🧩 OpenClaw Agent推理模式深度指南

🔄 ReAct (Reasoning + Acting)

核心理念：边想边做。思考→行动→观察→再思考，循环进行。

# OpenClaw 中的 ReAct 模式
openclaw chat --react \
  --message "查一下最近发布的OpenClaw最新版本有什么新功能"

# Agent内部执行流程：
# [思考] 用户问最新版本，我需要搜索
# [行动] web_search("OpenClaw 最新版本 release")
# [观察] "OpenClaw v2026.4.15 发布，新增MCP集成..."
# [思考] 我需要进一步获取详细更新日志
# [行动] fetch_url("https://github.com/openclaw/.../releases")
# [观察] 获取到详情的changelog
# [回答] 最新版本v2026.4.15，主要更新包括...

# OpenClaw 配置
react:
  enabled: true
  max_iterations: 10        # 最大循环次数
  stop_on_error: false      # 出错是否停止
  observation_window: 3     # 保留最近3次观察

📋 Plan-and-Execute（计划-执行模式）

核心理念：先做计划，再按计划一步步执行。适合需要多步骤的复杂任务。

# OpenClaw Plan-and-Execute 配置
plan_execute:
  plan_first: true
  plan_version: 2
  steps:
    plan:
      model: "claude-opus-4.7"  # 计划用强模型
      system: |
        将用户请求拆解为可执行的步骤。
        每个步骤都必须是独立的、可执行的。
        考虑步骤间依赖关系。
    
    execute:
      model: "gpt-4o"           # 执行可用性价比模型
      parallel: true             # 无依赖的步骤并行执行
  
  # 验证计划
  verify_plan: true
  plan_format: "markdown"
  max_steps: 8

使用示例：

openclaw chat --plan-execute \
  --message "帮我写一份2026年Q3的AI Agent部署计划，包括技术选型、预算评估、时间线"

# 输出计划：
# 步骤1：分析需求，确定技术栈
# 步骤2：评估各方案成本
# 步骤3：制定部署时间线
# 步骤4：风险评估与应急预案
# 步骤5：整合为完整报告

❓ Self-Ask（自我提问模式）

核心理念：把大问题拆成一系列"子问题"，一次解决一个，最后汇总答案。

# Self-Ask 引擎配置
self_ask:
  max_sub_questions: 5
  decompose_prompt: |
    请将以下问题拆解为多个子问题。
    每个子问题应该：
    1. 可以直接通过搜索或分析回答
    2. 按逻辑顺序排列
    3. 依赖上一步的结果
    
  # 示例
  example:
    question: "OpenClaw和LangChain哪个更适合企业级Agent部署？"
    sub_questions:
      - "OpenClaw的企业功能有哪些？（RBAC、审计日志、多租户）"
      - "LangChain的企业功能有哪些？"
      - "两者在部署复杂度上的对比"
      - "两者的社区支持和商业化程度"
      - "根据以上分析，给出推荐"

🪞 Reflection（反思模式）

核心理念：先给出答案，然后当"严苛的评审"检查自己的答案，发现问题就重来。

# 反思模式配置
reflection:
  enabled: true
  rounds: 3  # 反思轮次
  
  # 生成角色
  generator:
    system: "你是一个创意方案生成专家，提出大胆但可行的方案。"
    temperature: 0.8
    
  # 评审角色
  critic:
    system: |
      你是一个严格的评审专家。检查以下几点：
      1. 方案是否可行？
      2. 有没有遗漏风险？
      3. 成本效益是否合理？
      4. 有没有更好的替代方案？
      
      指出所有问题，不要留情面。
    temperature: 0.2  # 低温度保证客观

# OpenClaw 使用
openclaw run-skill reflection-reasoning \
  --problem "设计一个企业级OpenClaw部署方案" \
  --rounds 3 \
  --generator-model "gpt-4o" \
  --critic-model "gpt-4o"

# 第一轮输出
# 生成：建议Kubernetes部署，3节点集群...
# 批评：未考虑数据持久化方案，容灾策略缺失...

# 第二轮
# 生成：修改方案，增加PV/PVC和跨区域备份...
# 批评：成本估算未包含网络带宽费用...

# 第三轮
# 生成：最终方案包含完整的基础设施+成本预算+应急预案

🌳 Tree-of-Thought（思维树模式）

核心理念：不是只走一条推理路径，而是同时探索多条可能路径，保留最优的。

# Tree-of-Thought 配置
tree_of_thought:
  branches: 3          # 每层生成几个分支
  depth: 4             # 最大深度
  pruning: "score"     # 剪枝策略：score|heuristic
  
  pruning_rules:
    min_score: 6       # 低于6分的分支砍掉
    max_branches: 5    # 保留最多5个分支

# 示例：写一个Agent的营销方案
openclaw run-skill tree-of-thought \
  --problem "为一个AI Agent工具制定月增1000用户的营销方案" \
  --branches 3 \
  --depth 4

# 路径1：内容营销 (SEO + 技术博客 + GitHub 开源)
# 路径2：渠道合作 (AI社区 + Discord + 技术大会)
# 路径3：付费增长 (Google Ads + AI工具目录站)
#
# 交叉评估发现路径1性价比最高，推荐执行

🤝 Mixture-of-Agents（多Agent混合推理）

核心理念：让多个Agent（不同模型）分别给出答案，然后汇总出最佳版本。

# MoA 模式配置 - 多Agent投票
mixture_of_agents:
  agents:
    - model: "gpt-4o"
      system: "你是一个严谨的技术专家"
      weight: 2
      
    - model: "claude-opus-4.7"
      system: "你是一个创意解决方案专家"
      weight: 2
      
    - model: "gpt-4o-mini"
      system: "你是一个实用主义者的声音"
      weight: 1
  
  # 汇总层
  aggregator:
    model: "claude-opus-4.7"
    system: |
      分析以下N个Agent给同一个问题的回答。
      找出它们的共识点、分歧点。
      综合各方优点给出最终答案。
      
  # 投票规则
  voting: "weighted"  # 加权投票
  min_consensus: 0.5  # 至少50%的Agent同意