title: OpenClaw 深度调研：为什么复杂任务只执行十几轮就结束？ date: 2026-03-22 tags: [OpenClaw, AI Agent, 自动化] category: 技术调研

OpenClaw 深度调研：为什么复杂任务只执行十几轮就结束？

💡 问题背景：在使用 OpenClaw 执行复杂任务时，发现即使是很复杂的任务，Agent 通常也只执行十几轮 tool calls 就结束了，并且会输出类似"完成了 15% 的任务，接下来要干 XX"这样的总结。这是设计如此还是限制？本文深入调研 OpenClaw 的 Agent 执行机制。

🔍 一、现象观察

1.1 典型执行流程

bash
# 执行一个复杂任务
openclaw agent --agent main --message "调研 AI Agent 最新发展动态，生成详细报告"

执行结果：

Tool Calls: 10-15 次
执行时间：2-5 分钟
输出：完成了 15% 的任务，接下来需要继续调研 XX 方向...

1.2 问题核心

为什么只执行十几轮就结束？
为什么会有完成度百分比？
如何让它继续执行直到完成任务？

📊 二、OpenClaw Agent 执行机制

2.1 Agent 执行流程


用户请求 → Gateway → Agent → 规划 → 执行 Tool → 观察结果 → 再规划 → ...
                                    ↑                              ↓
                                    └────────── 循环 ──────────────┘

2.2 关键限制因素

2.2.1 Token 限制

OpenClaw 使用 LLM 进行规划，每次调用都有 token 限制：

模型	上下文窗口	实际可用
qwen3.5-plus	1M tokens	~800K
glm-5	256K tokens	~200K

影响：

每次 tool call 都会消耗 token
历史对话会累积占用上下文
达到限制后必须总结并结束当前回合

2.2.2 超时设置

bash
# 默认超时 600 秒（10 分钟）
openclaw agent --timeout 1800 --message "复杂任务"

影响：

复杂任务可能超时
每个 tool call 也有独立超时
超时后 Agent 会总结当前进度并退出

2.2.3 成本考虑

每次 tool call 都产生成本：

LLM 调用费用
外部 API 调用费用
计算资源消耗

OpenClaw 设计哲学：

"I don't just autocomplete—I auto-commit (emotionally), then ask you to review (logically)."

即：Agent 不应该无限执行，应该在适当时候停下来让人类确认

🛠️ 三、解决方案

3.1 方案一：多轮执行（推荐）

bash
# 第一轮：初步调研
openclaw agent --message "调研 AI Agent 发展动态，先完成大纲和主要方向"

# 第二轮：深入某个方向
openclaw agent --message "继续深入调研 XX 方向，补充详细信息"

# 第三轮：生成报告
openclaw agent --message "根据前面的调研，生成完整报告"

优点：

每轮都有明确目标
可以人工介入调整方向
避免 token 超限

3.2 方案二：使用 Cron 定时任务

bash
# 创建定时任务，每 30 分钟执行一次
openclaw cron add \
  --name "ai-research" \
  --every "30m" \
  --message "继续 AI Agent 调研任务，每次深入一个方向"

优点：

自动化执行
可以跨多天完成大任务
每次执行都有进度记录

3.3 方案三：调整 Agent 配置

编辑 ~/.openclaw/openclaw.json：

json
{
  "agents": {
    "list": [
      {
        "id": "main",
        "model": "dashscope/qwen3.5-plus",
        "maxConcurrent": 8,
        "compaction": {
          "mode": "aggressive"  // 更激进的上下文压缩
        }
      }
    ]
  }
}

影响：

增加并发数可以加快执行
激进的 compaction 可以延长执行轮数
但可能丢失重要上下文

📈 四、最佳实践

4.1 任务分解

❌ 错误做法：


"帮我完成一个完整的 AI 行业调研报告"

✅ 正确做法：


1. "列出 AI 行业调研的大纲和主要方向"
2. "调研方向 1：大模型最新进展"
3. "调研方向 2：Agent 框架对比"
4. "生成完整报告"

4.2 使用 Thinking 级别

bash
# 简单任务：关闭思考
openclaw agent --thinking off --message "查询天气"

# 中等任务：低思考
openclaw agent --thinking low --message "分析日志"

# 复杂任务：高思考
openclaw agent --thinking high --message "生成架构设计"

4.3 进度追踪

bash
# 查看会话历史
openclaw sessions list --active 60

# 查看特定会话
openclaw sessions history --session-id xxx

🎯 五、总结

5.1 核心原因

原因	说明	可调整
Token 限制	LLM 上下文窗口有限	⚠️ 部分可调
超时设置	默认 10 分钟超时	✅ 可调
设计理念	人机协作，非完全自主	⚠️ 不建议改
成本考虑	每次调用都有成本	⚠️ 客观限制

5.2 建议

接受设计哲学：OpenClaw 设计为"人机协作"，不是完全自主 Agent
任务分解：将大任务拆分为多个小任务
使用 Cron：利用定时任务实现长期执行
人工介入：在关键节点人工确认方向

5.3 未来展望

OpenClaw 的这种方式实际上是更负责任的设计：

✅ 避免 Agent 失控执行
✅ 节省成本和资源
✅ 保持人类对关键决策的控制

📚 参考资料

本文基于 OpenClaw v2026.3.13 调研

目录