OpenClaw 生产级结构化提示技巧

weixin_45214310

322人浏览 · 2026-03-24 14:58:27

weixin_45214310 · 2026-03-24 14:58:27 发布

将信息整理为大模型易理解的结构化格式，核心遵循 「标准化框架 + 适配模型认知 + 精简核心信息」 三大原则，同时需匹配模型的输入习惯、格式要求和理解逻辑，以下是具体可落地的方法，既包含通用方法论，也融入 OpenClaw 的生产级实现技巧。

一、先明确核心原则：让模型 “一眼看懂”

结构化优先，避免无序列表 / 大段纯文本：模型对层级清晰、标签明确、字段固定的信息接受度最高，拒绝杂乱的大段描述；
信息去冗余，只保留核心要素：剔除无关修饰、重复内容，按 “重要性排序” 呈现信息，符合模型的注意力分配逻辑；
适配模型格式要求：不同模型（Anthropic/Claude、OpenAI/GPT、Google/Gemini）有专属格式禁忌，需提前适配；
字段语义明确，不使用模糊表述：每个模块 / 字段的命名、含义固定，让模型无需额外推理即可识别信息用途。

二、通用结构化格式：模型最易理解的 6 类模板

OpenClaw 在构建系统提示词、组装上下文时，核心使用这类格式，覆盖 90% 的信息整理场景，按使用优先级排序：
1. 分段式标题目录（核心用于系统提示词 / 背景信息）
按 「一级标题 + 二级标题 + 核心内容」 分层，每个标题明确模块功能，内容简洁成句，是模型最易解析的基础格式，也是 OpenClaw 构建系统提示词的核心方式。
示例（OpenClaw 系统提示词模板）：
##基础身份
你是运行在OpenClaw中的个人助手，专注于完成用户指定的工程化任务。
##工具使用规则

常规工具（read/write）直接调用，无需向用户解释；
敏感工具（exec/delete）调用前必须先告知用户并确认。
##记忆召回要求
回答历史相关问题时，先调用memory_search工具，再获取相关内容。
2. 键值对 / JSON 格式（核心用于参数 / 属性 / 结构化数据）
适用于整理有固定属性的信息（如工具配置、Skill 元数据、用户偏好），模型可直接提取字段值，便于后续工具调用 / 逻辑推理，OpenClaw 在加载工具、Skills 时大量使用。
示例（工具信息结构化）：
{
“工具名称”: “memory_search”,
“功能描述”: “语义搜索OpenClaw的每日记忆文件”,
“使用场景”: “查询历史对话/项目决策/临时笔记”,
“参数要求”: {“关键词”: “字符串，必填”, “时间范围”: “可选，格式YYYY-MM-DD”}
}
简化版（无 JSON 要求时）：
工具名称：memory_search
功能描述：语义搜索每日记忆文件
使用场景：查询历史项目决策
3. 固定模板化文本（核心用于问题 + 背景的组装）
适用于用户问题 + 检索信息的拼接，是 OpenClaw 上下文工程与提示词工程协作的核心格式，通过占位符 + 固定指令，让模型明确 “该用什么信息、回答什么问题”，避免信息混淆。
示例（OpenClaw 的问答模板）：
根据以下背景资料：
{{context}} // 检索到的RAG内容/记忆片段/工具返回结果
请回答用户问题：
{{query}} // 用户的原始输入
要求：1. 答案基于背景资料，不捏造；2. 简洁成句，分点说明。
4. 列表式（核心用于规则 / 步骤 / 选项）
适用于整理有明确顺序 / 多条并列的信息（如操作步骤、行为规则、可选技能），优先用数字有序列表（有先后），次之用短横线无序列表（无先后），每一条只讲一个核心点，避免长句。
示例（OpenClaw 的压缩执行步骤）：
计算当前上下文的 Token 总用量，优先使用模型返回的实时数据；
设定压缩目标，默认将 Token 压至预算的 80%；
提取早期消息，调用大模型生成关键摘要；
用摘要替换原始消息，保留最近的未压缩对话；
原子替换会话历史，防止原始文件损坏。
5. 标签包裹式（核心用于区分不同类型信息）
适用于需要明确区分信息类别的场景（如可用 Skills、会话历史、思考过程），通过专属标签将同类信息包裹，让模型快速识别信息边界，OpenClaw 在加载 Skills 时核心使用该格式。
示例（OpenClaw 的 Skills 结构化）：
<available_skills>

