基于OpenClaw与本地大模型构建梅花易数AI智能体实践

1. 项目概述：当AI智能体遇上古老占卜术

最近在折腾本地AI智能体部署的朋友，估计对“OpenClaw”（小龙虾）这个名字不陌生了。它本质上是一个开源的AI智能体框架，能让你在本地电脑上跑起来一个能听你指挥、帮你干活的“数字员工”。而我这次折腾的，是把OpenClaw和咱们老祖宗传下来的“梅花易数”给结合到一块儿去了。听起来有点“赛博算命”的味道对吧？但它的核心逻辑其实很清晰：利用OpenClaw强大的自然语言理解和任务拆解能力，来模拟一个精通梅花易数的“老师傅”的思维过程，让用户能用最自然的话（比如“帮我看看明天面试顺不顺利”）来起卦、解卦，并获得一份结构化的分析报告。

这可不是简单的关键词匹配或者固定话术。传统的梅花易数起卦，需要依据时间、数字、物象甚至随机的心念，过程虽有意趣但对新手门槛不低。而OpenClaw在这里扮演的角色，首先是一个“交互接口”，它能理解你口语化、甚至带点情绪的描述（“我最近总感觉心神不宁，是不是该注意点什么？”），并将其转化为起卦所需的“数”或“象”。更重要的是，它内置的“大脑”（大语言模型）能基于梅花易数的核心规则——体用生克、卦象爻辞、五行旺衰——进行一套逻辑推演，最后生成一份既有古法依据，又用现代人能听懂的语言呈现的解读。

所以，这个项目解决的，远不止是“好玩”。它本质上是在探索：如何用当代最前沿的AI Agent技术，去封装和调用那些深藏在传统文化中的、非结构化的知识与推理体系。对于开发者而言，这是一个绝佳的练手项目，你能深入理解OpenClaw的Skill（技能）开发、上下文管理以及如何让大模型进行“确定性”较强的规则推理。对于传统文化爱好者，它提供了一个全新的、可交互的体验窗口。而对于像我这样喜欢瞎琢磨的“手艺人”来说，这个过程本身，就是最大的乐趣。

2. 核心思路与技术选型：为什么是OpenClaw+本地模型？

决定做这个项目时，技术栈的选择是第一个要啃的硬骨头。市面上能跑AI智能体的框架不少，为什么偏偏选中OpenClaw？而梅花易数的“大脑”，又该用什么模型来充当？

2.1 为什么选择OpenClaw作为智能体框架？

首先，OpenClaw的定位非常精准：轻量、开源、可扩展的AI智能体平台。它不像一些企业级方案那样沉重，部署在个人电脑上（无论是Windows、Mac还是Linux）都很友好。它的核心架构清晰，通过一个主服务协调多个“技能”（Skill），每个技能可以独立完成一类任务，比如搜索、计算、文件操作，或者像我们这个项目里的“占卜”。

其次，OpenClaw对本地化部署和大模型接入的支持非常直接。它原生支持与Ollama（一个本地大模型运行工具）无缝对接，这意味着我可以完全在离线环境下，使用开源的、无需API密钥的大模型（如Qwen、Llama、Gemma等系列）来驱动整个应用。数据隐私是梅花易数这类涉及个人心念的项目必须考虑的红线，所有计算和推理都在本地完成，杜绝了信息外泄的风险。

最关键的是它的可编程性和“技能”开发范式。OpenClaw允许开发者用Python轻松编写自定义Skill。对于梅花易数这个场景，我可以把起卦、装卦、解卦这一整套流程，封装成一个独立的Skill。这个Skill能接收用户的自然语言输入，调用本地大模型进行意图理解和信息提取，再按照既定规则执行卦象推算，最后组织语言输出。整个流程在OpenClaw的调度下，可以变得像调用一个普通函数一样简单。

