企业官网建设流程全解析

做 AI 助手这件事，做到后面你会发现一个特别有意思的分水岭：大多数助手是“你问它答”，你不开口它就安安静静待着；但真正好用的助手，是你不问它也知道该替你干什么。OpenClaw 系列写到第四篇，今天不谈基础对话，也不谈多轮任务编排，专门拆一个让我觉得“这就是智能体该有的样子”的能力——Proactive Agent。简单说，就是给 OpenClaw 装上“眼里有活”的技能，让它主动盯进度、主动报风险、主动把杂事给你办了。

这篇内容主要围绕 Proactive Agent 技能的设计思路、触发机制、实操落地和踩坑经验展开，适合已经在用 OpenClaw 做自动化、或者正在做智能体开发的朋友。如果你还不太清楚技能包怎么组织，也没关系，我会把关键结构拆开讲，尽量让有基础的人能直接照着改，让刚入门的人也能看懂它在解决什么问题。

1. 为什么你需要一个“眼里有活”的智能体

1.1 被动响应的天花板：用户永远不知道能问什么

传统的助手模式是“请求-响应”，你输入一个指令，它执行完返回结果。这种模式最大的问题不在于执行能力，而在于问题本身需要用户自己发现。比如你手上有五个项目在跑，每个项目有三四个人在推进，你其实并不知道昨天哪个环节卡住了、哪个人的待办已经超期两天、哪份文档需要你拍板。这些问题不是“你没想起来问”，而是你根本没有一个完整的视图知道“该问什么”。

我做过一个小测试：让 OpenClaw 集成项目群聊、任务看板和邮件，然后什么都不做，记录一周内每天的信息增量。结果是，真正重要的风险信号，往往隐藏在零散的聊天消息里，而不是结构化任务状态里。你如果不去主动翻，它就永远躺在那里。被动响应模式下，助手就像一本字典，只有你翻开它才有意义；而一个“眼里有活”的助手，是一张会自己标注重点的地图。

1.2 Proactive Agent 带来的实际价值

Proactive Agent 的核心变化是把“用户找任务”变成“任务找用户”。它的价值不是省掉你输入指令的时间，而是减少你感知信息的时间。当你不需要每天花半小时去各个后台翻状态、对进度、找异常的时候，这部分时间就变成了纯利润。

用个生活化类比：普通助手是“你让我去洗碗，我就去洗碗”，Proactive Agent 是“我观察到水池里的碗已经堆了两顿，而且明天你要请客，所以我提前洗了，并且告诉你洗洁精快没了”。后者需要的不是更强大的对话能力，而是一套“观察-判断-行动”的机制。OpenClaw 里做这件事的单位就是技能，而 Proactive Agent 就是带主动触发能力的技能集合。

我也要强调一个边界：眼里有活不等于事事插手。好的主动技能是有克制力的，它知道什么时候该说话、什么时候该闭嘴、什么时候该直接干活、什么时候只提醒。这个度，就是整个设计的难点和乐趣所在。

2. Proactive Agent 技能的核心设计思路

2.1 把“主动”拆成四个可实现的环节

我刚开始做的时候，想得特别复杂，又是意图预测又是强化学习。后来落地时发现，真正实用的主动技能只需要四个环节：感知、判断、行动、反馈。

感知是数据来源，OpenClaw 需要能访问你的待办清单、日历、聊天记录、邮件、代码仓库事件等。判断是决策层，决定“当前这个状态值不值得触发动作”。行动是调用具体工具，比如发消息、创建任务、生成摘要。反馈是记录“我做了什么、为什么做”，一方面让用户能追溯，另一方面让技能自己不断校准。

这四个环节缺一不可。很多人做主动技能只做前两个，结果就是机器人老给你推送“检测到你有未读消息”，这不算眼里有活，这是骚扰。真正好的主动技能要在判断里加入“重要性”和“时效性”两个维度，把感知到的信息过滤到值得打扰用户的级别，才去行动。

2.2 技能包的结构：一切皆可声明

在 OpenClaw 的技能体系里，一个完整的技能包通常包含三部分：技能清单（manifest）、执行逻辑（code）和配置项（config）。主动技能比普通技能多一个部分——触发声明。

我一般会把技能包组织成这样的目录结构：

skills/ proactive-daily-report/ manifest.yaml trigger.yaml actions/ collect_status.py analyze.py config.json prompt_templates/ risk_summary.md

manifest.yaml 声明技能名称、描述、权限范围、依赖的 OpenClaw 接口。trigger.yaml 是主动技能的核心，声明触发方式，可以是定时、事件、状态变化，也可以是组合。actions 里放实际执行逻辑，prompt_templates 放提示词模板。

关键设计原则是：触发逻辑和执行逻辑分离。触发层只负责回答“这个时候该不该醒一下”，执行层才回答“醒了之后干什么”。这样分开以后，调试起来非常舒服，你不用为了测试一条规则而把整个流程都跑一遍。

