导读
如果你和我一样对OpenClaw怀有以下疑问：
- 直接让 OpenClaw 操控我的电脑工作，存在哪些安全风险
- OpenClaw 是怎么配置到各种聊天软件中的，原理是什么
- 会不会出现还没开始工作，AI 理解上下文就已经消耗了大量token
- openclaw有没有优化上下文过长导致 AI 无法理解核心导致幻觉严重的问题
- openclaw怎么更好的使用skills，在众多skills中怎么做到更好的按需分配
- openclaw解决了哪些难点，怎么解决的
那么我建议你阅读本文章，最开始我也有这些问题，在AI的辅助下阅读了源码现已解决，故分享。
有错误或者补充欢迎指正
1. OpenClaw 是什么？
1.1 用一句话理解
OpenClaw 是一个运行在你自己电脑上的 AI 助手平台，它可以：
- 通过 20+ 种聊天软件（微信、Telegram、Discord 等）与你交互
- 自动操作浏览器、执行命令、管理文件
- 跨设备协同（电脑、手机、平板）
- 所有数据存储在本地，隐私可控
1.2 与其他 AI 产品的区别
| 特性 | OpenClaw | ChatGPT/Claude 网页版 | AutoGPT/LangChain |
|---|---|---|---|
| 部署方式 | 本地运行 | 云端服务 | 本地/云端 |
| 数据隐私 | 如果自己配，那么完全本地 | 上传云端 | 取决于配置 |
| 多渠道接入 | ✅ 20+ 平台 | ❌ 仅网页 | ❌ 需自行开发 |
| 跨设备协同 | ✅ macOS/iOS/Android | ❌ | ❌ |
| 浏览器控制 | ✅ 完整自动化 | ❌ | ⚠️ 基础支持 |
| 权限管理 | ✅ 多层安全机制 | N/A | ⚠️ 较弱 |
2. 核心架构一图看懂
2.1 整体架构（30秒理解）
核心理念：
- Gateway（网关） ：像一个"总机"，接收所有消息并分发
- Agent（智能体） ：真正的"大脑"，理解你的需求并决定怎么做
- Tools（工具） ：Agent 的"手"，执行具体操作
- 本地存储：所有数据都在你的电脑上，不上传云端
2.2 消息处理流程（3分钟理解）
3. 四大技术难点及解决方案
难点 1：安全与权限的平衡
3.1.1 问题描述
类比理解：给 AI 助手权限，就像给保姆家里钥匙。
- 给太多权限：保姆可能乱翻东西、破坏财物
- 给太少权限：保姆无法打扫卫生、做饭
具体风险：
- 提示词注入：黑客通过聊天消息欺骗 AI 执行危险命令
- 记忆投毒：在 AI 的记忆中植入恶意指令
- 未授权访问：陌生人冒充你发送消息
3.1.2 OpenClaw 的解决方案
OpenClaw 采用多层防御体系，源码证据如下：
第一层：DM Pairing（私聊配对）
原理：陌生人第一次给你发消息时，必须先通过配对验证。
源码位置：src/infra/device-pairing.ts:14-100
// 配对请求结构
export type DevicePairingPendingRequest = {
requestId: string;
deviceId: string;
publicKey: string; // 设备公钥（加密通信）
displayName?: string;
platform?: string;
role?: string; // 角色：operator/admin/device
scopes?: string[]; // 权限范围
ts: number;
};
实际效果：
- 陌生人发消息 → OpenClaw 生成 6 位配对码
- 你在电脑上执行
openclaw pairing approve telegram <code> - 配对成功后，该联系人才能与 AI 对话
第二层：命令执行审批（Exec Approvals）
原理：AI 想执行危险命令时，必须先征得你的同意。
源码位置：src/infra/exec-approvals.ts:10-36
// 三种安全等级
export type ExecSecurity = "deny" | "allowlist" | "full";
// deny：完全禁止执行命令
// allowlist：只允许白名单命令（如 ls、cat）
// full：允许所有命令（危险！）
// 询问模式
export type ExecAsk = "off" | "on-miss" | "always";
// off：不询问（仅限白名单）
// on-miss：白名单外的命令询问
// always：所有命令都询问
配置示例：
{
"agents": {
"defaults": {
"exec": {
"security": "allowlist", // 只允许白名单命令
"ask": "on-miss" // 白名单外的命令询问
}
}
}
}
第三层：Docker 沙箱隔离
原理：在群组聊天中，AI 在隔离的 Docker 容器中执行命令，无法访问你的真实文件。
源码位置：src/agents/sandbox/config.ts
// 沙箱配置
{
"sandbox": {
"mode": "non-main", // 仅非个人 DM 使用沙箱
"allowTools": ["bash", "read", "write"], // 允许的工具
"denyTools": ["browser", "canvas", "nodes"] // 禁止的工具
}
}