commit
~/.openclaw/skills/commit/SKILL.md
按项目规范创建git提交

review-pr
~/.openclaw/skills/review-pr/SKILL.md
审核并合并带质量检查的PR

</available_skills>
6. 摘要式（核心用于压缩历史消息 / 长文本）
适用于大段原始信息的精简（如会话历史、文档内容），是 OpenClaw 上下文压缩的核心格式，通过提取关键要素（谁 / 做了什么 / 决策是什么 / 结果如何），将长文本浓缩为短摘要，保留核心信息但大幅减少 Token。
示例（对话历史的摘要化）：
原始对话：用户让 Agent 创建一个 Python 项目，Agent 先调用 mkdir 创建文件夹，再调用 write 创建 main.py，用户要求添加注释，Agent 修改了 main.py 并保存。
结构化摘要：2026-03-23，用户要求创建 Python 项目，Agent 执行 mkdir 创建项目文件夹、write 创建 main.py；后续按用户要求为 main.py 添加注释并保存。

三、OpenClaw 的生产级技巧：让结构化更适配工程化场景

以上通用格式可直接使用，而 OpenClaw 为了保证系统稳定性、Token 可控性、模型兼容性，还做了这些细节优化，可直接借鉴：

按信息用途 “分块结构化”，不混合不同类型信息
将上下文按 「系统提示词 + 工具列表 + Skills + 记忆内容 + 历史对话 + 用户输入」 分块，每块使用独立的结构化格式，块与块之间用标题分隔，让模型按 “模块” 读取信息，避免信息交叉干扰（如工具列表用键值对，Skills 用标签包裹式）。
对大文件 / 长信息 “分片结构化 + 截断保护”
若单条信息过长（如 Bootstrap 文件、大文档），先按固定长度（如 400Token）分片，每片独立结构化，同时设置字符 / Token 上限，超出部分自动截断并标注「内容已截断，核心信息已保留」，避免模型因信息过长注意力分散。
针对不同模型做 “格式兼容化处理”
不同模型有格式禁忌，需提前做清理，否则模型会拒绝响应，OpenClaw 的会话清理器做了这些核心适配：
对 Google/Gemini：拒绝以 assistant 消息开头的对话，自动添加引导性用户消息；移除工具参数中不支持的 JSON Schema 关键字（patternProperties/$ref 等）；
对 Anthropic/Claude：替换消息中的 “魔法字符串”（模型敏感字符）；要求对话必须以 user 消息开头，严格交替 user-assistant 轮次；
对 OpenAI：将推理块（）降级为普通文本，适配 Responses API 格式。
为结构化信息添加 “使用指令”，引导模型解读
在结构化信息前添加简短的引导指令，明确告诉模型 “该如何使用这些信息”，避免模型忽略或错误解析，这是 OpenClaw 的核心设计思路之一。
示例（Skills 的引导指令）：
请先扫描以下可用Skills的描述：
<available_skills>…</available_skills>
规则：若有且仅有一个Skill适配当前任务，调用read工具读取其SKILL.md并按要求执行；若无适配Skill，直接处理用户问题。

四、避坑指南：模型难以理解的 “伪结构化” 行为

避免大段文本中插入零散列表：如在百字纯文本中突然插入 1-2 条分点，模型易混淆信息层级；
避免使用模糊的层级标签：如用 “【备注】”“【注意】” 等无固定含义的标签，替代标准化的标题 / 标签；
避免字段值过长 / 多义：键值对 / JSON 中，每个字段值控制在 1-2 句话，不出现大段描述，字段名不使用缩写（如用 “功能描述” 而非 “功能”）；
避免混合多种格式：如在 JSON 中插入无序列表，在标签包裹式中插入大段纯文本，模型易解析失败。

五、落地步骤：快速将任意信息整理为模型易理解的格式

拆解信息：将原始信息按「核心主题 + 子模块 + 关键要素」拆解，剔除冗余内容；
匹配格式：根据信息类型（背景 / 规则 / 参数 / 问答）选择上述 6 类通用格式；
结构化编写：按选定格式整理信息，保证层级清晰、字段明确、语言简洁；
添加引导指令：在信息前添加 1-2 句使用规则，告诉模型该如何解读；
格式兼容检查：根据目标模型，清理格式禁忌，做适配化处理；
Token 校验：控制结构化后信息的 Token 数量，避免超出预算，过长则做分片 / 摘要处理。

综上，模型对结构化格式的 “理解能力”，本质是对 「固定框架 + 明确语义 + 精简信息」 的识别能力，无需追求复杂格式，核心是让信息 “分类清晰、要素明确、符合模型输入习惯”，而 OpenClaw 的实践则让这种结构化更适配工程化的稳定、可控、可扩展需求。