2.3 触发方式的四种类型

我总结下来，OpenClaw 主动技能触发方式基本可以归为四类：

• 时间触发：固定时刻、间隔时间、cron 表达式。适合做每日汇报、周报聚合。
• 事件触发：监听某个外部事件，比如新任务创建、代码提交、文档被编辑。适合做变更提醒。
• 状态触发：不是某个瞬间发生的事件，而是某个状态持续了一段时间。比如某个任务状态一直是“进行中”超过三天，或者某个文档超过一周没更新。这类触发最需要设计“检查频率”。
• 复合触发：两个以上条件同时满足，或在一定时间窗口内依次满足。比如“某任务即将到期且负责人今天不在”这种。

实际经验里，时间触发最容易做，但效果也最容易变成噪音。事件触发要小心重复触发，状态触发要处理“状态恢复”的情况，否则它检测到一次风险会一直重复报警。复合触发最接近真实场景，但调试复杂度也最高。

3. 实操：做一个主动盯项目进度的小技能

3.1 先定一个具体到能落地的场景

我拿自己一个模拟项目“某跨平台系统开发”来举例。这个项目的特点是：进度信息分散在三个渠道——群聊里的随口汇报、任务看板上的状态流转、邮件里的文档评审意见。以前每天要人工汇总一次，效率很低，而且经常漏掉“某人昨天说了今天有阻塞，但今天还没处理”这种需要跟踪的信息。

于是我给 OpenClaw 设计了一个主动技能，目标很简单：每天早上十点，自动汇总昨日项目进展，识别未闭环的风险和超期未动的任务，把结果整理成一份简报，推到项目管理群，并给对应责任人发一条私信提醒。这个场景看起来很常规，但真正做起来，难点全在“判断”这个环节。

3.2 编写触发配置：别一上来就搞复杂

第一步我只是做了一个时间触发，每天早上十点执行一次。trigger.yaml 大概长这样：

name: daily_project_briefing trigger: type: cron expression: "0 10 * * *" timezone: "Asia/Shanghai"

为什么要从最简单的时间触发开始？因为事件触发需要依赖外部系统的 webhook 支持，状态触发需要维护状态快照，复杂度高。先跑通一条完整链路，再逐步加条件，这样你才能分清楚到底是采集逻辑出了问题，还是判断逻辑出了问题。

跑了一周以后，我发现纯粹的时间触发有个问题：周末它也跑，而且周一的时候会把周末两天堆积的信息一次性汇总，分析结果不够平滑。于是我在 config.json 里加了一个节假日过滤配置，并调整成工作日的上午十点和下午四点各跑一次。这算是第一个迭代出来的经验。

3.3 实现收集与判断逻辑

采集逻辑本身不复杂，就是调用 OpenClaw 的相关接口，把任务看板数据、群聊最近消息、邮件摘要拉下来，整理成统一的结构。真正的重点是分析逻辑。我试过两种方案：第一种是纯规则，比如“任务超期超过两天就标记为风险”；第二种是大模型判断，给一段上下文让它抽取出风险。

两者结合效果最好。规则负责处理结构化数据，比如任务状态、截止日期、负责人变更；大模型负责处理非结构化文本，比如聊天记录里那句“后端接口可能来不及”到底是什么意思。下面是简化后的判断逻辑：

def analyze(status_data, chat_data, deadline_rule): risks = [] for task in status_data.tasks: overdue = task.due_date < now() stale = task.status == "in_progress" and (now() - task.updated_at).days > 3 if overdue or stale: risks.append({ "task": task.title, "reason": "overdue" if overdue else "stale", "owner": task.owner }) # 交给大模型从聊天记录里提取可能的风险信号 chat_risks = llm_extract_risks(chat_data) risks.extend(chat_risks) return dedup_and_sort(risks, priority_rules)

这段代码很粗糙，但足够说明思路：判断逻辑不能全指望大模型，也不能全写死规则。全写死规则会遇到语义理解瓶颈，全交给大模型会遇到稳定性和成本问题。规则兜底，模型补位，是我目前最推荐的做法。

3.4 动作输出与反馈记录

动作部分我做了两级输出：汇总简报发给群，单点提醒发给个人。简报内容包含昨日完成、当前阻塞、未来三天到期任务三个部分。个人提醒只在风险影响到具体责任人时才发，并且每条提醒都带一个“已处理”按钮，点击后 OpenClaw 会把任务标记为已确认。

反馈记录一开始被我省略了，后来才发现特别重要。OpenClaw 里我给每次主动执行都写了一条审计日志，记录触发条件、判断结论、动作列表、用户反馈。有了这些日志，你才能回答一个关键问题：“它到底是在帮你，还是在烦你？”没有反馈闭环的主动技能，就像没有仪表盘的飞机，飞得高但心里没底。

