案例06-①：Token 优化与 GitHub 项目筛选（含投标文件实战） —

📑 目录

问题诊断：为什么每次都在重新读取全部内容
省 Token 方法一：参考文件挂载（效果最大）
省 Token 方法二：技能文件按需加载
省 Token 方法三：分步执行 + 子 Agent 隔离
省 Token 方法四：上下文窗口管理
省 Token 方法五：模型选择与定时任务优化
Token 消耗对比：优化前 vs 优化后
推荐 GitHub 项目清单
如何自己筛选好用的 GitHub 项目

问题诊断：为什么每次都在重新读取全部内容

错误的做法（费 Token）

❌ 错误示例1：每次对话都重新粘贴背景信息

对话开始时说：
"我们公司是做AI培训的，主要产品有三个：A课程、B平台、C服务。
我们的目标客户是中小企业的IT部门。我们的竞争对手是XXX、YYY、ZZZ。
我们的定价策略是……我们的品牌调性是……"

问题：这些内容每次都作为对话上下文发送，消耗大量 Token。

❌ 错误示例2：把大量文件内容直接粘贴到对话中

"请帮我分析以下10份投标文件的共性结构：
（粘贴文件1的全文 5000字）
（粘贴文件2的全文 5000字）
...
（粘贴文件10的全文 5000字）"

问题：5万字一次性加载到上下文，极其浪费 Token。

❌ 错误示例3：在 MEMORY.md 中堆积过时信息

MEMORY.md 文件越来越大（超过1万字），包含了大量已经过时的内容。
每次会话启动都完整读取。

问题：过时的信息不仅浪费 Token，还可能产生干扰。

正确的做法（省 Token）

✅ 正确示例1：将背景信息写入文件，按需引用

第一步（仅做一次）：
"请把我的公司背景信息保存到 workspace/company-profile.md"
（一次性写入，以后不需要重新说）

后续使用时：
"参考 workspace/company-profile.md 中的公司背景，写一份产品介绍"
（只加载需要的文件，不重复发送背景信息）

✅ 正确示例2：将大量文件放到参考目录，挂载引用

第一步（仅做一次）：
"将以下10份投标文件保存到 workspace/references/bids/ 目录"
（一次性写入文件）

后续使用时：
"请读取 workspace/references/bids/ 目录下的文件，分析共性结构"
（只在实际需要时才读取，且可以只读摘要）

✅ 正确示例3：定期精简 MEMORY.md

定期执行：
"请回顾 MEMORY.md，删除过时信息，只保留当前有效的核心要点"
（保持 MEMORY.md 在合理大小，建议不超过3000字）

检查当前 Token 消耗

# 查看当前会话的 Token 使用情况

在对话中查看 /status 或通过 session_status 工具：
- 已使用的 Token 数量
- 当前上下文窗口大小
- 模型配置信息

# 查看 MEMORY.md 文件大小
wc -c workspace/MEMORY.md
wc -l workspace/MEMORY.md

# 如果 MEMORY.md 超过 3000 字，建议精简

# 查看工作区文件总大小
du -sh workspace/
du -sh workspace/memory/

📌 根本原因：OpenClaw 每次新会话启动时，默认会加载完整的上下文（对话历史 + MEMORY.md + 工作区文件）。如果你在对话中粘贴了大量内容让它”记住”，这些内容都会计入上下文窗口，每次都在消耗 Token。

省 Token 方法一：参考文件挂载（效果最大）

创建参考文件库

# 第一步：建立参考文件目录结构

请帮我创建以下目录：
- workspace/references/bids/         — 投标文件参考
- workspace/references/templates/    — 通用模板
- workspace/references/competitors/  — 竞品资料
- workspace/references/knowledge/    — 业务知识
- workspace/references/examples/     — 示例文件

# 第二步：将已有文件移入对应目录

将之前对话中粘贴过的所有参考资料，分别保存到对应目录。
每个文件命名规范：类型_日期_描述.md

例如：
- bid_20260601_XXX项目技术标.md
- template_20260515_可研报告模板.md
- competitor_20260520_智学AI资料.md

使用时按需读取

# 需要参考资料时，让 OpenClaw 读取特定文件：

"请读取 workspace/references/bids/bid_20260601_XXX项目技术标.md，
参考其技术方案的结构和写法，为 YYY 项目写一份技术方案"

# 需要对比多个文件时：

"请读取 workspace/references/bids/ 目录下最近3份投标文件，
对比它们的技术方案章节结构，生成一份推荐结构"

# 只需要部分信息时：

"请读取 workspace/references/knowledge/ 目录下所有文件，
提取关于'AI培训课程体系'的相关内容，汇总给我"