2.2 梅花易数“大脑”的模型选型考量

确定了框架，接下来就是为这个“赛博老师傅”选择一个合适的“大脑”。这里有几个核心考量：

  1. 中文理解与古文能力：梅花易数涉及大量《周易》卦辞、爻辞的引用和文言文理解。因此，模型必须具备优秀的中文语言能力，尤其是对传统文化语境有一定知识储备。
  2. 逻辑推理与规则遵循：解卦不是天马行空的文学创作，它有一套严格的规则（如“体用生克”、“互卦变卦”）。模型需要能够严格遵循我通过提示词（Prompt）设定的推理逻辑，而不是随意发挥。
  3. 本地部署与性能开销：模型需要在个人电脑上流畅运行，参数量不能太大，响应速度要快。

基于这几点，我最终选择了Qwen2.5-7B-Instruct这个型号的模型。原因如下：

  • 强大的中文能力：Qwen系列由阿里通义千问团队开源，其中文原生训练优势明显，对传统文化内容的理解和生成质量很高。
  • 适中的尺寸：7B参数在消费级显卡（如RTX 4060 8G）上可以流畅进行INT4量化推理，内存占用可控，响应速度在可接受范围内。
  • 优秀的指令跟随能力：Instruct版本经过大量指令微调，能更好地理解并执行复杂的任务要求，这对于需要严格按步骤解卦的场景至关重要。

当然，你也可以尝试Llama-3.2-3B-Instruct（更轻量）或DeepSeek-V2-Lite-Chat（综合能力强）等模型。关键在于，一定要选择那些在评测中表现出良好指令遵循和中文能力的开源模型。

注意：模型的选择不是一劳永逸的。同一个模型，不同的量化精度（如Q4_K_M, Q8_0）也会影响效果和速度。通常建议从Q4_K_M开始尝试，在效果和速度间取得较好平衡。

2.3 整体架构设计图（概念层面）

为了让思路更清晰，我们可以把这个项目的核心流程梳理出来：

用户输入（自然语言问题） ↓ OpenClaw 主服务（接收请求，路由至梅花易数Skill） ↓ 梅花易数 Skill（核心逻辑） ├── 步骤1：信息提取与起卦参数生成 │ └── 调用本地大模型，从用户问题中提取“数”（如日期、随机数）或“象”（如提到的物品、事件），转化为三个数字（或直接得到上卦、下卦、动爻）。 ├── 步骤2：核心占卜逻辑执行 │ ├── 根据数字计算上卦、下卦、动爻。 │ ├── 确定本卦、互卦、变卦。 │ ├── 确定体卦、用卦，分析五行生克。 │ └── 关联《周易》卦辞、爻辞。 ├── 步骤3：解卦分析与报告生成 │ └── 再次调用本地大模型，将步骤2得到的结构化卦象信息，结合用户原始问题，生成一份通俗易懂、有针对性的解读报告。 ↓ 最终输出（结构化解读报告）

这个架构的关键在于，将确定性的规则计算（步骤2）与开放性的语言生成（步骤1和3）分离。规则计算部分我用纯Python代码实现，保证每次起卦结果一致。而语言生成部分交给大模型，让它发挥理解和表达的优势。这样既保证了占卜方法的准确性，又让结果呈现得生动、个性化。

3. 环境部署与OpenClaw实战配置

理论说得再多，不如动手搭起来。这一部分，我会以在Ubuntu 22.04系统上通过Docker部署为例，详细走一遍流程。Windows和Mac用户也可以通过Docker Desktop实现类似操作，核心步骤是相通的。

