OpenClaw 采用事件驱动的多智能体协作机制，子智能体通过 runSubagentAnnounceFlow 自动将执行结果推送给主智能体。核心流程包括：子智能体完成任务后触发通知，主智能体通过内部事件接收结果。系统支持嵌入式 PI 等待、通知重试和幂等性保证，并通过 sessions_spawn 工具创建子智能体。主智能体收到系统提示指导处理完成事件，区分 OpenClaw 子智能体和 ACP

Session（会话）存储：消息历史的持久化与加载Memory（记忆）系统：跨会话知识的存储与检索上下文注入：两部分数据如何拼接到 LLM 请求中组件生命周期注入方式单会话运行时从 .jsonl 加载，注入 messagesMEMORY.md 等 Bootstrap 文件跨会话构建时注入到 System Promptmemory_search 结果按需运行时作为 tool_result 注入Ope

备注：此处的 Compaction 指的是Session Transcript 压缩（生成摘要替换原始消息），而非 Memory Flush。提示词用于指导 LLM 如何生成高质量的会话摘要。源码路径"Merge these partial summaries into a single cohesive summary.", // 将这些部分摘要合并为单个连贯的摘要"",

本文介绍了如何实现具有自主工作能力的Agent系统。核心在于让Agent能够主动寻找任务而无需等待指令，通过任务看板(Tasks)机制实现任务管理。系统包含三个主要组件：1) Tasks任务看板类，提供任务写入、读取、列表查询、认领任务等功能；2) Task任务实体类，记录任务ID、主题、状态、依赖关系等信息；3) 任务工具集，包括TaskCreateTool(创建任务)和TaskUpdateTo

本文介绍了如何通过工具分发机制扩展Agent功能，而无需修改主循环。核心思想是使用Dispatch Map注册工具处理器，通过工具名称映射到对应的执行函数。文章展示了Java实现的关键代码，包括工具处理器注册、工具列表定义、循环体保持不变等要点。重点强调了路径安全沙箱机制(isSafePath)的实现，确保文件操作限制在工作目录内。此外，还详细说明了读取和写入文件工具的具体实现，包括路径检查、内容

本文介绍了一种提高AI Agent任务完成率的方法——通过待办事项管理工具实现任务规划。文章指出，在多步任务中，AI模型容易丢失进度，出现重复、跳步或跑偏等问题。解决方案是引入两个关键机制：1)TodoManager状态管理器，让AI自行维护任务状态；2)提醒机制，3轮不更新待办就自动提醒。文章详细展示了Java实现代码，包括TodoManager类、待办事项实体类、工具注册流程和系统提示词设置。

本文提出了一种创新的技能管理机制，通过动态加载专业技能实现AI模型的按需知识注入。核心思想是将技能区分为"KNOWS"和"CAN DO"两个维度，采用工具调用方式实现知识的高效利用。 系统通过SkillLoader组件管理技能仓库，每个技能以SKILL.md文件形式存储，包含YAML元数据和Markdown内容。关键特性包括： 按需加载机制，避免上下文膨胀

任务管理系统实现摘要 本文实现了一个基于文件持久化的任务管理系统，核心功能包括： 任务持久化：将任务数据以JSON格式存储到磁盘，支持会话恢复和跨对话状态保持 依赖管理：通过blockedBy和blocks字段实现任务间依赖关系，支持双向更新 状态管理：提供pending/in_progress/completed三种状态，任务完成时自动清理依赖关系 文件存储：每个任务单独存储为task_id.j

OpenClaw 是一个强大的 AI 智能体框架，提供了完整的系统提示词架构，用于构建可在沙箱环境中运行的 AI 助手。其提示词设计涵盖了工具使用、安全控制、记忆管理、会话管理等多个维度。以下是 OpenClaw 系统提示词构建的核心源码（TypeScript），已添加详细中文注释：完整提示词模板以下是完整的系统提示词模板（英文原版），其中包含占位符标记 ：主提示词（中文版）占位符提示词详解以下是

在 OpenClaw 中，技能（Skill）是一种让 AI 智能体获得特定能力的机制。与传统 MCP 或 Function Calling 的工具注册方式不同，OpenClaw 采用声明式设计——技能不是作为自定义工具注册给大模型，而是通过系统提示词让 AI 主动扫描和选择。OpenClaw 的技能系统采用了独特的声明式设计渐进式披露：系统提示词中只加载技能简介，按需通过 Read 工具读取完整内