# 关键：不要让 OpenClaw 一次性读取整个目录
# 而是精确指定需要的文件和需要的内容

为参考文件创建索引

# 创建一个索引文件，记录所有参考文件的内容摘要

请帮我创建文件 workspace/references/INDEX.md，包含：

# 参考文件索引

## 投标文件
| 文件名 | 项目 | 类型 | 日期 | 关键内容 |
|---|---|---|---|---|
| bid_20260601_XXX项目技术标.md | XXX项目 | 技术标 | 2026-06-01 | 含AI架构设计、数据中台方案 |
| bid_20260520_YYY项目商务标.md | YYY项目 | 商务标 | 2026-05-20 | 含报价策略、售后方案 |
...

## 通用模板
| 文件名 | 类型 | 日期 | 说明 |
|---|---|---|---|
| template_20260515_可研报告模板.md | 可研报告 | 2026-05-15 | 标准10章结构 |
...

## 竞品资料
...

## 业务知识
...

# 使用方法
需要参考某类文件时，先查索引，再精确读取需要的文件。
避免全目录扫描。

后续使用时：

"请先查看 workspace/references/INDEX.md，找到关于'AI架构设计'的参考文件，
然后只读取相关的那1-2个文件"

📌 核心原理：把大量数据放到文件中，OpenClaw 只在需要时才读取文件内容，而不是每次都加载到对话上下文中。这是节省 Token 最有效的方法。

省 Token 方法二：技能文件按需加载

技能文件 vs 重复说明

# 不使用技能文件（每次重复说明，费 Token）：

"请帮我写一份投标文件。要求：
1. 包含5个章节：公司简介、技术方案、报价单、售后承诺、资质证明
2. 技术方案要包含架构图、数据流程图、部署方案
3. 报价单要分项报价，包含人天单价
4. 售后承诺要包含7×24响应、2小时到场
5. 格式要求：一级标题加粗，二级标题编号，正文1.5倍行距
6. ……（每次都要重新说一遍）"

# 使用技能文件（一次创建，反复调用，省 Token）：

第一步（仅做一次）：
"把投标文件的格式规范、章节要求、写法要点创建为'投标文件写作'技能文件"

后续使用（极简指令）：
"用投标文件技能，写一份关于XXX项目的投标文件"

节省效果：每次省掉 200-500 字的规则说明。

技能文件的正确写法

# 技能文件要精简，不要冗长

# ❌ 不好的写法（太长，加载也费 Token）：
# 在技能文件中写几万字的详细说明

# ✅ 好的写法（精炼，快速加载）：

# 路径: workspace/skills/bid-writing/SKILL.md

## 触发条件
用户要求写投标文件/标书/投标方案

## 标准结构
1. 公司简介（300字，突出AI能力）
2. 技术方案（核心章节，含架构图）
3. 报价单（分项报价表格）
4. 售后承诺（7×24响应）
5. 资质证明（附件列表）

## 格式规范
- 一级标题加粗
- 二级标题编号
- 正文1.5倍行距
- 关键数据加粗

## 参考文件
- 模板：workspace/references/templates/bid-template.md
- 索引：workspace/references/INDEX.md（查找历史案例）

## 注意事项
- 不要编造数据，不确定的标注"待确认"
- 客户名称、项目名称必须准确
- 报价需与商务文件一致

精炼的技能文件通常 200-500 字即可，加载速度快、消耗 Token 少。

省 Token 方法三：分步执行 + 子 Agent 隔离

复杂任务拆分为多步

# ❌ 一次性加载全部上下文的做法（费 Token）：

"请帮我完成以下所有工作：
1. 搜索 AI 培训行业最新趋势（搜索5个关键词）
2. 对搜索结果逐条深度分析
3. 生成一份5000字的行业分析报告
4. 基于报告生成分镜脚本
5. 生成口播文案
6. 生成视频"

问题：一次性把所有任务放入上下文，Token 消耗巨大。

# ✅ 分步执行（每步只加载当前需要的上下文）：

第1步："请搜索 AI 培训行业最新趋势，保存结果到文件"
第2步："请读取刚才的搜索结果，生成行业分析摘要"
第3步："基于摘要，生成行业分析报告"
第4步："基于报告，生成分镜脚本"
...

