推動AI教育，
創新未來！
創新未來！
從 OpenClaw 到 KG-based OpenClaw，帶你理解三層 Skill-KG、雙助理架構、Prompt-to-CF 與持續優化循環， 看見企業級 Agent 生態如何從會做事，走向會推薦、會學習、會記得、會被治理。
這場座談會不是只談單一工具，而是從知識骨架、決策機制、即時補強到成長循環， 一次看懂知識龍蝦的方法論。
知識龍蝦（KG-based OpenClaw）是一套以 OpenClaw 為執行底盤、以三層 Skill-KG 為知識骨架、 以雙助理架構為決策機制，並用真實互動 rollouts 持續優化的企業級 Agent 生態方法論。 它不只強調工具使用，更強調推薦、治理、個人化與長期演化能力。
從知識骨架、決策輔助到持續優化，帶你看懂知識龍蝦（KG-based OpenClaw）的整體方法論。
企業如果只停留在接幾個 tools、寫幾段 prompts、拼幾條 workflows，通常很快就會遇到幾個問題： 會做事但不穩定、會接工具但不懂企業規則、會回應人卻不會沉澱組織知識、會成長但不可治理。
知識龍蝦的目的，就是把 OpenClaw 從功能型 Agent，升級成有知識骨架、有決策輔助、有風險監督、 有個人化能力的智能生態。
知識龍蝦的核心知識骨架，是三層 Skill-KG：上游借力、中游治理、下游個人化。
上游 Skill-KG 承載通用的 Tool-KG、Skill-KG、System-KG、Role-KG 與 Risk Pattern-KG， 提供可重用的結構底盤。
中游 Skill-KG 承載企業流程、SOP、Prompt Constitution、Tool Permission Graph、 風險規則與組織記憶，是企業治理層。
下游 Skill-KG 承載個人偏好、常用 workflow、session cf_links、personal memory 與風險耐受模式，負責個人化與即時脈絡。
KG-Agent 是決策前助理，負責讀取 Skill-KG、產生 candidates、補入決策前的 pre-CF_links， 幫 ClawAgent 找路。
EagleAgent 是決策後、執行前助理，負責檢查 proposed decision、做風險評估與合規審查、 產生 alternatives，幫 ClawAgent 換路。
一句話來說：前 CF 幫 Agent 找路，後 CF 幫 Agent 換路。
知識龍蝦把 prompts 視為即時知識來源。System prompts 可抽出憲法級 CF_Links， User prompts 可抽出參考級 CF_Links。
這些 prompt-derived CF signals 不直接改核心 policy，而是先補入 Skill-KG 的 candidate pools， 用來即時補強 tool、skill、workflow 與 next-step 的排序。
真實互動中的 user corrections、re-queries、explicit feedback、human overrides、 Eagle warnings 是否被接受，都能回流成訓練訊號。
同一段 rollout 可以同時餵養行為能力、知識能力與解釋能力，因此知識龍蝦不是一次寫死， 而是會從日常互動中持續進化。
最後形成雙養正循環：OpenClaw 每天運行產生新的 rollouts，這些 rollouts 再反過來餵養 KG、 EagleAgent 與 Sherpa LoRA，讓整體系統越用越強。
適合對企業級 Agent、生態治理、知識圖譜、推薦機制、Prompt 治理、 OpenClaw 架構與 AI 導入實務有興趣的人參加。
不只是看工具怎麼串，更是看懂如何把工具、技能、治理與個人化， 養成一個會持續增值的智能生態。
本場內容將搭配《知識龍蝦》架構說明進行分享，適合關注 OpenClaw、知識圖譜、 AI 治理、Agent 系統設計與企業導入方法的人員參與。