企业官网建设流程全解析

1. 先搞清楚 self-improving 和 self-improving-agent 到底差在哪

OpenClaw 里的 SKILL 机制允许你把不同能力拆成独立技能包，其中 self-improving 系列负责让 Agent 在跑任务的过程中"记住教训"。但很多人第一次接触时会发现有两个名字很像的技能：self-improving 和 self-improving-agent。它们不是同一个东西的版本号，而是两套设计思路完全不同的实现。

self-improving 是核心版，采用分层存储架构，把记忆分成 HOT、WARM、COLD 三层，HOT 层常驻内存且限制在 100 行以内，冷数据按 30/90 天规则自动归档。它内置了自我反思框架、冲突解决策略和明确的安全边界，适合需要长期记忆管理的场景。self-improving-agent 则是轻量版，把学习记录写进工作区的.learnings/目录，结构扁平，需要手动整理，更适合快速记录错误和修正。

如果你正在搭建一个需要跨会话积累经验的 Agent，选错技能会导致记忆膨胀、检索变慢、甚至把不该记的东西写进持久化文件。这篇内容会给出可复制的config.toml骨架、TaoToken 统一 Key 的接入方式，以及通过日志和行为对比验证 self-improving 是否真正生效的具体操作。

2. 接入前的准备：用 TaoToken 统一管理模型 Key

在配置 SKILL 之前，先把模型调用通道理顺。OpenClaw 的 self-improving 在反思阶段会调用模型做总结和模式识别，如果 Key 管理混乱，排查问题时很难区分是技能没生效还是请求根本没发出去。

TaoToken 的作用是把不同模型的调用统一到一个 API 端点上，你只需要在配置里填一个 Key，就能切换底层模型。对于 self-improving 这种需要频繁做小请求的场景，统一入口能省掉不少切换成本。

具体操作：先到控制台创建一个 API Key，地址是 https://taotoken.net/console 。创建完成后，在接入文档页 https://taotoken.net/doc 可以查到完整的请求格式和可用模型列表。如果你只是想先验证模型通不通，可以直接在模型对话页 https://taotoken.net/model 发一条测试消息，确认返回正常后再写进配置。

API 端点统一使用 https://taotoken.net/api ，不需要额外加参数。Key 建议通过环境变量注入，不要硬编码在config.toml里，后面排障时也方便替换。

3. 可复制的 config.toml 骨架

下面这份配置把 self-improving 核心版作为主技能，同时保留 self-improving-agent 的日志目录作为过渡期的兼容层。你可以直接复制后按自己的路径调整。

# ~/.openclaw/config.toml [model] provider = "taotoken" api_base = "https://taotoken.net/api" api_key_env = "TAOTOKEN_API_KEY" default_model = "claude-sonnet-4-20250514" max_tokens = 4096 timeout_seconds = 60 [workspace] root = "~/.openclaw/workspace" learnings_dir = "~/.openclaw/workspace/.learnings" [skills.self-improving] enabled = true storage_root = "~/self-improving" hot_memory_limit = 100 warm_retention_days = 30 cold_archive_days = 90 auto_promote_threshold = 3 reflection_enabled = true conflict_resolution = "priority" never_store = ["credentials", "health_data", "third_party_info"] [skills.self-improving-agent] enabled = false log_dir = "~/.openclaw/workspace/.learnings" log_format = "structured" priority_levels = ["low", "medium", "high", "critical"] [heartbeat] enabled = true interval_minutes = 30 maintenance_tasks = ["compress_hot", "archive_cold", "dedupe_patterns"]

几个关键参数说明。hot_memory_limit控制常驻内存的行数，超过这个值会触发压缩，建议不要调太高，否则每次请求都要加载大量上下文。auto_promote_threshold设为 3 表示同一个模式出现三次后自动从 WARM 提升到 HOT，这是 self-improving 的核心机制之一。never_store列表是安全边界，明确禁止写入凭证和健康数据，这个不要删。

self-improving-agent这里设为false，但保留了配置段，方便你在迁移期做对比测试。等确认核心版稳定后，可以把整个段删掉。

4. 验证 self-improving 是否真正生效

配置写完不代表技能在跑。你需要通过日志和行为两个维度来确认。

4.1 日志验证

启动 OpenClaw 后，先触发一次需要反思的任务。比如让 Agent 执行一个会失败的命令，然后观察~/self-improving/目录下是否生成了对应文件。

# 查看 self-improving 存储结构 ls -la ~/self-improving/ # 预期输出 # memory.md # HOT 层，常驻 # index.md # 主题索引 # heartbeat-state.md # 心跳状态 # corrections.md # 最近修正记录 # projects/ # 项目级学习点 # domains/ # 领域级学习点 # archive/ # COLD 层归档