优势：每步的上下文只包含当前需要的信息，历史上下文不重复加载。

使用子 Agent 隔离独立任务

# 对于不需要主会话上下文的独立任务，用子 Agent 执行：

"请启动一个子 Agent，任务是：
读取 workspace/references/bids/ 目录下所有文件，
生成一份结构分析报告，保存到 workspace/reports/ 目录。
不需要继承当前对话的上下文。"

优势：
- 子 Agent 有独立的上下文窗口
- 不污染主会话的上下文
- 主会话可以继续做其他事情
- 子 Agent 完成后结果返回，主会话按需读取结果

适用场景：
- 批量文件处理
- 数据分析
- 大量内容生成
- 任何不需要对话历史的独立任务

省 Token 方法四：上下文窗口管理

定期精简 MEMORY.md

# 检查 MEMORY.md 当前大小
请读取 MEMORY.md 并告诉我总字数。

# 如果超过 3000 字，执行精简：
"请精简 MEMORY.md：
1. 删除过时信息（超过3个月未提及的）
2. 合并重复内容
3. 只保留核心要点
4. 详细历史记录移到 memory/ 目录的每日笔记中
5. 精简后控制在 2000 字以内"

清理过期每日笔记

# 查看 memory/ 目录
ls -la workspace/memory/

# 清理过期笔记（保留最近30天）：
"请将 workspace/memory/ 目录下超过30天的每日笔记，
将其中值得长期保留的信息提取到 MEMORY.md，
然后删除过期笔记文件。"

# 或者归档：
"请将 workspace/memory/ 目录下超过30天的笔记，
压缩归档到 workspace/memory/archive/ 目录"

# 归档后的笔记不再自动加载，需要时手动读取

使用 lightContext 模式

# 对不需要历史上下文的任务，启用轻量上下文模式

创建定时任务时：
{
  "name": "轻量任务-舆情搜索",
  "payload": {
    "kind": "agentTurn",
    "message": "搜索AI培训最新资讯并生成简报",
    "lightContext": true   ← 启用轻量上下文，不加载完整对话历史
  },
  ...
}

适用场景：
- 定时搜索任务
- 独立数据处理
- 文件批量操作
- 任何不需要对话历史的任务

不适用场景：
- 需要引用之前对话内容的任务
- 多轮对话交互

省 Token 方法五：模型选择与定时任务优化

按任务复杂度选择模型

# 简单任务用小模型（便宜 + 快）

"切换到 [小模型名称]"

适用简单任务：
- 文本格式转换
- 文件整理
- 简单数据提取
- 关键词搜索
- 格式检查

# 复杂任务用大模型（强 + 准）

"切换到 [大模型名称]"

适用复杂任务：
- 长文档写作
- 深度分析
- 复杂代码生成
- 多步骤推理
- 创意设计

# 日常对话用默认模型

"切换回默认模型"

优势：简单任务用大模型是浪费 Token，用合适大小的模型即可。

定时任务优化

# 优化1：降低非高峰时段频率

# ❌ 不优化：每4小时执行一次（每天6次）
# ✅ 优化后：

工作时间（8:00-18:00）：每4小时一次
非工作时间（18:00-8:00）：每12小时一次

使用 cron 表达式：
"创建两个定时任务：
1. 工作时间舆情监控：每天 8:00、12:00、16:00 执行
2. 非工作时间舆情监控：每天 20:00、8:00 执行
总共每天5次，而不是6次"

# 优化2：增量搜索

"每次搜索时，只搜索上次检查时间之后的新内容。
在任务中记录上次执行时间，下次只搜索增量。"

# 优化3：合并同类任务

"将多个独立的定时任务合并为一个：
原来：舆情监控(每天5次) + 竞品搜索(每天1次) + 热点采集(每天3次) = 每天9次
合并为：综合资讯采集(每天5次)，一次任务完成所有搜索"

Token 消耗对比：优化前 vs 优化后

如何自己筛选好用的 GitHub 项目

让 OpenClaw 帮你搜索和筛选

# 方法1：直接让 OpenClaw 搜索

"请帮我搜索 GitHub 上关于 [关键词] 的热门项目，要求：
1. Star 数大于 1000
2. 最近3个月有更新
3. 有完整的 README 文档
4. 列出前5个，包含：项目名、Star数、简介、最近更新日期"

# 方法2：指定更详细的筛选条件

"请帮我搜索 GitHub 上的 Python 文档处理项目，要求：
1. Star 数 500+
2. 支持 PDF 转 Markdown
3. 有安装和使用文档
4. MIT/BSD/Apache 开源协议
5. 列出前5个，每个附简介和主要特点"

# 方法3：对比分析

"请对比以下3个项目的优劣：
- 项目A: [URL]
- 项目B: [URL]
- 项目C: [URL]

对比维度：
1. 功能完整度
2. 文档质量
3. 社区活跃度（Issues/PR 响应速度）
4. 依赖复杂度
5. 是否适合我的场景：[描述你的场景]

给出推荐结论。"

