怎么拿到完整的系统提示词

直觉反应是去翻日志。打开 .openclaw/agents/main/sessions/ 下的会话日志，你会发现里面并没有完整的提示词——但 usage 数据暴露了真相：一条消息的 input token 高达 15391，说明底层确实发了一段极其庞大的 System Prompt。

要拿到完整内容，需要用一个模型代理中间件。具体做法是 clone 一个叫 modelbox 的项目，按 README 安装启动。它的作用是模拟模型提供商，拦截 OpenClaw 发出的完整请求。在聊天窗口随意发一条消息，modelbox 就会把完整的提示词吐出来。

实测一句"hi"产生了约 34062 个字符，换算成 tokens 大概 16k。也就是说，一个干净的新对话，光提示词就默认带了 16k 的底座成本。

系统提示词第一部分：硬编码注入

这部分来自源码硬注入，加上 plugin 工具描述和 skill 描述。拆开来看有几个关键设计：

身份与工具

  • 开头直接写死角色边界：You are a personal assistant running inside OpenClaw
  • 紧接着亮出经过策略过滤后的可用工具清单（read / write / edit / exec 等），运行时动态注入
  • 工具名大小写敏感，写错一个字母就废
  • 你自己装的 plugin 也会被塞进来，和内置工具一视同仁

这里有个坑：提示词里明确写了 TOOLS.md does not control tool availability，意思是 TOOLS.md 只是用户备忘录，不是权限清单。如果你在 TOOLS.md 里定了一些权限规则，可能会被这句硬编码冲掉。

行为约束

  • 常规低风险操作直接调用，不用解释。只有多步骤、复杂任务、敏感操作才需要说明
  • 安全规则灵感来自 Anthropic 的 AI 宪法：不许自我保全、不许复制自己、不许扩权，指令冲突时暂停问人
  • 长耗时任务不许高频轮询，用 yieldMs 拉长间隔或走后台进程，省 token
  • 复杂耗时任务可以派生子代理（sub-agent）异步执行

技能与记忆

  • Skill 索引段要求模型回复前先扫描 available_skills 列表，匹配到就读对应的 SKILL.md 然后照做，一次最多读一个
  • 凡是涉及历史工作、决策、偏好的问题，必须先跑 memory_search 检索，再用 memory_get 拉取具体内容。引用时要带上 Source: path#line

模型别名与环境信息

  • 提供模型别名映射表，比如打 opus 就等于 anthropic/claude-opus-4-6。这张表是运行时从配置里动态注入的——配置太多模型的话，每次都会全量传过去
  • 当前日期时间不让猜，必须跑 session_status 去拿
  • 工作目录路径运行时动态注入
  • 定义了跨平台回复/引用的标签语法、消息路由规则
  • 注入了一段 Inbound Context 的可信元数据（chat_id、channel、provider 等），用来区分系统元数据和用户可伪造的文本，降低提示注入风险

这一整段（从 You are a personal assistant... 到 # Project Context 前）大约占 2589 ~ 4142 tokens。

系统提示词第二部分：项目上下文

Project Context 注入了八个文件，这是 token 消耗的大头。

AGENTS.md（约 2.0k ~ 3.2k tokens）——行为宪法 + 运行手册：

  • 每次会话先读 SOUL.md、USER.md、近两天的 memory 文件，并检索记忆
  • 日志记到 memory/YYYY-MM-DD.md，长期记忆写 MEMORY.md，明确要求"要记就写文件，不要靠脑补"
  • 安全边界：不外泄隐私、偏好 trash 而不是 rm、不确定先问
  • 对外动作（邮件/发帖等）先征求同意，群聊只在有价值时发言
  • 心跳机制：允许主动巡检（邮箱、日历、提醒等），定义何时提醒、何时静默

这里有个值得注意的点：即使是 subagent，因为 AGENTS.md 里写了启动流程要读 SOUL.md 和 memory，它实际上也可能会去读这些文件。

SOUL.md（约 440 ~ 700 tokens）——人格与做事方式：

  • 主基调：真实有用，不要表演式客套
  • 任务完成必须主动汇报，长任务要持续报进度
  • 允许有观点，不做无个性的中性机器口吻
  • 先自助排查再提问，记忆用查询式而非全量灌入