3.1 基础环境准备：Docker与Ollama

我们的架构依赖两个核心服务：OpenClaw本身和负责运行大模型的Ollama。

1. 安装Docker与Docker Compose如果你的系统还没有Docker，可以通过以下命令安装：

# 更新软件包索引 sudo apt-get update # 安装依赖 sudo apt-get install ca-certificates curl # 添加Docker官方GPG密钥 sudo install -m 0755 -d /etc/apt/keyrings sudo curl -fsSL https://download.docker.com/linux/ubuntu/gpg -o /etc/apt/keyrings/docker.asc sudo chmod a+r /etc/apt/keyrings/docker.asc # 设置仓库 echo \ "deb [arch=$(dpkg --print-architecture) signed-by=/etc/apt/keyrings/docker.asc] https://download.docker.com/linux/ubuntu \ $(. /etc/os-release && echo "$VERSION_CODENAME") stable" | \ sudo tee /etc/apt/sources.list.d/docker.list > /dev/null # 安装Docker引擎 sudo apt-get update sudo apt-get install docker-ce docker-ce-cli containerd.io docker-buildx-plugin docker-compose-plugin # 验证安装 sudo docker run hello-world

2. 安装并配置OllamaOllama是我们运行本地大模型的引擎。推荐直接使用其提供的安装脚本：

curl -fsSL https://ollama.com/install.sh | sh

安装完成后，启动Ollama服务：

ollama serve &

此时，Ollama会在本地的11434端口启动一个API服务。接下来，拉取我们选好的大模型：

# 拉取Qwen2.5 7B指令版模型，使用Q4_K_M量化（节省显存） ollama pull qwen2.5:7b-instruct-q4_K_M

这个过程会下载约4.2GB的模型文件，耗时取决于你的网络。下载完成后，你可以测试一下模型是否正常工作：

ollama run qwen2.5:7b-instruct-q4_K_M "你好，请介绍一下你自己。"

如果能看到模型流畅地生成回复，说明Ollama部分就准备好了。

3.2 部署OpenClaw服务

OpenClaw官方提供了Docker镜像，这让部署变得非常简单。我们只需要一个docker-compose.yml配置文件。

首先，创建一个项目目录，比如openclaw-yi：

mkdir openclaw-yi && cd openclaw-yi

然后，创建docker-compose.yml文件：

version: '3.8' services: openclaw: image: crestodian/openclaw:latest container_name: openclaw ports: - "3000:3000" # Web UI端口 - "8000:8000" # API服务端口 environment: - OLLAMA_BASE_URL=http://host.docker.internal:11434 # 关键！让容器内能访问宿主机的Ollama - DEFAULT_MODEL=qwen2.5:7b-instruct-q4_K_M # 设置默认模型 - OPENCLAW_API_KEY=your_secret_api_key_here # 设置一个API密钥，用于安全调用 volumes: - ./data:/app/data # 挂载数据卷，持久化配置和会话 - ./skills:/app/skills # 挂载技能目录，用于放置我们自定义的梅花易数Skill restart: unless-stopped extra_hosts: - "host.docker.internal:host-gateway" # 用于Linux系统，使容器能解析到宿主机

这里有几个关键点需要解释：

  • OLLAMA_BASE_URL: 这是连接OpenClaw和Ollama的桥梁。因为Ollama运行在宿主机上，而OpenClaw在Docker容器内，所以需要使用host.docker.internal这个特殊域名指向宿主机。在Mac和Windows的Docker Desktop中，这个域名是自动可用的。在Linux上，需要通过extra_hosts配置来添加。
  • DEFAULT_MODEL: 指定OpenClaw默认使用哪个模型，必须和Ollama中拉取的模型名称一致。
  • volumes: 我们将本地的./skills目录挂载到容器的/app/skills。这样，我们后续编写的自定义Skill文件放在本地，就能在容器内生效了。

保存文件后，启动OpenClaw服务：

docker-compose up -d

使用docker-compose logs -f openclaw可以查看实时日志。当看到类似“Server started on port 3000”的日志时，说明服务已经启动成功。现在，打开浏览器访问http://你的服务器IP:3000，就能看到OpenClaw的Web聊天界面了。