手动筛选的评估标准

在 GitHub 上筛选项目时，按以下标准评估：

✅ 必检项：

1. Star 数 — 反映受欢迎程度
   • 100+：有人用，可以尝试
   • 1000+：主流项目，相对可靠
   • 10000+：头部项目，通常稳定

2. 最近更新时间 — 反映项目是否活跃
   • 1个月内：活跃维护
   • 3个月内：正常维护
   • 6个月以上：可能已停止维护

3. Issues 状态 — 反映项目质量和社区活跃
   • 查看 open issues 数量
   • 查看 issues 是否有人回复（作者是否活跃）
   • 查看常见问题的解决情况

4. README 质量 — 反映项目成熟度
   • 是否有安装说明
   • 是否有使用示例
   • 是否有 API 文档

✅ 加分项：

5. 开源协议 — 确认可商用
   • MIT / Apache-2.0 / BSD：可自由使用
   • GPL：使用时需要注意
   • 无 License：默认不可商用

6. 依赖数量 — 反映安装复杂度
   • 依赖越少，安装越简单
   • 查看 requirements.txt / package.json

7. 是否有中文文档/社区
   • 对国内用户友好
   • 问题交流更方便

8. 是否有 Docker 支持
   • 一键部署，降低安装门槛

❌ 警惕信号：

- Star 数高但很久未更新（可能是僵尸项目）
- README 只有标题没有内容
- Issues 大量未回复
- 依赖数十个且包含冷门库
- 文档声称强大但实际 demo 跑不通

实用筛选命令（让 OpenClaw 执行）

# 让 OpenClaw 搜索并评估

"请在 GitHub 上搜索 [关键词] 相关项目，对每个候选项目：

1. 访问项目主页，提取以下信息：
   - Star 数
   - Fork 数
   - 最近提交时间
   - open issues 数量
   - 是否有文档
   - 开源协议类型

2. 访问项目的 Issues 页面，检查：
   - 最近10个 issues 中有多少已被解决
   - 平均响应时间

3. 检查依赖：
   - 查看 requirements.txt 或 package.json
   - 评估依赖数量和复杂度

4. 综合评估：
   - 功能匹配度（是否满足我的需求）
   - 安装复杂度（是否容易部署）
   - 维护活跃度（是否值得长期使用）

5. 给出结论：
   - 推荐 ⭐⭐⭐
   - 可用 ⭐⭐
   - 不推荐 ⭐"

# 对于候选项目，让 OpenClaw 直接试用

"请按照 [项目名] 的 README 安装说明，尝试安装并运行 demo。
报告：
1. 安装是否顺利
2. 是否有报错
3. demo 是否正常运行
4. 实际效果如何"

建立自己的项目推荐库

# 将筛选后的项目信息保存到文件中

请帮我创建文件 workspace/github-recommendations.md：

# GitHub 项目推荐库

## AI Agent 框架
| 项目 | Star | 状态 | 适合场景 | 备注 |
|---|---|---|---|---|
| langchain | 90k+ | 活跃 | 通用LLM应用 | 生态最大 |
| crewAI | 15k+ | 活跃 | 多Agent协作 | 简单易用 |
...

## 本地模型
| 项目 | Star | 状态 | 适合场景 | 备注 |
|---|---|---|---|---|
| ollama | 100k+ | 活跃 | 一键部署本地模型 | 推荐首选 |
...

## 文档处理
...

## 图片/视频
...

# 定期更新
每季度让 OpenClaw 检查这些项目的最新状态，更新 Star 数和活跃度。

附录：投标文件实战

第一阶段：消化已有文件 — 让 AI 理解你们的标书

整理文件到参考目录

# 如果文件还在对话中粘贴过但没有存为文件，先保存到文件系统

请帮我将以下7-8份历史投标文件保存到 workspace/references/bids/ 目录：

文件1：[项目A名称] 投标文件 — 技术标
文件2：[项目B名称] 投标文件 — 商务标
文件3：[项目C名称] 投标文件 — 完整
...