一句话区分：AGENTS.md 管流程，SOUL.md 管"怎么做人"。

TOOLS.md（约 582 ~ 932 tokens）——本机环境私有备忘录，不是工具权限清单。记录设备信息、SSH 配置、应急浏览器方案等，把通用技能逻辑和私有配置分离。

IDENTITY.md（约 50 ~ 80 tokens）——人格卡，定义名字、身份、风格、emoji，给回复语气提供统一基线。

USER.md（约 75 ~ 120 tokens）——用户画像卡，记录称呼偏好、时区、语言等，避免每轮重新猜。

HEARTBEAT.md（约 30 ~ 55 tokens）——心跳轮询时要执行的轻量待办清单。

BOOTSTRAP.md——当前为空。

MEMORY.md（约 2.3k ~ 3.8k tokens）——长期记忆总库，包含安全铁律、项目状态、里程碑、配置规约、失败复盘等。这是 system prompt 成本的大头之一。

系统提示词第三部分：尾部协议

  • Silent Replies：没话说时只能回 NO_REPLY，必须是整条消息的全部内容，不能混在正常回复里
  • Heartbeats：收到心跳轮询，没事回 HEARTBEAT_OK（不返回消息）；有事直接发告警内容
  • Runtime：注入当前运行时状态（agent、host、os、model、channel、capabilities 等），让模型基于真实环境决策

用户提示词部分

系统提示词之后是 input 里的历史及当前对话消息，包括新会话启动提示、重置引导指令、人格回复等。

然后是 body.tools[]——本次可调用工具全集，每个工具带 description 和 parameters JSON schema。这部分也很占 token。

实测数据：

  • body.tools[]（31 个工具）约 5988 ~ 9582 tokens
  • system 整段：31842 chars，约 7960 ~ 12737 tokens
  • system 里 ## Tooling 小节约 874 ~ 1399 tokens

这里存在明显冗余：system 里有一份工具列表，body.tools[] 里又有一份，31 个工具完全重合。区别在于 body.tools[] 带参数 schema（调用必须），system 里的列表主要做行为引导。

Token 优化思路

如果要降成本，优先方向：

  1. 砍系统段工具说明——缩成极短版，只保留规则，不逐个列工具描述。body.tools[] 的 schema 不可少，但 system 里的重复描述可以大幅压缩
  2. 裁剪模型别名表——配置了很多模型的话，每次全量注入。不需要的模型从配置里删掉
  3. 精简注入文件——MEMORY.md 是大头，定期清理过时内容；TOOLS.md 里的废弃配置也该删
  4. 限制 skill / memory 注入策略——按需加载而非全量灌入

Subagent 的提示词差异

spawn 出来的 subagent 提示词结构不同：

  • 保留第一段硬编码注入（减去 skill 相关，增加 spawn subagent 相关提示词）
  • Project Context 只注入 AGENTS.md 和 TOOLS.md
  • 工具列表从 31 个缩减到 23 个，少掉的 8 个是：agents_list、sessions_list、sessions_history、sessions_send、sessions_spawn、session_status、memory_search、memory_get

逻辑很清楚：subagent 场景下砍掉了会话编排和记忆检索类工具。subagent 也不会自动看到 skill 索引，但你可以在任务里显式给出 SKILL.md 路径让它读取执行。

Compact 会压缩系统提示词吗

不会。compact 主要压的是会话消息历史（尤其旧对话和大工具结果），system prompt 仍然按当前配置重新构建，不会因为 compact 自动瘦身。所以真正要降 token，优化方向在系统内容本身、tools 描述体积、以及 skill/memory 注入策略上。

了解 OpenClaw 提示词的完整结构，不只是满足好奇心。当你知道每次对话有 16k tokens 的固定底座成本，才能有的放矢地做优化——砍冗余、精简注入文件、裁剪别名表，每一步都是在省真金白银。如果你也在跑 OpenClaw，建议先用 modelbox 抓一次自己的完整提示词，对着本文逐段比对，找出你的优化空间。