3.3 验证与初步测试

在Web界面中，你应该可以直接开始对话。输入“你好”，OpenClaw会调用我们设定的Qwen模型进行回复。这证明了OpenClaw基础服务和模型连接是正常的。

但此时，OpenClaw还只有一些基础能力，我们的“梅花易数”技能尚未安装。接下来，就是最核心的部分——开发这个自定义Skill。

4. 梅花易数Skill的深度开发与实现

这是整个项目的灵魂所在。我们需要在OpenClaw的框架下，创建一个能理解指令、执行占卜逻辑、并生成解读的Skill。

4.1 OpenClaw Skill的基本结构

在挂载的./skills目录下，我们创建一个新的文件夹meihua_yishu。一个标准的OpenClaw Skill通常包含以下文件：

meihua_yishu/ ├── __init__.py ├── skill.py # 技能主逻辑 ├── requirements.txt # Python依赖 └── README.md # 技能说明

其中，skill.py是最核心的文件。OpenClaw会动态加载这个目录，并识别其中的技能。

4.2 技能主逻辑(skill.py)拆解

我们的skill.py需要完成以下几大功能模块：

1. 技能元数据与初始化

from openclaw.skill import Skill, BaseModel from typing import Dict, Any, Optional import random import datetime import re class MeiHuaYiShuInput(BaseModel): """定义技能输入的数据结构""" question: str # 用户的问题 method: Optional[str] = "auto" # 起卦方法：auto(自动), date(日期), number(数字) class MeiHuaYiShuSkill(Skill): """梅花易数技能类""" name = "meihua_yishu" description = "使用梅花易数为用户的问题进行占卜，提供卦象和解读。" version = "1.0.0" def __init__(self): super().__init__() # 八卦与数字、五行、自然象征的映射表，这是梅花易数的核心字典 self.trigram_map = { 1: {'name': '乾', 'nature': '天', 'attribute': '健', 'family': '父', 'body': '首', 'element': '金'}, 2: {'name': '兑', 'nature': '泽', 'attribute': '悦', 'family': '少女', 'body': '口', 'element': '金'}, 3: {'name': '离', 'nature': '火', 'attribute': '丽', 'family': '中女', 'body': '目', 'element': '火'}, 4: {'name': '震', 'nature': '雷', 'attribute': '动', 'family': '长男', 'body': '足', 'element': '木'}, 5: {'name': '巽', 'nature': '风', 'attribute': '入', 'family': '长女', 'body': '股', 'element': '木'}, 6: {'name': '坎', 'nature': '水', 'attribute': '陷', 'family': '中男', 'body': '耳', 'element': '水'}, 7: {'name': '艮', 'nature': '山', 'attribute': '止', 'family': '少男', 'body': '手', 'element': '土'}, 8: {'name': '坤', 'nature': '地', 'attribute': '顺', 'family': '母', 'body': '腹', 'element': '土'}, } self.element_relation = {'金': '水', '水': '木', '木': '火', '火': '土', '土': '金'} # 相生关系 self.element_conflict = {'金': '木', '木': '土', '土': '水', '水': '火', '火': '金'} # 相克关系