如果memory.md不存在或者为空，说明反思流程没有触发。检查config.toml里reflection_enabled是否为true，以及模型请求是否正常返回。

接着看corrections.md的内容格式：

tail -20 ~/self-improving/corrections.md

正常输出应该包含时间戳、任务类型、反思内容和改进建议。如果只有时间戳没有内容，多半是模型返回被截断，检查max_tokens是否够用。

4.2 行为对比验证

日志有了，还要确认 Agent 的行为真的变了。做一组对照实验：

第一轮，让 Agent 执行一个会报错的命令，比如访问一个不存在的文件路径。记录它的反应。

# 第一轮：触发错误 openclaw run "读取 /tmp/nonexistent-config.yaml 并解析"

Agent 会报错，self-improving 会把这次失败写入corrections.md。

第二轮，隔几分钟后执行同类任务，但换一个不存在的路径。

# 第二轮：同类错误，观察是否复用上次的教训 openclaw run "读取 /tmp/another-missing-file.json 并解析"

如果 self-improving 生效，第二轮的错误处理应该更快，或者 Agent 会主动提示"这类路径不存在的情况之前遇到过，建议先检查文件是否存在"。这个行为差异就是 self-improving 在起作用。

你还可以查看heartbeat-state.md确认心跳维护任务是否在跑：

cat ~/self-improving/heartbeat-state.md

里面会记录上次压缩、归档、去重的时间。如果这些时间戳一直不变，说明 heartbeat 没有正确集成，检查config.toml里maintenance_tasks的配置。

5. 本篇常见错误排查

5.1 技能加载了但 memory.md 一直是空的

最常见的原因是storage_root路径没有写权限，或者路径用了相对路径导致解析到了错误位置。把storage_root改成绝对路径再试。另一个可能是reflection_enabled被其他配置覆盖了，用openclaw config show确认最终生效值。

5.2 两个技能同时开启导致日志重复写入

如果你把self-improving和self-improving-agent都设为enabled = true，会出现同一件事被记录两次的情况。核心版写进~/self-improving/，轻量版写进.learnings/，两边内容不一致时排查会很痛苦。建议按第 3 节的配置，只开核心版，轻量版设为false作为过渡。

5.3 模型请求返回 401 或 403

先确认环境变量TAOTOKEN_API_KEY是否在当前 shell 会话中生效。用echo $TAOTOKEN_API_KEY检查，如果为空，说明没有 export 或者写在了错误的 profile 文件里。另外确认api_base写的是https://taotoken.net/api，不要多加路径后缀。如果 Key 本身有问题，到 https://taotoken.net/api-keys 重新生成一个再试。

5.4 HOT 层超过 100 行但没有自动压缩

检查heartbeat段是否启用，以及interval_minutes是否设得太大。压缩动作是在心跳周期里执行的，如果间隔是 30 分钟，那最多要等 30 分钟才会触发。你可以手动跑一次维护任务来验证：

openclaw skill run self-improving --task compress_hot

如果手动执行成功但自动不触发，说明 heartbeat 的调度有问题，检查 OpenClaw 主进程是否在运行。

5.5 反思内容质量差，全是套话

这通常是模型选择的问题。self-improving 的反思质量高度依赖底层模型的总结能力。如果你用的是较小的模型，反思内容容易变成"下次要注意"这种没有信息量的句子。在config.toml里把default_model换成更强的模型，或者在技能级别单独指定模型。TaoToken 的模型列表里可以找到适合做总结的选项，具体在 https://taotoken.net/doc 的模型章节有说明。

6. 长期跑下去，Key 和技能怎么配合

self-improving 的价值在于跨会话积累，这意味着它会持续调用模型做反思、压缩、去重。如果每次请求都走不同的 Key 或者不同的端点，日志会散落在各处，排查成本很高。

把 TaoToken 作为统一入口的好处是，你可以在一个地方看到所有请求的量级和失败率。当 self-improving 的反思请求突然变多或者报错率上升时，能快速定位是技能配置问题还是 Key 额度问题。

如果你打算长期跑编码类 Agent，可以了解一下 Coding Plan 的额度方案，地址是 https://taotoken.net/coding-plan 。它针对高频小请求做了优化，比较适合 self-improving 这种需要频繁做短请求的场景。

配置改完后，建议先跑一周观察~/self-improving/目录的增长速度。如果archive/膨胀太快，说明cold_archive_days设得太短，可以适当调大。如果memory.md频繁触顶，说明auto_promote_threshold太低，把 3 改成 5 能减少误提升。这些参数没有标准答案，按你自己的任务密度来调就行。