每个文件按以下格式命名：
bid_[日期]_[项目名]_[类型].md

例如：
bid_20260315_XXX项目_技术标.md
bid_20260420_YYY项目_商务标.md
bid_20260510_ZZZ项目_完整.md

提取共性结构

# 让 AI 阅读所有历史文件，提取共性结构

请读取 workspace/references/bids/ 目录下的所有投标文件，分析以下内容：

1. 共性章节结构
   - 所有文件都包含哪些章节？
   - 各章节的顺序是否一致？
   - 有没有某些章节只在部分文件中出现？

2. 各章节的篇幅比例
   - 哪个章节篇幅最长？
   - 哪个章节最精简？

3. 固定内容
   - 哪些内容在所有文件中几乎一致（如公司简介、资质证明）？
   - 哪些内容每个文件都不一样（如技术方案、报价）？

4. 格式规范
   - 标题层级（一级、二级、三级标题的格式）
   - 编号方式
   - 表格使用习惯
   - 图表标注方式

请将分析结果保存到 workspace/skills/bid-writing/analysis-structure.md

提取优秀写法

# 让 AI 识别并提取写得好的部分

请再次读取 workspace/references/bids/ 目录下的所有投标文件，
找出每个文件中写得最好的章节，分析好在哪里：

对每个文件：
1. 找出 2-3 个写得最好的章节
2. 分析为什么好：
   - 结构清晰？
   - 数据充分？
   - 论证有力？
   - 语言专业？
   - 图文配合好？
3. 提取具体的写作技巧

将分析结果保存到 workspace/skills/bid-writing/analysis-best-practices.md

提取行业术语和固定表述

# 让 AI 学习你们的行业术语和固定表述风格

请分析所有历史投标文件中的：

1. 高频专业术语
   - 列出出现频率最高的30个专业术语
   - 标注每个术语的含义和使用场景

2. 固定表述模板
   - 找出反复出现的标准表述（如"我公司承诺..."、"本项目将采用..."）
   - 提取公司简介的标准版本
   - 提取售后承诺的标准版本

3. 禁用词汇
   - 是否有某些词汇从未出现过？（可能是你们避开的表述）
   - 是否有某些表述被明确修改过？

将结果保存到 workspace/skills/bid-writing/terminology.md

生成投标文件索引

# 创建索引文件，方便后续按需引用

请创建文件 workspace/references/bids/INDEX.md：

# 历史投标文件索引

| 文件名 | 项目名称 | 类型 | 日期 | 中标情况 | 特色内容 |
|---|---|---|---|---|---|
| bid_20260315_XXX项目_技术标.md | XXX智慧城市 | 技术标 | 2026-03-15 | ✅ 中标 | AI中台架构设计优秀 |
| bid_20260420_YYY项目_商务标.md | YYY数据平台 | 商务标 | 2026-04-20 | ✅ 中标 | 报价策略精准 |
| bid_20260510_ZZZ项目_完整.md | ZZZ智慧园区 | 完整 | 2026-05-10 | ❌ 未中标 | 技术方案扎实，商务部分薄弱 |
...

# 使用说明
写新投标文件时：
- 参考技术标 → 查看技术标文件
- 参考商务报价 → 查看商务标文件
- 参考公司介绍 → 任意文件的公司简介章节
- 参考优秀写法 → 查看 analysis-best-practices.md

📌 前提：你已经投喂了7-8份历史投标文件。这一步的目标是让 AI 从”看过”变成”理解”——提取结构、规范、风格、经验。

第二阶段：沉淀技能 — 从”看过”到”会写”

创建投标文件写作技能

# 基于第一阶段的分析结果，创建技能文件

请根据以下分析结果，创建投标文件写作技能文件：
- workspace/skills/bid-writing/analysis-structure.md（结构分析）
- workspace/skills/bid-writing/analysis-best-practices.md（优秀写法）
- workspace/skills/bid-writing/terminology.md（术语和表述）

创建文件 workspace/skills/bid-writing/SKILL.md，包含：

## 触发条件
用户要求写投标文件、标书、投标方案、技术方案

## 标准结构
（基于分析结果的标准章节结构）

## 各章节写作规范
（每个章节的写法要求、篇幅建议、必备内容）

## 格式规范
（标题、编号、表格、图表的格式要求）

## 行业术语
（引用 terminology.md 中的术语表）

## 固定表述
（公司简介、售后承诺等标准表述模板）

## 参考文件
（引用 INDEX.md 和历史文件路径）

## 注意事项
（避开的表述、必须包含的内容、常见错误）

创建模板文件

# 创建可复用的模板文件，减少每次从零开始

请基于历史投标文件，生成以下模板：

1. 技术标模板
   文件：workspace/skills/bid-writing/templates/技术标-标准模板.md
   内容：标准章节结构 + 每个章节的写法提示 + 示例段落

2. 商务标模板
   文件：workspace/skills/bid-writing/templates/商务标-标准模板.md
   内容：报价表格模板 + 商务条款标准表述 + 资质清单

3. 公司简介模板
   文件：workspace/skills/bid-writing/templates/公司简介.md
   内容：标准版本（300字、500字、1000字三个版本）

4. 售后承诺模板
   文件：workspace/skills/bid-writing/templates/售后承诺.md
   内容：标准版本 + 不同服务级别的差异