这里我们定义了技能的输入模型和初始化了基础数据。BaseModel用于确保输入数据的规范性。

2. 核心占卜逻辑函数这部分是纯算法的，不依赖AI模型，确保起卦结果的可复现性。

def _generate_numbers(self, method: str, question: str) -> tuple: """根据方法生成三个随机数（上卦、下卦、动爻）""" if method == "date": # 日期起卦法：取当前年月日数字之和，除以8余数为上卦；加上时分秒，除以8余数为下卦；总和除以6余数为动爻 now = datetime.datetime.now() year_num = now.year % 100 # 取后两位 month_num = now.month day_num = now.day hour_num = now.hour minute_num = now.minute second_num = now.second upper_num = (year_num + month_num + day_num) % 8 upper_num = 8 if upper_num == 0 else upper_num # 余数0对应8 lower_num = (upper_num + hour_num + minute_num + second_num) % 8 lower_num = 8 if lower_num == 0 else lower_num moving_num = (year_num + month_num + day_num + hour_num + minute_num + second_num) % 6 moving_num = 6 if moving_num == 0 else moving_num return upper_num, lower_num, moving_num elif method == "number": # 从用户问题中提取数字，如果没有则随机生成 numbers = re.findall(r'\d+', question) if len(numbers) >= 3: num1 = int(numbers[0]) % 8 or 8 num2 = int(numbers[1]) % 8 or 8 num3 = int(numbers[2]) % 6 or 6 return num1, num2, num3 else: # 数字不足，使用随机数补全（模拟“心动”起卦） return random.randint(1,8), random.randint(1,8), random.randint(1,6) else: # auto # 综合方法：尝试提取数字，失败则用日期法 numbers = re.findall(r'\d+', question) if len(numbers) >= 2: return self._generate_numbers("number", question) else: return self._generate_numbers("date", question) def _calculate_hexagrams(self, upper_num: int, lower_num: int, moving_line: int) -> Dict[str, Any]: """根据数字计算本卦、互卦、变卦，并确定体用""" # 获取上下卦象 upper_trigram = self.trigram_map[upper_num] lower_trigram = self.trigram_map[lower_num] # 本卦：由上卦和下卦组成 original_hexagram = { 'upper': upper_trigram, 'lower': lower_trigram, 'name': f"{upper_trigram['name']}上{lower_trigram['name']}下", 'full_name': f"{upper_trigram['nature']}天{lower_trigram['nature']}地" # 简化的卦名，实际应根据64卦映射 } # 动爻位置（从下往上数，1-6） moving_position = moving_line # 确定体卦和用卦：无动爻的卦为体卦，有动爻的卦为用卦 # 梅花易数中，动爻所在的三爻经卦为“用卦”，另一个为“体卦” # 这里简化处理：上卦对应4-6爻，下卦对应1-3爻 if moving_position <= 3: # 动爻在下卦，则下卦为用卦，上卦为体卦 ti_trigram = upper_trigram # 体卦 yong_trigram = lower_trigram # 用卦 yong_has_move = True else: # 动爻在上卦 ti_trigram = lower_trigram yong_trigram = upper_trigram yong_has_move = True # 分析体用生克 ti_element = ti_trigram['element'] yong_element = yong_trigram['element'] relation = "" if yong_element == self.element_relation.get(ti_element): relation = "用生体，吉。象征外部力量生助自身，事情易成。" elif ti_element == self.element_relation.get(yong_element): relation = "体生用，小凶。象征自身消耗精力去生助外部，有所损耗。" elif yong_element == self.element_conflict.get(ti_element): relation = "用克体，大凶。象征外部环境或人事克制自身，阻力大。" elif ti_element == self.element_conflict.get(yong_element): relation = "体克用，小吉。象征自身能克制外部困难，需努力方可成。" else: relation = "体用比和，吉。象征内外和谐，同心协力。" # 此处省略互卦、变卦的详细计算逻辑（需根据爻变规则推导新卦） # ... return { 'original_hexagram': original_hexagram, 'ti_trigram': ti_trigram, 'yong_trigram': yong_trigram, 'moving_position': moving_position, 'element_relation': relation, 'numbers': (upper_num, lower_num, moving_line) }

这部分代码实现了梅花易数最核心的数学计算和规则判断。它完全由代码逻辑驱动，确保了无论调用多少次，只要输入相同，起卦结果就一致。这是整个技能的“确定性基石”。

3. 与大模型交互的提示词工程这是让AI“懂得”如何解卦的关键。我们需要设计两个提示词（Prompt）：一个用于从用户问题中提取起卦参数，另一个用于根据卦象生成解读。