实际效果：
- 个人 DM：AI 可以访问你的真实文件
- 群组聊天：AI 在 Docker 容器中运行，无法破坏你的系统
第四层：安全审计系统
原理：OpenClaw 内置安全扫描工具，自动检测配置风险。
源码位置：src/security/audit.ts:32-61
// 安全审计报告结构
export type SecurityAuditFinding = {
checkId: string;
severity: "info" | "warn" | "critical"; // 严重程度
title: string;
detail: string;
remediation?: string; // 修复建议
};
使用方法：
openclaw doctor # 运行安全检查
# 输出示例
[CRITICAL] DM policy not enabled
未启用私聊配对，陌生人可直接与 AI 对话
修复：设置 channels.telegram.dmPolicy: "pairing"
[WARN] Sandbox disabled for groups
群组聊天未启用沙箱，存在安全风险
修复：设置 sandbox.mode: "non-main"
3.1.3 安全机制总结
| 防御层 | 防御对象 | 源码位置 | 配置项 |
|---|---|---|---|
| DM Pairing | 未授权访问 | src/infra/device-pairing.ts | channels.*.dmPolicy: "pairing" |
| Exec Approvals | 危险命令执行 | src/infra/exec-approvals.ts | agents.defaults.exec.security |
| Docker Sandbox | 群组恶意操作 | src/agents/sandbox/ | agents.defaults.sandbox.mode |
| Security Audit | 配置漏洞 | src/security/audit.ts | openclaw doctor |
| 认证系统 | 网关访问控制 | src/gateway/auth.ts | gateway.auth.mode |
安全架构图：
难点 2：多渠道统一适配
3.2.1 问题描述
类比理解：就像一个翻译官，要同时听懂 20 种语言（Telegram、Discord、Slack...），并且每种语言的语法、格式都不一样。
具体挑战：
- Telegram 用
grammY库，Discord 用discord.js - 消息格式差异：Telegram 支持 Markdown，Discord 支持 Embed
- 附件类型不同：图片、视频、文件的处理方式各异
- API 变更：平台更新 API，适配代码需要跟着改
3.2.2 OpenClaw 的解决方案
插件化架构
原理：每个聊天平台都是一个独立的"插件"，通过统一的接口与 Gateway 通信。
源码位置：src/channels/plugins/
src/channels/plugins/
├── telegram/ # Telegram 插件
│ ├── index.ts # 插件入口
│ ├── send.ts # 发送消息
│ └── receive.ts # 接收消息
├── discord/ # Discord 插件
├── slack/ # Slack 插件
└── whatsapp/ # WhatsApp 插件
统一接口定义：src/channels/plugins/types.ts
// 所有渠道插件必须实现这个接口
interface ChannelPlugin {
start(): Promise<void>; // 启动插件
stop(): Promise<void>; // 停止插件
sendMessage(params: { // 发送消息
to: string;
text: string;
mediaUrls?: string[];
}): Promise<void>;
}
实际效果：
- 新增一个聊天平台？只需开发一个插件
- 平台 API 变更？只需修改对应插件，不影响其他部分
- Agent 无需关心底层细节，只处理标准格式
消息归一化
原理：将不同平台的消息转换为统一格式。
源码位置：src/channels/session.ts
难点 3：本地执行与资源管控
3.3.1 问题描述
类比理解：在你的电脑上运行 AI，就像在家里养宠物。
- 宠物（AI）需要吃饭（CPU/内存）
- 宠物可能乱跑（孤儿进程）
- 宠物需要训练（模型推理）
具体挑战：
- 浏览器自动化（Playwright）占用大量内存
- 长时间运行可能内存泄漏
- 本地模型推理卡顿
- 进程管理不当导致系统卡死
3.3.2 OpenClaw 的解决方案
Runtime 池化（进程复用）
原理：不是每次都创建新进程，而是复用已有的进程。
源码位置：src/acp/control-plane/runtime-cache.ts
// Runtime 缓存配置
{
"agents": {
"defaults": {
"runtimeIdleTtlMs": 300000 // 5分钟无活动自动回收
}
}
}
实际效果：
- 第一次请求：创建 Runtime（慢，约 2-3 秒）
- 后续请求：复用 Runtime（快，约 100ms）
- 空闲 5 分钟后自动回收，释放内存