每个模板文件标注哪些部分是必须修改的，哪些可以直接复用。

创建检查清单

# 创建投标文件质量检查清单

请基于历史投标文件的分析，创建检查清单：

文件：workspace/skills/bid-writing/checklist.md

# 投标文件质量检查清单

## 结构检查
- [ ] 是否包含所有必需章节？
- [ ] 章节顺序是否符合标准？
- [ ] 项目编号/客户名称是否准确？

## 内容检查
- [ ] 公司简介是否使用最新版本？
- [ ] 技术方案是否针对本项目需求？
- [ ] 报价是否与商务文件一致？
- [ ] 资质证明是否在有效期内？

## 格式检查
- [ ] 标题层级是否正确？
- [ ] 编号是否连续？
- [ ] 表格格式是否统一？
- [ ] 图表是否有编号和标题？

## 合规检查
- [ ] 是否响应了招标文件的所有要求？
- [ ] 是否有遗漏的实质性条款？
- [ ] 签字盖章位置是否预留？

## 中标经验
- [ ] 是否包含了以往中标文件中的亮点内容？
- [ ] 技术方案是否有创新性？
- [ ] 是否体现了公司核心优势？

每次写完投标文件后，逐项检查。

验证技能文件完整性

# 检查技能文件体系是否完整

请列出 workspace/skills/bid-writing/ 目录下的所有文件，确认：

□ SKILL.md — 主技能文件
□ templates/ — 模板文件目录
   □ 技术标-标准模板.md
   □ 商务标-标准模板.md
   □ 公司简介.md
   □ 售后承诺.md
□ analysis-structure.md — 结构分析
□ analysis-best-practices.md — 优秀写法分析
□ terminology.md — 术语表
□ checklist.md — 检查清单

□ workspace/references/bids/INDEX.md — 历史文件索引
□ workspace/references/bids/*.md — 7-8份历史文件

所有文件到位后，AI 就具备了完整的写投标文件能力。

📌 目标：将第一阶段提取的所有经验沉淀为技能文件，使 AI 具备独立写投标文件的能力。

第三阶段：实战应用 — 写第一份新标书

提供项目信息

# 告诉 AI 新项目的信息

请基于投标文件技能，为以下项目写一份投标文件：

【项目信息】
- 项目名称：[填写]
- 招标方：[填写]
- 项目背景：[填写]
- 预算/最高限价：[填写]
- 招标要求核心点：[填写]
- 投标截止日期：[填写]

【特殊要求】
- 本次投标的重点关注领域：[填写]
- 需要特别强调的公司优势：[填写]
- 本次投标的竞争对手情况：[如有]

请先根据项目信息，确定投标文件的整体方案和章节侧重点。

先生成大纲，确认后再写正文

# 分步确认，避免一次性生成后大面积修改

请先基于投标文件技能和项目信息，生成投标文件大纲：

要求：
1. 列出所有章节和子章节
2. 每个章节标注预计篇幅
3. 标注哪些章节可以直接复用模板
4. 标注哪些章节需要重点针对本项目编写
5. 标注需要参考哪些历史文件

大纲生成后，我确认结构，再开始逐章编写。

AI 输出大纲后，你检查并确认（或提出修改意见）：

# 确认后：

大纲确认。请按以下顺序逐章编写：
1. 先写 公司简介（复用模板）
2. 再写 技术方案（重点章节，针对本项目）
3. 然后写 报价单
4. 最后写 售后承诺

每写完一章暂停，让我确认后再写下一章。

逐章编写与审核

# 逐章生成 → 审核 → 确认/修改

# 以技术方案章节为例：

# AI 生成技术方案后，你可以：

# 确认：
"第三章技术方案确认，继续写第四章"

# 修改意见：
"第三章中，架构图部分参考 bid_20260315_XXX项目_技术标.md 的写法重写"

"第三章的数据支撑不够，请补充具体的案例数据"

"第三章的语言风格需要更专业一些，参考 terminology.md 中的术语表"

# AI 根据反馈修改后，再次确认。

全稿完成后的质量检查

# 全稿完成后，让 AI 执行质量检查

请使用投标文件检查清单（checklist.md），对刚完成的投标文件进行全面检查：

1. 逐项检查并报告结果
2. 标注所有需要修改的地方
3. 优先标注关键问题（影响投标有效性的问题）

我会根据检查结果逐一修改确认。

检查完成后，补充最后的细节：

请在文件末尾添加：
1. 签字盖章位置（招标方名称、投标方名称、日期）
2. 附件清单（资质证明、业绩证明、人员证书等）
3. 文档版本号和修订记录

导出最终文件

# 导出为需要的格式

请将完成的投标文件导出为：
1. Word 文档（.docx）— 用于提交
2. PDF 文件 — 用于存档
3. Markdown 源文件 — 保留在 workspace/references/bids/ 目录