def _extract_question_intent(self, question: str) -> Dict[str, Any]: """调用大模型，从用户问题中提取意图和潜在起卦参数""" prompt = f""" 你是一位梅花易数起卦助手。请分析用户的问题，并提取以下信息： 用户问题："{question}" 请以JSON格式回复，包含以下字段： 1. `method_suggestion`: 建议的起卦方法，只能是 "date"（日期）、"number"（数字）或 "auto"（自动）。 2. `key_numbers`: 从问题中提取到的所有数字列表，如果没有则为空列表[]。 3. `key_symbols`: 从问题中提到的具体物体、事件中抽象出的象征物列表（如“山”、“车”、“争吵”）。 4. `question_category`: 问题所属类别，如“事业”、“感情”、“健康”、“决策”等。 注意：只输出JSON，不要有任何额外解释。 """ # 调用OpenClaw的LLM接口（这里需要根据OpenClaw的实际API调整） # 假设我们通过一个helper函数调用配置好的默认模型 response = self.llm_invoke(prompt, max_tokens=200) # 解析response中的JSON内容 # ... (解析逻辑) return extracted_info

第一个Prompt让模型充当信息提取器，将模糊的自然语言转化为结构化的数据，供后续的_generate_numbers函数使用。

def _generate_interpretation(self, hexagram_info: Dict, user_question: str, extracted_intent: Dict) -> str: """调用大模型，根据卦象信息生成最终解读""" prompt = f""" 你是一位精通梅花易数和《周易》的国学老师。请根据提供的卦象信息，为用户的问题提供解读。 【用户问题】{user_question} 【问题类别】{extracted_intent.get('question_category', '一般咨询')} 【起卦所得】 - 本卦：{hexagram_info['original_hexagram']['name']} ({hexagram_info['original_hexagram']['full_name']}) - 体卦：{hexagram_info['ti_trigram']['name']}卦（象征{hexagram_info['ti_trigram']['nature']}，属性{hexagram_info['ti_trigram']['attribute']}，五行属{hexagram_info['ti_trigram']['element']}） - 用卦：{hexagram_info['yong_trigram']['name']}卦（象征{hexagram_info['yong_trigram']['nature']}，属性{hexagram_info['yong_trigram']['attribute']}，五行属{hexagram_info['yong_trigram']['element']}） - 动爻：第{hexagram_info['moving_position']}爻 - 体用生克：{hexagram_info['element_relation']} 【解读要求】 1. **结合卦象**：简要说明本卦卦象组合的寓意。 2. **分析体用**：重点分析体卦和用卦的生克关系，说明这对用户所问之事意味着什么。 3. **关联问题**：将卦象的象征意义（如天、地、火、水、山、泽、风、雷）和动爻位置，与用户问题的具体情境结合起来分析。 4. **给出建议**：基于以上分析，提供1-2条具体、正向的行动建议或心态调整方向。 5. **风格**：语言通俗易懂，避免过度玄虚，语气温和、富有启发性。 请直接开始你的解读，不要以“根据卦象”等套话开头。 """ interpretation = self.llm_invoke(prompt, max_tokens=800) return interpretation

第二个Prompt则让模型扮演解卦师的角色。我们提供了高度结构化的卦象信息作为上下文，引导模型进行有据可依的推理，而不是凭空编造。这大大提高了输出的相关性和可靠性。

4. 技能执行入口最后，我们需要将以上所有模块串联起来，形成一个完整的Skill执行流程。

async def execute(self, input_data: MeiHuaYiShuInput) -> Dict[str, Any]: """技能执行的主函数""" question = input_data.question method = input_data.method # 步骤1：提取用户意图和参数 self.logger.info(f"开始分析问题: {question}") extracted_intent = self._extract_question_intent(question) # 步骤2：生成数字并计算卦象 upper_num, lower_num, moving_line = self._generate_numbers(method, question) hexagram_info = self._calculate_hexagrams(upper_num, lower_num, moving_line) # 步骤3：生成解读 interpretation = self._generate_interpretation(hexagram_info, question, extracted_intent) # 步骤4：组织最终返回结果 result = { "status": "success", "user_question": question, "method_used": method, "extracted_intent": extracted_intent, "divination_numbers": hexagram_info['numbers'], "hexagram_analysis": { "original_hexagram": hexagram_info['original_hexagram']['name'], "ti_hexagram": hexagram_info['ti_trigram']['name'], "yong_hexagram": hexagram_info['yong_trigram']['name'], "moving_line": hexagram_info['moving_position'], "element_relation_summary": hexagram_info['element_relation'] }, "interpretation": interpretation, "raw_hexagram_info": hexagram_info # 供调试使用 } return result

