今天在用 OpenClaw 跑公众号文章自动化 pipeline 的时候，发现一个坑：每次跑到 Step 4（初稿撰写）就被 terminated。

问题现象

公众号文章 pipeline 有 9 个步骤，前 3 步（选题、素材、大纲）都正常，但到 Step 4 写初稿时，agent 直接被 terminated，没有任何错误信息。

Step 4 的任务是根据大纲和素材写一篇 2000-4000 字的中文文章，然后用 write 工具一次性写入文件。

根因分析

OpenClaw 的 write 工具在底层调用 LLM 的 tool call 能力。当你让 agent 一次性生成并写入一篇 3000+ 字的中文文章时，tool call 的输出 token 量会非常大。

这会触发模型的单次输出 token 上限，导致响应被截断，agent 进程直接 terminated——不是报错，是直接挂掉。

关键点：这不是 write 工具本身的 bug，而是 LLM 单次输出 token 的硬限制。中文文章尤其容易触发，因为中文的 token 效率比英文低（同样字数消耗更多 token）。

解决方案：分块写入

核心思路很简单——化整为零。把一次大输出拆成 2-3 次小输出：

  • 第 1 次：用 write 创建文件，写入前 1/3（开头到第一个大段落）
  • 第 2 次：用 edit 在文件末尾追加中间部分
  • 第 3 次：用 edit 在文件末尾追加结尾部分
  • 每次写入控制在 1500 字以内

具体改动

在 SKILL.md 的 pipeline 定义中，给所有输出长文章的步骤加上分块写入指令：

  • Step 4 初稿撰写 — 文章必须分 2-3 次写入文件
  • Step 5 润色优化 — 同样分块写入
  • 搬运模式 R2 改写 — 同样分块写入

这样 agent 在执行时，每次 tool call 的输出量都在安全范围内，不会触发 token 上限。

经验总结

  • 任何需要一次性输出超过 1500 字中文的 tool call，都应该拆分
  • write 创建文件 + edit 追加内容，是最稳的分块写入模式
  • 这个问题在英文场景下不太容易触发（token 效率更高），但中文场景下是高频坑
  • 如果你在用 OpenClaw 做内容自动化，建议在 skill 定义里就把分块写入写死，别指望 agent 自己判断

适用范围

这个问题不只是公众号文章 pipeline 会遇到。任何让 AI agent 通过 tool call 一次性写入大量内容的场景都可能触发：

  • 生成长篇文档
  • 写完整的代码文件
  • 生成报告或分析
  • 批量数据处理结果写入

解决方案都一样：分块。