并发控制（Actor 模型）
原理：同一个会话的请求排队执行，避免冲突。
源码位置：src/acp/control-plane/session-actor-queue.ts
async run<T>(actorKey: string, op: () => Promise<T>): Promise<T> {
return this.queue.enqueue(actorKey, op, {
onEnqueue: () => {
this.pendingBySession.set(actorKey, (this.pendingBySession.get(actorKey) ?? 0) + 1);
},
onSettle: () => {
const pending = (this.pendingBySession.get(actorKey) ?? 1) - 1;
if (pending <= 0) {
this.pendingBySession.delete(actorKey);
} else {
this.pendingBySession.set(actorKey, pending);
}
},
});
}
实际效果：
- 避免同一会话的请求互相干扰
- 保证消息顺序处理
- 防止资源竞争
难点 4：长期记忆与上下文管理
3.4.1 问题描述
类比理解：AI 的记忆就像人的大脑，但容量有限。
- 短期记忆：最近几轮对话（上下文窗口）
- 长期记忆：历史对话、知识库（需要持久化）
具体挑战：
- LLM 上下文窗口有限（如 GPT-4 最多 128K tokens）
- 长对话后，早期信息会被遗忘
- 记忆数据无加密，设备故障可能丢失
3.4.2 OpenClaw 的解决方案
Session Compaction（上下文压缩）
原理：将历史对话压缩为摘要，保留关键信息。
源码位置：
src/agents/pi-embedded-runner/compact.ts
使用方法：
# 手动压缩
/compact
# 自动压缩（配置）
{
"agents": {
"defaults": {
"autoCompact": true
}
}
}
Memory Search（语义检索）
原理：不是把所有记忆都加载，而是按需检索相关内容。
源码位置：src/memory/
工具调用：
// Agent 调用 memory_search
memory_search({
query: "项目进展",
maxResults: 5
})
// 返回相关记忆片段
// 然后用 memory_get 获取详细内容
4. 为什么 OpenClaw 能脱颖而出
4.1 核心竞争力对比
4.2 十大核心功能点
| 功能 | 说明 | 源码位置 | 竞品对比 |
|---|---|---|---|
| 1. Gateway 控制平面 | 单一 WebSocket 管理所有连接 | src/gateway/ | ✅ 独有 |
| 2. Multi-Agent 路由 | 7 层优先级智能路由 | src/routing/resolve-route.ts | ✅ 独有 |
| 3. 跨渠道消息 | 20+ 平台统一接入 | src/channels/plugins/ | ⚠️ 部分竞品支持 |
| 4. 浏览器控制 | Playwright + CDP 完整自动化 | src/browser/ | ⚠️ 功能较弱 |
| 5. Canvas + A2UI | Agent 驱动的可视化界面 | src/canvas-host/ | ✅ 独有 |
| 6. Nodes 系统 | 跨设备能力调用（相机/屏幕/位置） | src/node-host/ | ✅ 独有 |
| 7. Docker 沙箱 | 群组聊天环境隔离 | src/agents/sandbox/ | ❌ 少见 |
| 8. DM Pairing | 私聊配对防未授权访问 | src/infra/device-pairing.ts | ❌ 少见 |
| 9. Skills 平台 | 按需加载技能插件 | src/agents/skills/ | ⚠️ 部分支持 |
| 10. 心跳机制 | 主动式后台任务执行 | src/infra/heartbeat-runner.ts | ✅ 独有 |
5. 上下文优化：如何避免 Token 浪费
5.1 问题：会不会还没开始工作就消耗大量 Token？
答案：OpenClaw 已经做了很好的优化，但仍有改进空间。
5.2 优化机制详解
5.2.1 Bootstrap 文件截断
问题：
AGENTS.md、TOOLS.md 等配置文件可能很大（几十 KB），全部加载会浪费 Token。
解决方案：设置字符数上限，超出部分截断。
源码位置：src/agents/bootstrap-budget.ts:164-221
// 配置示例
{
"agents": {
"defaults": {
"bootstrapMaxChars": 50000, // 单文件最大 50K 字符
"bootstrapTotalMaxChars": 200000, // 所有文件总和最大 200K
"bootstrapWarningMode": "once" // 截断警告模式
}
}
}
警告机制：
[Bootstrap truncation warning]
Some workspace bootstrap files were truncated before injection.