这个execute函数是OpenClaw框架约定的入口。当用户调用这个技能时，OpenClaw会把输入数据传进来，然后我们按步骤执行，并返回一个结构化的结果字典。

4.3 技能注册与测试

编写完skill.py后，我们需要在OpenClaw中注册这个技能。通常，OpenClaw会自动扫描skills目录。但我们可能需要创建一个__init__.py文件来导出技能类：

from .skill import MeiHuaYiShuSkill __all__ = ["MeiHuaYiShuSkill"]

然后，重启OpenClaw容器使其加载新技能：

docker-compose restart openclaw

重启后，我们可以在OpenClaw的Web界面中测试。通常，你可以通过特定的指令来调用技能，例如输入/meihua 我想知道这次项目竞标能成功吗？。具体的调用指令取决于你在Skill中如何定义触发方式（这通常需要在OpenClaw的Skill配置文件中进行额外设置，本例为简化演示，聚焦核心逻辑）。

5. 高级技巧、问题排查与优化方向

项目跑起来只是第一步，要让其稳定、好用，还需要处理很多细节。这里分享我在开发和测试中积累的一些经验。

5.1 提升准确性与稳定性的技巧

  1. 起卦随机性的控制：梅花易数强调“心动则卦成”。代码中的随机数生成器(random)默认是基于系统时间的伪随机。为了更贴近“心动”的不可预测性，可以考虑引入更随机的种子源，例如读取当前进程ID和微秒级时间戳进行混合。但在调试阶段，固定随机种子反而有利于复现问题。

    # 更“随机”的种子 import time, os random.seed(int(time.time() * 1000000) ^ os.getpid())

  2. 大模型输出的稳定性：有时模型会不按JSON格式回复，或者在解读时加入无关内容。解决方法：

    • Prompt工程：在提示词中明确要求“只输出JSON”或“直接开始解读”，并使用“json”代码块格式来引导。
    • 后处理：编写健壮的解析代码，使用json.loads()并配合try...except，如果解析失败，可以尝试用正则表达式提取JSON部分，或者给模型一个更严厉的提示词让其重试。
    • 温度参数：调用模型API时，将温度(temperature)参数调低（如0.1-0.3），减少输出的随机性，使其更倾向于遵循指令。

  3. 卦象映射的完善：示例代码中只用了八卦的基本信息。完整的梅花易数需要64卦的卦辞、爻辞数据库。你可以将《周易》全文整理成一个JSON文件，在技能初始化时加载。当计算出本卦和变卦后，能直接索引到对应的古文辞句，让大模型在此基础上进行阐释，解读会更具权威性。

5.2 常见问题与排查实录

在部署和开发过程中，我遇到了不少坑，这里列几个典型的：

问题1：OpenClaw容器无法连接宿主机的Ollama服务（Connection Refused）。

  • 现象：OpenClaw日志报错Failed to connect to Ollama at http://host.docker.internal:11434。
  • 排查：
    1. 首先在宿主机运行curl http://localhost:11434/api/tags，确认Ollama服务本身正常。
    2. 进入OpenClaw容器内部测试：docker exec -it openclaw bash，然后运行curl http://host.docker.internal:11434/api/tags。如果失败，说明容器内网络不通。
  • 解决：
    • 对于Linux Docker：确保docker-compose.yml中配置了extra_hosts: - "host.docker.internal:host-gateway"。如果不行，可以改用宿主机的实际IP地址（如172.17.0.1）替换host.docker.internal，但注意这个IP可能在Docker网络重启后变化。
    • 通用方案：使用network_mode: "host"让容器共享宿主网络命名空间（docker-compose.yml中设置），这样容器内直接访问localhost:11434即可。但此模式会牺牲一定的网络隔离性。

