为什么你的 AI Agent 越用越蠢？

经过五周的痛苦踩坑和迭代，我们在 OpenClaw 里摸索出了一套堪称"最佳实践"的 Workspace 架构。今天，直接开源给大家抄作业！

先说痛点：你有没有遇到过这种情况——AI Agent 干着干着，突然"失忆"了？它忘了你之前的约定，忘了项目的整体目标，甚至开始做一些和既定方向南辕北辙的事情？

这不是模型的问题，这是工作区架构的问题。

绝大多数人使用 AI Agent 的方式，就像是雇了一个失忆症患者——每次对话都从零开始，没有持久化的上下文，没有结构化的记忆，没有清晰的行动边界。结果就是：Agent 越用越蠢，你越用越崩溃。

工作区结构

OpenClaw 的 Workspace 核心思想是：把 Agent 的"大脑"外化到文件系统里。具体来说，我们设计了以下目录结构：

project-root/
├── AGENTS.md          # 总控台：项目目标、约束、决策日志
├── memory/
│   ├── core.md        # 核心记忆：永久有效的关键信息
│   ├── session.md     # 会话记忆：当前任务的临时上下文
│   └── archive/       # 归档记忆：历史决策与经验教训
├── tasks/
│   ├── current.md     # 当前任务清单
│   └── backlog.md     # 待办事项
└── docs/              # 项目文档

这个结构的关键在于：每次启动 Agent 时，强制它先读取 AGENTS.md。这相当于给失忆症患者一本"日记本"，让它在每次醒来时都能快速恢复上下文。

AGENTS.md：总控台

AGENTS.md 是整个架构的灵魂文件。它不是一个普通的 README，而是一个动态维护的总控台，包含以下核心模块：

# AGENTS.md — OpenClaw 总控台

## 项目目标
[一句话描述：我们在做什么，为什么做]

## 核心约束
- 技术栈：[列出不可更改的技术选型]
- 代码风格：[关键规范]
- 禁止事项：[绝对不能做的事]

## 当前状态
- 阶段：[Alpha / Beta / Production]
- 本周重点：[当前迭代目标]

## 决策日志
| 日期 | 决策 | 原因 | 影响 |
|------|------|------|------|
| ...  | ...  | ...  | ...  |

## Agent 行动指南
1. 每次开始前，先读完本文件
2. 做任何重大决策前，更新决策日志
3. 完成任务后，更新当前状态

实践中，我们发现决策日志是最有价值的部分。当 Agent 在三周后重新接手一个模块时，它能通过决策日志快速理解"为什么当初要这样设计"，而不是凭直觉推翻之前的架构。

记忆分层系统

人类的记忆分为工作记忆、短期记忆和长期记忆。我们的 Agent 记忆系统也遵循同样的分层逻辑：

关键实践：每次会话结束时，让 Agent 自动"蒸馏"会话记忆——把有价值的信息提升到核心记忆，把无用的临时数据清空。这个过程就像人类睡眠时的记忆巩固。

三大坑与防护

在五周的踩坑过程中，我们总结出三个最容易翻车的地方：

坑一：上下文窗口溢出

当项目文档越来越多，Agent 的上下文窗口会被塞满，导致它"看不到"最重要的信息。解决方案：为每个文件设置严格的字数上限（core.md ≤ 500字，session.md ≤ 300字），强制 Agent 精炼而非堆砌。

坑二：记忆污染

Agent 会把错误的信息写入核心记忆，并在后续任务中持续"传播"这个错误。解决方案：核心记忆只能由人类手动修改，Agent 只能写入会话记忆和归档记忆。

坑三：目标漂移

长期项目中，Agent 会逐渐偏离最初的目标，开始"自作主张"地优化它认为重要的东西。解决方案：在 AGENTS.md 的"禁止事项"中明确列出"不得在未获授权的情况下修改核心架构"。

效能技巧

除了架构层面的设计，以下几个操作技巧能显著提升 Agent 的稳定性：

• 启动咒语：每次对话开头加一句"请先阅读 AGENTS.md，然后告诉我你理解的当前项目状态"，强制 Agent 进行上下文同步。
• 检查点提交：每完成一个子任务，让 Agent 更新 session.md 并做一次 git commit，确保进度可追溯。
• 角色分离：用不同的 Agent 实例分别负责"执行"和"审查"，避免单一 Agent 既当运动员又当裁判员。
• 定期归档：每周一次，让 Agent 把 session.md 中有价值的内容归档，并清空会话记忆，保持工作区整洁。

总结

AI Agent 的"越用越蠢"问题，本质上是上下文管理问题，而不是模型能力问题。通过结构化的 Workspace 架构，我们可以把 Agent 的"大脑"外化到文件系统，让它在每次会话中都能快速恢复上下文，保持目标一致性。

OpenClaw 的这套架构已经在我们的内部项目中稳定运行了五周，Agent 的"失忆"频率从每天数次降低到几乎为零。我们相信，这套方法论对大多数 AI Agent 项目都有参考价值。

工具的价值不在于它有多聪明，而在于你能把它用得多稳定。一个架构良好的"笨"Agent，远比一个架构混乱的"聪明"Agent 更有生产力。

完整的 Workspace 模板已开源，欢迎 Fork 和 Star。如果你在使用过程中遇到问题，或者有更好的实践方案，欢迎在评论区交流。