你把“/goal”这个命令当成“自动干活按钮”，AI就会一本正经地跟你胡说八道。你把它当成“方向盘”，AI才会老老实实沿着你画的路开车。
很多人第一次用OpenClaw里面的/goal命令，脑子里就一个画面：复制需求，粘贴进去，按回车，然后手机一扔去刷短视频等结果。听起来特别爽，跟点外卖似的，带点科技幻想的香味。但现实更像点了个“随机盲盒”，打开一看，要么跑偏了，要么给你编假代码，要么给你提一堆看起来很认真但完全没解决问题的修改请求。
这事儿一点都不玄学。AI在啥都不知道的时候，根本没搞明白你到底想要啥。就像一个刚入职场的实习生，你扔一句“把公司的系统优化一下”，他不敢问，还得装懂，最后交上来一坨看起来很忙但其实没用的东西。你骂他没用，可你自己也没把话说清楚。所以问题压根不在AI聪明不聪明，而在你有没有给它轨道。没有轨道的AI，就跟没有导航的出租车司机似的，开着开着就到隔壁城市去了，还跟你说“我感觉这边更合理”。
用户先建立上下文让AI理解问题
既然AI会自己瞎跑，那结论就非常清楚了：你得先把路修好，再让它开车。
在用/goal之前，会先跟AI聊天。没错，就是像面试新人一样，先把背景交代清楚。这一步听起来很笨，但效果跟开外挂一样。
先说清楚OpenClaw是干啥的，自己关心哪几个模块，比如插件系统、网关模块、新手引导流程。然后再补一句：用户嘴里说的“烂体验”到底长啥样，是按钮点不动，还是反馈太慢，还是流程绕晕了。最后再甩出自己已经试过什么方案、哪些坑已经踩过、还有哪些bug修了好几次还是漏掉了。
这套操作本质就一件事：给AI建立一个世界观。你不给它世界观，它就全靠猜。你不给它地图，它就拿自己幻想出来的东西当地图。
很多人不愿意做这一步，理由非常统一：太麻烦了。但你得想明白，你省掉的是三十秒打字输入，换来的是后面三个小时疯狂改bug。这就跟你懒得写需求文档，最后天天跟产品经理开会补锅，忙得跟打地鼠一样。省那几分钟，赔上几小时，这数学是咋算的？
这里有个特别反直觉的点：AI是需要“熟络”的。不是说它有感情，而是它知道的背景信息越多，就越不容易瞎猜。你多跟它聊几句，它不是变慢了，反而是变准了。因为AI最怕的就是模糊，模糊就像你在一个全是雾的房间里面找门，它只能瞎撞。你多给点信息，雾就散一点，它自然就能看见门在哪。
用户通过约束定义问题避免AI乱猜
上下文有了，下一步是更狠的一招：给AI画围栏。
很多人写提示词特别喜欢堆“正面案例”，比如“请给我做一个高性能、用户体验特别好、代码结构特别优雅的系统”。这话听着像在写小学生作文，特别正能量，但实际跟没说一样。因为“高性能”每个人理解都不一样，“用户体验特别好”更是玄学，AI只能随便选一个它觉得合理的版本。结果就是它按它的标准写出来了，你一看，完全不是你要的。
高手的玩法正好反过来：多写“不能做什么”。
举个例子：
- 什么样的体验算垃圾，你得说清楚。比如用户点一个按钮要等三秒以上才反应，就叫垃圾。
- 哪些方案已经试过了，而且确定不能再用了。比如之前用过的那个第三方库，一跑就崩，你得明确告诉AI这个方案已经判死刑了。
- 哪些bug类型最容易漏掉。比如网络断线重连之后的逻辑，经常没人管，你得指出来。
- 哪些方向是明确禁止的。比如绝对不能把用户数据存到本地，或者绝对不能用某种老掉牙的技术方案。
这就像你给AI画了个围栏。你不是告诉它你得往东走，而是告诉它“千万别掉进这些坑里”。神奇的地方就在这里：你限制得越多，结果反而越稳定。
有人说得特别直白：当你把一半的正向例子删掉，只留下负空间，就是你明确告诉AI“这些事不能干”，效果反而比堆一堆“我要这个我要那个”好得多。因为AI最怕的不是复杂，而是模糊。模糊等于你让它猜，猜的东西大概率是错的。你给它一堆“不能做的事”，它起码知道边界在哪，剩下的路它反而能走得更好。
你可以这么理解开车：很多人觉得方向盘最重要，其实刹车才是最关键的。没有刹车，再牛的司机也得翻车。你给AI的那些限制条件，就是它的刹车。没有刹车，它一脚油门就冲沟里去了。
用户通过多轮运行逐步逼近真实问题
现在你有上下文了，也有约束条件了，可以按“斜杠goal”了吗？可以，但别做梦一把就能成功。
有人跑了十三次。听起来像失败，其实这才是正常的流程。
第一次跑，基本是瞎猜版本。AI会根据你给的有限信息，自己脑补出一堆问题。这一步不是为了得到正确答案，而是为了暴露它对你的误解到了什么程度。你一看结果，就会发现：“哈哈哈，你理解成啥了？我要的根本不是这个。”这一步特别重要，因为你不看它瞎猜的结果，你就不知道它哪里理解错了。
第二次、第三次跑，你就开始修正它的理解了。它会慢慢从“我以为你要这个”变成“哦原来你其实要那个”。这个过程就像教一个新人写代码，你不可能第一次把话说完他就全懂，一定得边做边改边纠正。你骂他笨没用，因为这是人类学习的正常过程。AI也一样，它不是笨，是它需要例子来校正自己的理解。
到了后面几轮，才是真正开始解决问题的时候。因为这时候AI终于知道你在说啥了，它的输出才开始靠谱。前面那些轮看起来像是瞎折腾，其实是在给后面的精确输出铺路。没有前面的试错，后面全是错的。
很多人卡死在第一轮，一看结果不对，直接就得出结论：“AI不行。”这就跟你第一天教实习生写代码，他写错了，你当场把他开除，然后说“人类不行”一样荒唐。这不是AI不行，是你不行，因为你不懂迭代。
真实世界的干活流程不是召唤神龙。你不可能念一段咒语，神龙就出来满足你三个愿望。真实流程是你得跟AI来回拉扯，你推它一下，它给你一个结果，你看一下，再推它一下。来回十几次，路才慢慢走通。捷径不存在，你想省掉这些来回，最后只会花更多时间在别的地方。
用户把AI当方向控制系统而不是执行机器
/goal真正的定位是控制器；你是在“控方向”。这东西更像“方向盘”，不是“自动驾驶”。你手一松，它就开始飘。
所以高手用AI的姿势是这样的：
- 不断喂上下文
- 不断加限制
- 不断跑实验
- 不断修方向
而菜鸟的姿势是：
- 一次输入
- 一次期待
- 一次失望
说白了，差距不在模型，而在使用方式。AI现在更像一个“需要管理的员工”，不是“能许愿的神灯”。
你要是非要把它当神灯，它也不会反抗，它只会笑着给你一个看起来很合理的错误答案。
这才是最坑的地方。