问题2：大模型生成的内容偏离预期，胡言乱语。

  • 现象：模型在解卦时，完全无视提供的卦象信息，开始自由创作一段玄幻小说。
  • 排查：
    1. 检查提示词（Prompt）是否清晰、结构化。将系统角色（“你是国学老师”）和任务要求（“根据以下卦象信息解读”）放在最前面，并用明确的标记（如【】）分隔不同部分。
    2. 检查传递给模型的hexagram_info内容是否正确，确保卦名、五行等关键信息没有错误。
    3. 检查模型本身是否“擅长”此类任务。可以手动用Ollama命令行测试同一个Prompt，观察效果。
  • 解决：
    • 强化Prompt：在Prompt开头加入强指令，如“你必须严格依据我提供的卦象信息进行解读，不得编造不存在的卦象或生克关系。”
    • 分步调用：如果一次生成效果不好，可以拆成两步。第一步让模型总结卦象信息，第二步再基于总结生成面向用户的解读。这增加了约束，但代价是延迟和成本（Token消耗）翻倍。
    • 更换模型：如果某个模型始终表现不佳，果断换一个。Qwen、DeepSeek在中文指令遵循上通常表现更好。

问题3：技能加载失败，OpenClaw Web界面找不到自定义技能。

  • 现象：重启容器后，在技能列表里看不到meihua_yishu。
  • 排查：
    1. 检查skills目录的挂载路径是否正确。进入容器查看：docker exec -it openclaw ls -la /app/skills/。
    2. 检查skill.py中类的命名是否正确，是否继承自openclaw.skill.Skill。
    3. 查看OpenClaw容器的启动日志，是否有关于技能加载的报错信息：docker-compose logs openclaw | grep -i skill。
  • 解决：
    • 确保目录结构和文件权限正确。
    • 检查OpenClaw的版本是否支持自定义Skill加载。有时需要特定的技能声明文件（如skill.json）。
    • 最简单的测试方法是，先在skill.py中写一个最简单的execute函数，只返回{"message": "hello"}，看能否被加载和调用。

5.3 项目扩展与优化方向

这个基础版本跑通后，你还可以从多个维度进行扩展，让它变得更强大、更实用：

  1. 多模态输入：目前的输入是纯文本。可以扩展Skill，使其能接收用户上传的图片。例如，用户拍一张办公桌的照片，Skill可以调用视觉模型识别图中的物品（如“一本书”、“一杯水”），将这些“象”转化为起卦的参数。
  2. 对话记忆与上下文：OpenClaw本身有会话记忆功能。可以改造Skill，使其支持多轮对话。比如用户问“那我应该注意什么呢？”，Skill能结合上一卦的上下文，给出更深入的行动建议，而不是重新起卦。
  3. 技能链（Skill Chaining）：将梅花易数Skill与其他Skill结合。例如，先调用一个“日历”Skill获取用户的日程信息，再结合日程中的关键事件（如“下午3点面试”）来起卦，使占卜更具针对性。
  4. Webhook与消息推送：将Skill与飞书、微信等IM工具集成。用户可以@机器人提问，Skill自动占卜并将结果以富文本卡片的形式推回群聊，体验更丝滑。
  5. 性能优化：卦象计算部分几乎没有延迟，瓶颈在大模型推理。可以考虑：
    • 模型量化：使用更低比特的量化（如Q3_K_S），在精度损失可接受的前提下大幅提升推理速度。
    • 缓存：对常见问题或相同起卦参数的解读结果进行缓存，避免重复计算。
    • 异步处理：对于耗时的模型调用，使用异步IO，避免阻塞主线程。

这个项目就像一颗种子，技术栈是土壤，传统文化是内核，而你的想象力是让它长成参天大树的水分和阳光。通过OpenClaw这个框架，我们看到了将AI智能体与特定领域知识深度结合的可能性。它不仅仅是一个玩具，更是一个模板，展示了如何将任何一套复杂的、基于规则的推理系统，封装成一个能通过自然语言与普通人交互的智能应用。