文件名格式：
bid_[日期]_[项目名]_[类型]_v[版本号].docx

第四阶段：反馈迭代 — 让 AI 越来越聪明

中标/未中标复盘

# 投标结果出来后，执行复盘

# 如果中标：

本次 [项目名称] 投标中标了。请复盘：

1. 总结中标的关键因素
2. 分析哪些章节获得了评标专家认可
3. 哪些写法值得保留和推广到其他文件
4. 将成功经验更新到技能文件和模板中

# 如果未中标：

本次 [项目名称] 投标未中标。请复盘：

1. 分析可能的失分点（对比中标文件）
2. 哪些章节需要改进
3. 哪些内容不够有竞争力
4. 竞争对手可能的优势在哪里
5. 将教训更新到技能文件和注意事项中

更新技能文件

# 每次写完新文件后，更新技能体系

请将本次 [项目名称] 投标文件中的新经验更新到技能体系：

1. 更新 SKILL.md：
   - 新增的写法技巧
   - 修改的章节规范
   - 新增的注意事项

2. 更新模板文件：
   - 如果有更好的表述，更新对应模板
   - 如果有新的章节变体，创建新模板

3. 更新术语表：
   - 新增的专业术语
   - 新增的固定表述

4. 更新检查清单：
   - 本次发现的问题，添加到检查清单
   - 本次遗漏的项，添加到检查清单

5. 更新历史文件索引：
   - 将本次文件添加到 INDEX.md
   - 标注中标情况和特色内容

6. 保存本次文件：
   保存到 workspace/references/bids/ 目录

定期对比分析

# 每写完3-5份新文件后，做一次横向对比

请对比最近写的5份投标文件（包括本次），分析：

1. 质量趋势
   - 哪些章节的质量在持续提高？
   - 哪些章节还需要改进？

2. 风格一致性
   - 各份文件的风格是否一致？
   - 是否有偏离标准表述的地方？

3. 效率趋势
   - 写每份文件需要修改的次数是否减少？
   - 从开始到定稿的时间是否缩短？

4. 新问题
   - 有没有遇到之前没遇到过的问题？
   - 有没有新的写法需要标准化？

将分析结果记录到 workspace/memory/ 每日笔记中，
重要的发现更新到 MEMORY.md。

引入外部优秀案例

# 不只是用自己的历史文件，还学习外部优秀案例

# 方法1：让 AI 搜索行业优秀投标案例

"请搜索 [行业/领域] 的优秀投标文件案例，
找到公开的优秀技术方案/实施方案，
提取其中值得借鉴的写法。"

# 方法2：收集竞争对手的公开方案

"请搜索 [竞争对手名称] 公开的投标方案/技术方案，
分析他们的写法和亮点，
提取可以借鉴的内容。"

# 方法3：引入行业标准和最佳实践

"请搜索 [行业] 的投标标准/最佳实践，
对比我们的投标文件，找出差距和改进空间。"

将外部优秀案例的学习结果更新到技能文件中。

📌 核心逻辑：每一份新完成的投标文件都是训练数据。完成 → 复盘 → 更新技能 → 下一份更好。

进阶：让 AI 持续智能的飞轮

建立多维度知识体系

# 不仅存投标文件，还存相关知识

在 workspace/references/ 目录下建立更完整的知识体系：

workspace/references/
├── bids/                          ← 历史投标文件
│   ├── INDEX.md                   ← 索引
│   ├── bid_20260315_XXX项目_技术标.md
│   ├── bid_20260420_YYY项目_商务标.md
│   └── ...
├── templates/                     ← 通用模板
│   ├── 技术标-标准模板.md
│   ├── 商务标-标准模板.md
│   └── ...
├── competitors/                   ← 竞品/对手资料
│   ├── competitor_智学AI.md
│   ├── competitor_未来学院.md
│   └── ...
├── knowledge/                     ← 行业知识
│   ├── AI行业政策汇编.md
│   ├── 智慧城市技术方案参考.md
│   └── ...
├── standards/                     ← 行业标准
│   ├── 投标文件格式标准.md
│   └── ...
└── win-loss/                      ← 中标/未中标复盘
    ├── win_20260315_XXX项目.md
    ├── loss_20260510_ZZZ项目.md
    └── ...

