晰地告诉它完整的技能名称。如果你觉得默认的clawhub源速度较慢，可以尝试切换至skillhub源进行下载。
核心功能特点
安装完成后，你可以让OpenClaw读取该技能的 SKILL.md 文档，它会为你简要介绍。概括来说，这个技能能将你的AI伙伴从一个单纯的任务执行者，转变为一个能够预判需求、持续进化的主动协作伙伴。其主要特点可归纳为以下三点：
1. 主动性
- 需求预判与主动询问：能够根据上下文和你的历史交互，推测你可能需要的帮助，并主动提问。
- 反向提示：会提示那些你可能没有想到或不知如何提问的关键问题。
- 主动提醒：周期性检查记录的重要事项，并在适当时机主动提醒你。
2. 持久性
- WAL（Write-Ahead Logging）协议：在每次回复你之前，会先将任务细节、你的偏好设置等关键信息记录下来。
- 工作区缓冲：当对话上下文长度超过一定阈值时，会将溢出的关键信息存入缓冲区，避免丢失。
3. 持续进化
这一点与之前介绍过的 self-improving-agent 技能理念相似，能够基于交互历史不断学习和优化其行为模式。
工作原理剖析
proactive-agent 本质上是一个基于纯提示词架构的技能。它通过创建并维护两个Markdown文件来实现上述功能：
SESSION-STATE.md：当前活跃工作区的状态文件，是核心所在。working-buffer.md：工作缓冲区文件，用于存储超长的上下文信息。
SESSION-STATE.md 文件的作用类似于数据库系统中的“预写日志（WAL）”。它会从每一次对话的上下文中，提取出以下几类关键信息并记录在该文件中，然后再生成回复给你：
- 记录的任务（例如：“完成OpenClaw系列文章的选题”）
- 你对它的纠正（例如：“不要直接安装skill，必须经过我确认”）
- 共同做出的决策（例如：“优先从skillhub源下载skill”）
- 你的个人偏好（例如：“报告模板请使用简洁风格”）
基于 SESSION-STATE.md 中积累的决策与偏好历史，proactive-agent 便能周期性地发起提醒或开启新话题，主动询问能为你提供哪些服务。
而 working-buffer.md 是一个辅助机制。当对话上下文过长（例如超过模型窗口的60%），额外的、非活跃但可能重要的信息就会被存储到这里。
当你后续与OpenClaw互动，询问“上次我们讨论到哪了？”或“请继续”时，proactive-agent 会：
- 从
working-buffer.md 读取因上下文过长而被挤出的重要信息。
- 从
SESSION-STATE.md 读取当前活跃的任务状态。
然后，它就能准确地告诉你：“我们最后的任务是xxx，是否需要继续？”
限于篇幅，proactive-agent 技能的更多细节和高级用法，建议你安装后与OpenClaw一同探索其完整的 SKILL.md 文档。
如果你希望自己的AI协作伙伴变得更加积极、主动，并且能记住更长时间的对话脉络，那么 proactive-agent 这个技能或许正是你所需要的。在云栈社区的人工智能板块，你也可以找到更多关于如何高效利用AI Agent的讨论与分享。 | 
发表于 5 天前
|
查看: 32|
回复: 0
