OpenClaw 2026：龙虾智能体的最新进展与生态

┌─────────────────────────────────────────────┐
│              交互层 (Channel)                │
│   WebChat / Discord / WeChat / API          │
├─────────────────────────────────────────────┤
│              认知层 (Cognitive)              │
│   LLM推理 / 意图识别 / 任务规划 / 决策       │
├─────────────────────────────────────────────┤
│              能力层 (Skills)                 │
│   内置技能 / 社区技能 / 自定义技能 / MCP     │
├─────────────────────────────────────────────┤
│              记忆层 (Memory)                 │
│   短期记忆 / 长期记忆 / 情景记忆 / 语义记忆  │
├─────────────────────────────────────────────┤
│              连接层 (Nodes)                  │
│   本地设备 / 远程服务器 / IoT / 移动设备     │
└─────────────────────────────────────────────┘

my-skill/
├── SKILL.md          # 技能定义文件（必需）
├── assets/           # 静态资源
├── scripts/          # 可执行脚本
├── templates/        # 模板文件
└── references/       # 参考文档

# Market Analysis Skill

## 触发条件
当用户询问股票、基金、市场行情相关问题时触发。

## 能力
- 实时行情查询（通过akshare）
- 技术指标计算（MACD、RSI、KDJ等）
- 基本面数据查询（财报、估值、持仓）
- 市场情绪分析（新闻、社交媒体）

## 工具
- `python scripts/quote.py --symbol {symbol}` 获取实时行情
- `python scripts/indicator.py --symbol {symbol} --type macd` 计算技术指标

## 使用示例
用户：帮我分析一下贵州茅台
Agent：[触发Skill] → 获取行情 → 计算指标 → 生成报告

# 安装社区Skill
openclaw skill install pdf-toolkit
openclaw skill install email-skill

# 从本地zip安装
openclaw skill install /path/to/my-skill-1.0.zip

# 查看已安装Skill
openclaw skill list

# OpenClaw记忆系统概念模型

# 1. 短期记忆（会话级）
# - 当前对话上下文
# - 当前任务状态
# - 最近的工具调用结果
# TTL: 会话结束后清除

# 2. 长期记忆（MEMORY.md）
# - 用户偏好和习惯
# - 重要决策和原因
# - 经验教训
# - 人际关系图谱
# TTL: 永久（用户可编辑）

# 3. 日记记忆（memory/YYYY-MM-DD.md）
# - 每日事件日志
# - 具体对话摘要
# - 任务执行记录
# TTL: 保留90天，之后归档

# 4. 语义记忆（向量检索）
# - 对历史记忆的语义索引
# - 支持语义相似度搜索
# TTL: 与长期记忆同步

用户提问 → 语义搜索memory/ → 匹配MEMORY.md → 结合短期记忆 → 生成回答
                ↓                    ↓
          memory_search工具      直接加载到上下文

用户（通过微信）: "我下班了，回家路上帮我看看家里温度，如果低于22度就开暖气"

OpenClaw处理流程:
1. [认知层] 解析意图：查询温度 + 条件控制暖气
2. [记忆层] 检索：用户的家用Node是"home-pi"
3. [Node层] 调用home-pi的温度传感器
4. [认知层] 判断：当前温度19.5°C < 22°C
5. [Node层] 调用home-pi的智能温控Skill
6. [交互层] 微信回复："家里当前19.5°C，已帮你开启暖气，目标温度22°C"

# 模型路由配置
model_routing:
  default: "gpt-4o"              # 默认模型
  
  rules:
    - condition: "task_complexity == 'simple'"
      model: "gpt-4o-mini"       # 简单任务用小模型
      
    - condition: "task_type == 'code_generation'"
      model: "claude-sonnet-4"   # 代码任务用Claude
      
    - condition: "task_type == 'reasoning'"
      model: "o3"                # 推理任务用o3
      
    - condition: "context_length > 100000"
      model: "gemini-2.5-pro"    # 超长上下文用Gemini
      
  fallback: "gpt-4o"             # 所有规则不匹配时的兜底