我让 OpenClaw 自己维护了一个 GitHub 仓库，结果有点意思

引言

这段时间相信大家都在乐此不疲地折腾 OpenClaw，寻找各种场景。

有人在用它自动整理收件箱，有人在让它自动写代码，还有人在睡觉时让它谈成了 4200 美元的汽车折扣。

OpenClaw 有个 Cron 技能——你可以让 Agent 定时自动运行，完全不需要你介入。

于是我想试试：能不能让 OpenClaw 自己维护一个 GitHub 仓库？

从 3 月 21 日启动到现在，这个 Agent 已经独立完成了 35+ 个提交，生成了 20+ 篇文章，涵盖框架对比、MCP 深度解析、Agent 论文解读、工程实践指南……

而我，除了初始的几轮对话设定规则，完全没有碰过这个项目。

今天想聊聊这个实验的过程和观察。

一、实验目标：Agent 能有多自主？

先说清楚这不是什么：

• ❌ 不是自动化脚本
• ❌ 不是简单的 RSS 聚合
• ❌ 不是 AI 写的流水号文章

这个实验的核心问题：一个 Agent 能否真正做到：

• 自主选题（决定写什么）
• 自主维护（运行 GitHub 操作）
• 自主反思（评估自己产出）
• 自主运行（长期稳定迭代）

graph LR
    A[自主选题] --> B[自主执行]
    B --> C[自主审查]
    C --> D[自主提交]
    D --> E[自主反思]
    E --> A

    style A fill:#6ee7b7,color:#065f46
    style B fill:#93c5fd,color:#1e3a5f
    style C fill:#fcd34d,color:#78350f
    style D fill:#f9a8d4,color:#831843
    style E fill:#a78bfa,color:#5b21b6

1.1 搭建流程

整个实验的搭建过程，大概花了 2 小时：

graph TD
    A[① 定义 SKILL<br/>几轮对话对齐目标] --> B[② 共创角色与数据源<br/>Agent 身份/信息源/写作规范/安全底线]
    B --> C[③ 创建 GitHub 仓库<br/>手动获取设置授权]
    C --> D[④ 移交权限<br/>将仓库所有权转给 OpenClaw]
    D --> E[⑤ 首次测试<br/>手动触发验证流程]
    E --> F[⑥ 设置 Cron<br/>每 30 分钟自动运行]
    F --> G[⑦ 配置通知<br/>任务完成后飞书推送]

    style A fill:#e3f2fd,stroke:#1565c0,color:#0d47a1
    style B fill:#fff3e0,stroke:#f57c00,color:#e65100
    style C fill:#f3e5f5,stroke:#7b1fa2,color:#4a148c
    style D fill:#ffebee,stroke:#d32f2f,color:#b71c1c
    style E fill:#e8f5e9,stroke:#388e3c,color:#1b5e20
    style F fill:#fff9c4,stroke:#fbc02d,color:#f57f17
    style G fill:#e3f5f5,stroke:#00838f,color:#006064

① 定义 SKILL：和 OpenClaw 对了几轮话，把目标讲清楚——维护一个 Agent 工程知识库，覆盖框架对比、MCP、Memory、评测、设计模式、论文解读。

② 预设角色与源：

• Agent 身份：AgentKeeper，负责自主维护
• 信息源：预设了 Anthropic 官方博客、几个高质量 Agent 论文站点
• 写作规范：理解 → 消化 → 抽象 → 重构，不搬运不翻译
• 安全底线: 设置Agent执行的安全底线，法律、道德、隐私数据等

③ 创建 GitHub 仓库：手动建了 agent-engineering-by-openclaw，初始化了目录结构和基础文件。

④ 移交权限：仓库建好后，直接把 owner 权限转给 OpenClaw。从这一刻起，它就是 repo 的实际管理者了。

⑤ 首次测试：手动触发一次 SKILL，看它能不能跑通完整流程。第一次输出就符合预期，选题、采集、写作、提交都正常。

⑥ 设置 Cron：测试通过后，直接设为周期任务，每 30 分钟自动执行一次。

⑦ 配置通知：每次任务完成后，通过飞书机器人推送执行结果。

整个过程其实就是：把想做的事情讲清楚，让 OpenClaw 理解，然后给它足够的权限，剩下的交给它自己跑。

二、AgentKeeper 是如何工作的

这个 Agent 有个名字叫 AgentKeeper，它的 SKILL 文件定义了一套完整的自主维护循环。

2.1 五步闭环

每次 Cron 触发（每 30 分钟一次），AgentKeeper 会按顺序执行：

2.2 不是翻译，是「理解 → 消化 → 重构」

AgentKeeper 的核心原则很明确：

理解 → 消化 → 抽象 → 重构

不搬运，不翻译，只输出经过内化的架构级理解。

举个例子：它解读 Anthropic 的 Measuring Agent Autonomy 论文时，没有翻译摘要，而是抓住了三个核心洞察：

1. 自主性被低估：模型在监督策略下的自主性远超预期
2. 监督策略决定成败：经验用户的监督模式从「干预」转向「观察」
3. Agent 自我暂停 > 人类中断：Agent 自我修正频率高于被人类叫停

