什么是Agent Self-Care
Agent Self-Care 是一个专为自主智能体（OpenClaw agents）设计的自动化健康监测与优化系统。它通过定期执行一系列诊断和清理任务，确保智能体长期稳定运行，避免因资源泄漏、进程挂起或上下文膨胀导致的性能下降。该系统可在 cron 定时触发，也可手动启动，适用于需要高可用性和持续运行能力的智能体环境。
其核心机制包括对子代理（sub-agents）的状态检查、后台进程的监控、会话健康度评估以及周期性优化脚本的执行。每次运行都会生成详细的健康报告，并在每完成十次任务后进行一次 BMAD（Before My Attention Due）回顾，记录问题、总结经验并反馈至后续流程，形成闭环的自我改进机制。
整个流程设计强调主动干预而非被动响应：一旦发现超过30分钟无进展的子代理、卡住的后台进程或上下文使用率超过80%的情况，系统会立即采取行动进行清理或优化。这种“预防性维护”策略显著降低了因资源耗尽或状态异常引发的故障风险，尤其适合长时间无人值守但需保持高效运作的智能体服务场景。
核心功能特点
- 自动检测并终止超过30分钟无进展或处于等待/失败状态的子代理
- 监控后台进程，清除运行时间超过10分钟且5分钟内无输出的挂起进程
- 实时评估会话健康指标，如上下文使用率和令牌增长趋势，触发压缩或刷新建议
- 每10次运行执行一次BMAD回顾，评分最近任务表现并记录改进点到每日日志中
- 集成优化脚本，清理临时文件、轮转大体积日志（>50MB），并输出综合健康报告
- 支持每5分钟定时执行，确保高频活跃智能体始终处于最佳运行状态
适用场景
Agent Self-Care 特别适用于那些需要长期连续运行、但缺乏人工实时监控的智能体系统。例如，在自动化客服场景中，多个子代理可能并行处理用户请求，若其中某个陷入死循环或响应停滞，将迅速拖累整体效率。此时，Self-Care 能及时识别并隔离问题代理，防止雪崩效应。此外，对于依赖大量上下文记忆的任务（如复杂对话链或多步推理），系统可主动监控上下文占用情况，在接近阈值时建议压缩或重启会话，避免因内存溢出导致崩溃。
另一个典型应用场景是批处理型智能体集群，比如每日定时生成报告、数据清洗或模型训练等任务。这些任务往往在夜间或周末执行，期间无法即时干预。通过配置每5分钟一次的自我检查，Agent Self-Care 可确保即使遇到意外中断或资源瓶颈，也能快速恢复并继续推进任务，极大提升了系统的鲁棒性和运维透明度。同时，其内置的BMAD回顾机制为团队提供了持续优化的依据——不仅解决当下问题，还积累经验用于未来架构调整与技能迭代。