Treat Project Context as partial and read the relevant files directly if details seem missing.
- AGENTS.md: 80000 raw -> 50000 injected (~37% removed; max/file).
实际效果：
- 空 session 启动：~5K-10K tokens（系统提示 + 工具定义 + bootstrap）
- 避免了无限制加载导致的 Token 爆炸
5.2.2 Skills 按需加载
问题：如果一次性加载所有 skills（可能有 20 个），每个 5KB，就是 100KB 的上下文开销。
解决方案：只注入 skills 列表，Agent 需要时再加载具体内容。
源码位置：src/agents/system-prompt.ts:20-36
// 系统提示中的 Skills 指令
"## Skills (mandatory)",
"Before replying: scan <available_skills> <description> entries.",
"- If exactly one skill clearly applies: read its SKILL.md at <location> with `read`, then follow it.",
"- If multiple could apply: choose the most specific one, then read/follow it.",
"- If none clearly apply: do not read any SKILL.md.",
"Constraints: never read more than one skill up front; only read after selecting."
对比：
- ❌ 传统方式：20 个 skills × 5KB = 100KB 上下文
- ✅ OpenClaw：skills 列表 1KB + 按需加载 5KB = 6KB 上下文
5.2.3 Memory 语义检索
问题：将整个 MEMORY.md（可能 50KB+）注入上下文，浪费 Token。
解决方案：先搜索，再按需拉取相关片段。
源码位置：src/agents/system-prompt.ts:38-64
// 系统提示中的 Memory 指令
"## Memory Recall",
"Before answering anything about prior work, decisions, dates, people, preferences, or todos:
run memory_search on MEMORY.md + memory/*.md;
then use memory_get to pull only the needed lines."
5.2.4 Subagent 精简上下文
问题：子任务也加载完整系统提示，浪费 Token。
解决方案：Subagent 使用 minimal 模式，跳过不必要的部分。
源码位置：src/agents/system-prompt.ts:11-17
export type PromptMode = "full" | "minimal" | "none";
// minimal 模式跳过：
// - Skills section
// - Memory section
// - User identity section
// - Reply tags section
5.3 上下文优化总结
| 优化机制 | 节省效果 | 源码位置 |
|---|---|---|
| Bootstrap 截断 | 单文件 50K → 总量 200K 限制 | src/agents/bootstrap-budget.ts |
| Skills 按需加载 | 100KB → 6KB | src/agents/system-prompt.ts |
| Memory 检索 | 50KB → 2KB | src/memory/ |
| Subagent 精简 | 10K → 3K tokens | src/agents/system-prompt.ts |
| Session Compaction | 20K → 5K tokens | src/agents/pi-embedded-runner/compact.ts |
实测数据（基于代码推测）：
- 空 session 启动：~5K-10K tokens
- 10 轮对话后：~15K-25K tokens
- 触发 compaction 后：降回 ~8K-12K tokens
6. Skills 智能分配机制
6.1 问题：在众多 skills 中怎么做到按需分配？
OpenClaw 采用两阶段加载 + 强制约束的策略。
6.2 工作流程
6.3 强制约束机制
源码位置：src/agents/system-prompt.ts:20-36
// 系统提示中的强制约束
"## Skills (mandatory)",
"Before replying: scan <available_skills> <description> entries.",
"- If exactly one skill clearly applies: read its SKILL.md at <location> with `read`, then follow it.",
"- If multiple could apply: choose the most specific one, then read/follow it.",
"- If none clearly apply: do not read any SKILL.md.",
"Constraints: never read more than one skill up front; only read after selecting.",
