换个角度想：AI agent 就像一个刚进公司的新人，智商极高、学习速度飞快，但对你和你的业务一无所知。你不会第一天就让新人上手干活，你会先做入职培训。本地 AI agent 也一样，需要一套系统的 onboarding。
第一步：让云端 AI 帮你生成「个人侧写」
你跟 ChatGPT 或 Claude 已经聊了几百个小时，它对你的理解比你以为的深得多。直接问它：
- 「你觉得我是什么样的人？我关注什么？我做事的风格是什么？如果我是创作者，我的写作风格怎么归纳？」
自己改一改，去掉幻觉、补上它不知道的细节。
如果你花过时间调教云端 AI 的回应方式，再让它出一份：
- 「你觉得我喜欢你怎么回应我？我讨厌什么？我对语气、格式、细节程度有什么偏好？」
最终整理出两份资料：一份关于你自己，一份关于你希望 AI 怎么跟你互动。然后直接丢给 OpenClaw agent：「这是关于我的侧写，还有我对 AI 回应的偏好，请你记住。」它会自动把内容写进对应的文件里。
这是最快的冷启动方式。训练数据其实早就存在了，只是散落在不同的对话里，你要做的只是把它搬过来。
第二步：让 AI 自己去爬你的历史内容
推文、博客、电子报——这些公开的数字足迹全部让它读一遍。如果你有在用 Notion、Obsidian 之类的笔记工具，直接 export 喂给它也行。说实话，私人笔记往往比公开内容更能反映你真正在想什么。
这个过程有双重价值：一方面它在学你说话的方式和关注的主题；另一方面它在学怎么操作浏览器、处理登录、跑爬虫。这些工具能力迟早要用到，趁 onboarding 阶段一次把工具链跑通，比后面零散调试高效得多。
第三步：把「房间规矩」定清楚
OpenClaw 启动时会自动把 workspace 里的核心 .md 文件全文注入到 System Prompt，AI 醒来的第一秒脑子里就装了这些内容。
但有个坑：OpenClaw 官方对这些文件的分类规范放在安装目录的 docs/ 文件夹里，这部分不会被自动注入。也就是说，AI 拿到了文件内容，却没拿到分类说明书。当它需要记录新规则时，只能凭直觉判断该往哪个文件写。
实际踩过的坑：SOUL 文件本来只该放人格和语气设定，结果 AI 把操作流程、工具规则全塞了进去，跑了三天才发现规则错乱。它不是判断力差，而是压根不知道还有一份分类手册没给它看。
解法：把官方的 File Map 对照表直接贴在 AGENTS 文件最顶端。AGENTS 是每次启动都会被注入 System Prompt 的文件，把规矩写在这里，等于把说明书钉在工作手册第一页。
日常使用一定会不断新增规则。如果一开始就放错地方，后面每个新 session 读到的都是乱的，行为会越来越偏。建议每周让 AI 开一个干净的 session 扫一次，对照规范检查有没有放错位置。
做完 onboarding 差别有多大？
一个实际的例子：用 Whisper 转录了一场公司内部会议，逐字稿丢给 agent 做摘要。它知道会议里每个人是谁、负责什么模块、公司的技术架构长什么样、哪些讨论跟正在开发的功能有关，精准度能到 90%。这些 context 全部是 onboarding 时搬过来的，加上它自己爬内容学到的。如果一条一条手动教，得调好几个星期。
云端 AI 聊完就忘，下次开对话又要从头来。本地 agent 的记忆是持久的，你灌进去的 context 会一直留着，每次启动都在。既然它最大的优势是记得住，就该在 context 上多花功夫。Onboarding 做得越扎实，它就越能用你的方式做事——而且这个效果会随时间累积，不会归零。