知识越丰富，AI 写的标书越专业。

建立”写作风格指南”

# 创建更高层次的写作风格指南

请创建文件 workspace/skills/bid-writing/style-guide.md：

# 投标文件写作风格指南

## 整体风格
- 专业严谨，不浮夸
- 数据驱动，避免空话
- 结构清晰，层次分明

## 语言规范
- 用词准确，避免歧义
- 专业术语使用统一表述
- 避免口语化表达

## 数据使用
- 所有数据注明来源
- 关键数据用表格呈现
- 避免使用模糊数字（如"约""大概"）

## 论证方式
- 先结论后论证
- 用案例佐证观点
- 用数据支撑论断

## 禁忌
- 不编造数据
- 不夸大能力
- 不贬低竞争对手
- 不承诺无法实现的内容

这份风格指南是最高层次的规范，所有模板和技能文件都遵循它。

建立自动化维护机制

# 让 AI 定期自动维护知识体系

请帮我创建一个定时任务：

- 名称：投标文件知识维护-每周
- 时间：每周五下午4点
- 任务内容：
  1. 检查 skill/bid-writing/ 下的所有文件是否一致
  2. 检查 INDEX.md 是否包含所有历史文件
  3. 检查是否有超过30天未更新的模板
  4. 检查 MEMORY.md 中是否有过时的投标相关记录
  5. 生成维护报告

请帮我创建另一个定时任务：

- 名称：投标能力评估-每月
- 时间：每月最后一个周五
- 任务内容：
  1. 对比最近5份投标文件的质量趋势
  2. 评估各章节的稳定度
  3. 检查是否有需要新增的模板
  4. 搜索行业最新趋势，更新知识库
  5. 生成月度能力评估报告

建立”招标要求解析”能力

# 每次投标前，先解析招标文件

请帮我创建一个新的技能文件，名为"招标文件解析"：

## 触发条件
用户提供招标文件/招标公告/采购需求

## 解析流程
1. 提取项目基本信息（名称、预算、截止日期）
2. 提取技术要求清单（逐条列出）
3. 提取商务要求清单
4. 提取评标标准（评分细则）
5. 提取资质要求
6. 提取废标条款
7. 生成响应矩阵（要求 vs 我方能力）

## 输出
- 招标要求摘要
- 响应检查清单
- 风险点提醒
- 投标策略建议

创建后，每次拿到新招标文件：
"用招标文件解析技能，分析以下招标文件"
（粘贴或上传招标文件）

AI 会自动提取所有关键信息，生成响应矩阵，
然后再用投标文件技能开始写标书。

能力进化路线图

**💡 加速进化的关键：

每份必复盘 — 不复盘 = 不进步

及时反馈 — 写完后立刻更新技能文件，不要攒着

引入外部案例 — 只看自己的文件会陷入”信息茧房”

定期维护 — 设置定时任务，让 AI 自动检查和维护知识体系

建立检查清单 — 避免同样的错误犯多次**

📑 目录

问题诊断：为什么每次都在重新读取全部内容

错误的做法（费 Token）

正确的做法（省 Token）

检查当前 Token 消耗

省 Token 方法一：参考文件挂载（效果最大）

创建参考文件库

使用时按需读取

为参考文件创建索引

省 Token 方法二：技能文件按需加载

技能文件 vs 重复说明

技能文件的正确写法

省 Token 方法三：分步执行 + 子 Agent 隔离

复杂任务拆分为多步

使用子 Agent 隔离独立任务

省 Token 方法四：上下文窗口管理

定期精简 MEMORY.md

清理过期每日笔记

使用 lightContext 模式

省 Token 方法五：模型选择与定时任务优化

按任务复杂度选择模型

定时任务优化

Token 消耗对比：优化前 vs 优化后

推荐 GitHub 项目清单

AI Agent / 自动化框架

本地模型部署

文档处理 / 数据处理

图片 / 视频处理

自动化 / 工具集成

如何自己筛选好用的 GitHub 项目

让 OpenClaw 帮你搜索和筛选

手动筛选的评估标准

实用筛选命令（让 OpenClaw 执行）

建立自己的项目推荐库

附录：投标文件实战

📑 目录

第一阶段：消化已有文件 — 让 AI 理解你们的标书

整理文件到参考目录

提取共性结构

提取优秀写法

提取行业术语和固定表述

生成投标文件索引

第二阶段：沉淀技能 — 从”看过”到”会写”

创建投标文件写作技能

创建模板文件

创建检查清单

验证技能文件完整性

第三阶段：实战应用 — 写第一份新标书

提供项目信息

先生成大纲，确认后再写正文

逐章编写与审核

全稿完成后的质量检查

导出最终文件

第四阶段：反馈迭代 — 让 AI 越来越聪明

中标/未中标复盘

更新技能文件

定期对比分析

引入外部优秀案例

进阶：让 AI 持续智能的飞轮

建立多维度知识体系

建立”写作风格指南”

建立自动化维护机制

建立”招标要求解析”能力

能力进化路线图