关键约束：
- 必须先扫描：不能跳过扫描直接加载
- 只加载一个：禁止贪婪加载多个 skills
- 先判断再加载：避免盲目加载
6.4 Skills 类型
6.5 Skill 结构
skills/deployment/
├── SKILL.md # Skill 说明（注入到 agent）
├── package.json # 依赖（可选）
└── tools/ # 自定义工具（可选）
└── deploy.ts
SKILL.md 示例：
# Deployment Skill
## 适用场景
- 部署静态网站到 Netlify/Vercel
- 部署 Node.js 应用到云服务器
## 使用步骤
1. 检查项目类型（静态/动态）
2. 选择部署平台
3. 执行部署命令
4. 验证部署结果
## 工具调用
- `exec("npm run build")`
- `exec("netlify deploy --prod")`
7. 完整技术栈总览
7.1 技术架构分层
7.2 核心依赖库
| 类别 | 库名 | 用途 | 源码位置 |
|---|---|---|---|
| 运行时 | Node.js 22+ | JavaScript 运行环境 | - |
| 语言 | TypeScript | 类型安全 | 全项目 |
| 开发工具 | Bun | 快速开发/测试 | - |
| AI 引擎 | pi-mono | LLM 推理 | src/acp/runtime/ |
| 浏览器 | Playwright | 浏览器自动化 | src/browser/ |
| 消息平台 | grammY, discord.js, Bolt | 渠道集成 | src/channels/plugins/ |
| 沙箱 | Docker | 环境隔离 | src/agents/sandbox/ |
| 存储 | JSON/JSONL | 配置和历史 | ~/.openclaw/ |
8. 总结：OpenClaw 的核心价值
8.1 技术创新点
- 单一控制平面：Gateway WebSocket 统一管理
- 智能路由：7 层优先级匹配
- Runtime 池化：自动缓存和回收
- 上下文优化：Bootstrap 截断 + Session 压缩
- 安全优先：多层防御体系
8.2 适用场景
✅ 适合使用 OpenClaw 的场景：
- 需要 AI 跨多个聊天平台工作
- 需要 AI 使用浏览器自动化工作
- 需要 AI 跨设备协同
- 需要 AI 通过聊天就能为你工作，读取本地文件成为你的专属助手
❌ 不适合使用 OpenClaw 的场景：
- 只需要简单聊天（用 ChatGPT 网页版即可）
- 没有本地运行环境（需要云服务）
- 不希望 AI 直接自主操控我的本地文件
8.3 学习路径建议
编辑
9. 常见问题 FAQ
Q1: OpenClaw 安全吗？会不会被黑客利用？
A: OpenClaw 提供了多层安全机制，但安全性取决于你的配置。
推荐安全配置：
{
"channels": {
"telegram": {
"dmPolicy": "pairing" // 启用私聊配对
}
},
"agents": {
"defaults": {
"exec": {
"security": "allowlist", // 只允许白名单命令
"ask": "on-miss" // 白名单外的命令询问
},
"sandbox": {
"mode": "non-main" // 群组聊天使用沙箱
}
}
},
"gateway": {
"auth": {
"mode": "password" // 启用密码认证
}
}
}
定期检查：
openclaw doctor # 运行安全审计
Q2: 会不会消耗大量 Token？
A: OpenClaw 已经做了很好的优化，但一定的 Token 消耗是难免的：
- Bootstrap 截断：单文件 50K/总量 200K 限制
- Skills 按需加载：只加载需要的 skill
- Memory 检索：语义搜索而非全量加载
- Session 压缩：定期压缩历史对话
实测数据：
- 空 session 启动：~5K-10K tokens
- 10 轮对话后：~15K-25K tokens
- 压缩后：降回 ~8K-12K tokens
Q3: 如何开始使用 OpenClaw？
A: 三步快速上手：
# 1. 安装
curl -fsSL https://openclaw.ai/install.sh | bash
# 2. 启动 Gateway
openclaw gateway run
# 3. 配置渠道（以 Telegram 为例）
openclaw onboard
详细教程：docs.openclaw.ai/start/wizar…
Q4: OpenClaw 与 ChatGPT/Claude 有什么区别？
| 特性 | OpenClaw | ChatGPT/Claude |
|---|---|---|
| 部署 | 本地运行 | 云端服务 |
| 隐私 | 完全本地 | 上传云端 |
| 渠道 | 20+ 平台 | 仅网页/App |
| 工具 | 完整自动化 | 受限 |
| 成本 | 用户自配 API Key，可选便宜API | 订阅费用 |
10. 参考资源
-
官方文档：docs.openclaw.ai
-
GitHub 仓库：github.com/openclaw/op…
-
Discord 社区：discord.gg/openclaw
-
源码导读：
-
Gateway: src/gateway/server/ws-server.ts
-
路由: src/routing/resolve-route.ts
-
ACP: src/acp/control-plane/manager.core.ts
-
安全: src/security/audit.ts
-
浏览器: src/browser/
-