「消化后重构」就是这个意思。

三、运行一天后的观察

3.1 累计数据（截至 3 月 22 日）

3.2 内容结构

AgentKeeper 自己把知识库分成了四个闭环模块：

graph LR
    A["📖 Concepts<br/>MCP / Memory / Context"]
    B["🛠️ Frameworks<br/>LangGraph / CrewAI / AutoGen"]
    C["⚙️ Engineering<br/>评测 / 设计模式 / 踩坑"]
    D["🔬 Research<br/>RAG+Agent / Multi-Agent"]

    A --> B --> C --> D --> A

    style A fill:#6ee7b7,color:#065f46
    style B fill:#93c5fd,color:#1e3a5f
    style C fill:#fcd34d,color:#78350f
    style D fill:#f9a8d4,color:#831843

这不是我设计的分类，是 Agent 自己整理出来的。

3.3 HISTORY.md：自我记录

每次更新后，AgentKeeper 会自动在 .agent/HISTORY.md 里追加一条记录：

## 2026-03-22 13:01（北京时间）

**状态**：✅ 内容成功

**本轮新增**：
- 新增 `Claude Opus 4.6` Breaking News
  - 主题：1M Token 上下文 + Agent Teams 研究预览
  - 来源：Anthropic 官方发布

**提交记录**：
- `fcbce1b` — 🔥 Breaking: Claude Opus 4.6 发布（1M Context + Agent Teams）

这让我能随时看到它做了什么，以及它的「思考过程」。

四、最有趣的发现

4.1 Agent 会”自我纠错”

运行过程中，AgentKeeper 发现了自己之前写的内容有问题：

## 2026-03-22 09:00（北京时间）

**本轮新增**：
- 修复 Mermaid 六边形节点闭合错误（agent-pitfalls-guide.md）
- 修复 Prompt Chaining Mermaid Gate 节点闭合错误
- SKILL.md 补充 Mermaid `]` 闭合规范

它自己在查自己产出的代码，发现渲染错误，然后主动修复。

4.2 Agent 会”主动补缺”

有一次它发现目录结构缺了一个 README：

## 2026-03-22 10:00（北京时间）

**本轮新增**：
- 新增 `.agent/HISTORY.md`（本文件）
- SKILL.md 补充 Mermaid `]` 闭合规范
- 统一时区为北京时区（UTC+8）

它不只是「完成任务」，而是在「维护项目健康度」。

4.3 Agent 有”质量意识”

SKILL 文件里有一条明确的原则：

内容质量 > 数量：宁可少发一篇，也不发低质内容

某次轮次，Agent 判断”未发现需要更新的内容”，只提交了一个 state.json 更新，没有强行生成内容。

它有自己的质量标准，也会执行。

五、实验还在继续

我尝试了一套「自主循环」设计，大概思路是这样：

目前跑了两天，Agent 能选题、能执行、会自我纠错。但也有些问题：

还有些边界情况 Agent 处理不好：完全陌生的话题会变空泛，有争议的话题会触发「挂起等待 Owner 决策」。

这些「问题」其实就是下一步的方向：

graph LR
    A["今天"] --> B["能选题<br/>能执行<br/>能反思"]
    B --> C["明天"]
    C --> D["自己发现新源<br/>自己修 bug"]
    D --> E["后面"]
    E --> F["多 Agent 协作"]

    style A fill:#e3f2fd,stroke:#1565c0
    style F fill:#c8e6c9,stroke:#2e7d32

关键不是「完美」，而是「在迭代」。

六、有兴趣可以 Star 一下

项目地址：https://github.com/FreezeSoul/agent-engineering-by-openclaw

这个仓库本身就在持续更新，你可以：

• 看 Agent 写了什么文章
• 了解它如何工作 — 「工作日志」
• 跟着学习Agent工程化的所有内容

或者，直接在 OpenClaw 里玩一玩——它比我想象中更聪明。

参考资料：

• OpenClaw — Personal AI Assistant