4. 调试主动技能的常见坑与排查思路

4.1 它今天怎么没动静？先查触发状态

主动技能不触发，是最常见的坑，也是最容易排查的。我一般按这个顺序查：先确认技能开关是否打开，再看触发条件配置是否正确，然后查触发记录日志，最后看执行逻辑是否抛了异常。

有次技能突然不跑了，查了半天发现是因为我把 trigger.yaml 里的时区写错了，服务器默认时区变了，十点的 cron 被解释成了凌晨两点。这种低级错误很隐蔽，尤其是你拿着同一份配置在本地没问题、一部署就失效的时候。所以我的建议是：给每个主动技能加一个“上次运行时间”的遥测值，每次触发就更新，没更新就说明触发链路出了问题。

4.2 它怎么老是乱主动？注意抑制机制

另一种极端是触发太频繁，变成了骚扰机器人。我遇到过最典型的情况：状态触发技能检测到“任务超期”状态，然后每隔半小时就复查一次，每次复查都重新发一遍提醒。解决方法是加状态快照和去重机制。OpenClaw 执行前先比对当前状态和上次处理时的状态，如果该风险已经提醒过，并且没有新增变更，就不再重复提醒。

还可以加冷却时间，比如同一个风险源在四小时内最多提醒一次。冷却时间不能太长，太长会漏掉紧急变化；也不能太短，太短就变成轰炸。我调了一个自己项目里的参数：普通风险四小时冷却，高危风险一小时冷却，紧急阻断类事件不冷却但必须经过用户确认才升级。这套分级机制实测下来，既不会漏，也不会烦。

4.3 它判断错了怎么办？把纠错变成反馈

判断错是必然会发生的。OpenClaw 主动技能里我坚持一个原则：每次主动动作都必须带可操作的反馈入口。用户看到一条错误提醒，可以直接标记“这个不需要”或“信息不准确”，这些反馈会进入技能的历史记录，并作为后续判断的参考。

最开始我担心用户懒得点反馈，后来发现只要按钮足够大、成本足够低，大多数人还是愿意点的。有了反馈数据，你就可以做很多优化：比如把误报率高的触发条件调低优先级，把用户总是确认的动作提升为自动执行级别。这个过程不需要复杂算法，简单的统计就够了，但它能让技能越用越贴合你的工作习惯。

5. 进阶：让主动技能有自我优化的能力

5.1 建立一套反馈计算规则

到了这一步，OpenClaw 已经能主动干活了，但还不算“眼里有活”的最高境界。最高境界是它能根据结果调整自己的行为。我在技能配置里加入了一个简单的反馈计分机制：每个动作执行后，如果用户明确反馈“有帮助”或点击了“已处理”，加一分；如果用户忽略或标记“不需要”，减一分。每周做一次汇总，把分数低于阈值的触发条件自动降级或停用。

这个机制不用搞得很复杂，它本质上就是“哪种提醒是有效的”。一旦跑起来，你会发现自己对主动技能的信心会强很多，因为每一次触发都有数据支撑，而不是凭感觉拍脑袋。

5.2 从单技能到多技能协同

单个主动技能的价值是线性的，但多个主动技能一旦产生关联，价值会指数上升。比如我的“项目简报”技能发现某模块连续三天有风险，它会创建一个高优先级任务，这个动作又会触发“待办提醒”技能，在第二天上午给负责人发一条跟进消息。OpenClaw 里技能之间通过事件总线通信，一个技能的输出可以成为另一个技能的触发条件。

这里有个需要注意的地方：技能之间互相触发很容易形成死循环，A 创建任务触发了 B，B 更新状态又触发了 A。我当时加了一个全局的“执行链路深度”限制，单次主动链最多执行三个技能跳转，超过就强制终止并记录异常。这个保护措施非常重要，不做的话，你某天早上醒来可能会发现日志里多了几百条重复动作。

5.3 权限边界与安全审计

主动干活意味着自动化程度高，所以权限边界一定要控制好。我给主动技能设定的安全准则是：只能读默认读的数据，只能写明确授权过的动作。比如项目简报技能可以读取看板数据、可以发群消息，但不能删除任务、不能修改文档、不能自动回复邮件给外部联系人。

每次主动执行都会写入审计日志，包括触发原因、调用链、修改操作、涉及数据范围。这样即使有一天它真的做了奇怪的事，你也能完整回溯。不要觉得这是过度设计，主动技能越强大，越需要有刹车。刹车不是用来天天踩的，而是让你敢把油门踩下去。

最后分享一点我的实际感受

做 Proactive Agent 技能这件事，技术上并不需要什么高深算法，真正花时间的是想清楚“什么时候该主动”。我个人的体会是：一开始铺触发条件，越宽越好？错了，一开始要窄，先做到每周只在最重要的事情上主动一次，跑顺手了再慢慢加。因为你积累的不是触发条件，而是对“它会在什么时候产生信任感”的判断。让 OpenClaw 帮你干活，本质不是让它更聪明，而是让你更愿意把事交给它。这个信任感一旦建立了，后面做再多主动技能都会很顺手。