背景
就在3月2号，爆发刚2个月的OpenClaw已经超越了所有GitHub开源软件项目的星标数（Star），包括Linux内核，正式加冕史上最受欢迎开源项目！
OpenClaw（原名 Clawdbot/Moltbot，因 Anthropic 商标争议数次更名）是 2025 年 11 月由奥地利开发者 Peter Steinberger 发起的开源个人 AI 助手项目。
现在OpenClaw几乎几天就发布一个版本，活跃度非常高，生态圈也火热。
OpenClaw是什么
从本质上讲，OpenClaw是一个能够自主运行和持续工作的AI Agent助手。它的核心特征：
- **自主决策：**根据用户需求自动规划任务、执行操作
- **本地运行：**作为TypeScript CLI应用，运行在你的本地机器上
- 持续运行：不像chatGPT等会对话式AI每次需要唤醒，OpenClaw像是一个7×24小时待命的数字员工。
核心能力
一、多渠道网关
**传统Agent方案：**当想要同时支持微信、飞书、如流等多个通信渠道时，传统Agent开发方案的架构是这样的：
┌─────────────────────────────────────────────────────────┐
│ 设备层 │
│ ┌─────────┐ ┌─────────┐ ┌─────────┐ │
│ │ 微信 App │ │ 飞书 App │ │ 如流 App │ ← 客户端 │
│ └────┬────┘ └────┬────┘ └────┬────┘ │
│ │ │ │ │
│ ▼ ▼ ▼ │
│ ┌─────────┐ ┌─────────┐ ┌─────────┐ │
│ │微信服务器│ │飞书服务器│ │如流服务器│ ← 后端服务器 │
│ └────┬────┘ └────┬────┘ └────┬────┘ │
│ │ │ │ │
│ ▼ ▼ ▼ │
│ ┌─────────┐ ┌─────────┐ ┌─────────┐ │
│ │微信Agent │ │飞书Agent │ │如流Agent │ ← Agent │
│ └─────────┘ └─────────┘ └─────────┘ │
└─────────────────────────────────────────────────────────┘
问题显而易见：
-
每个渠道都需要部署独立的 Agent 服务器
-
同一个用户的状态和上下文在不同渠道之间难以同步
-
重复的业务逻辑代码和维护工作，提高运维的成本
OpenClaw是怎么解决这些问题的呢？
┌─────────────────────────────────────────────────────────┐
│ 设备层 │
│ ┌─────────┐ ┌─────────┐ ┌─────────┐ │
│ │ 微信 App │ │ 飞书 App │ │ 如流 App │ ← 客户端 │
│ └────┬────┘ └────┬────┘ └────┬────┘ │
│ ▼ ▼ ▼ │
│ ┌─────────┐ ┌─────────┐ ┌─────────┐ │
│ │微信服务器│ │飞书服务器│ │如流服务器│ ← 后端服务器 │
│ └────┬────┘ └────┬────┘ └────┬────┘ │
└───────┼─────────────┼─────────────┼─────────────────────┘
└─────────────┼─────────────┘
▼
┌─────────────────┐
│ OpenClaw 服务器 │
│ (本地/远端进程实例)│
└────────┬────────┘
│
▼
┌─────────────────┐
│ 统一消息处理 │
└──────── ────────┘
OpenClaw 采用了渠道插件 的设计模式，改变了多渠道接入的方式，核心在于两个精妙的组件设计：
1、渠道适配器
- **消息格式统一：**将不同平台的消息字段映射到内部统一格式
- **内容长度处理：**针对不同平台的消息长度限制进行特殊处理
- **消息类型适配：**将消息类型转换成该平台可支持的消息格式发送
2、gateway网关
所有渠道消息经过网关层，网关层实现五大功能：
- 请求解析
- 认证授权
- 请求路由
- 限流降级：
- 并发控制
通过这五大功能，OpenCla实现了一个服务器实例处理多个渠道的并发请求。
二、记忆上下文
作为助理，从人的视角来看，我们是怎么记住工作中的任务和安排的呢？
- 昨天和今天刚安排的任务 -> 短期记忆（记得非常清楚）
- 上个月聊过的工作内容 -> 长期记忆（可能需要查看记事本搜索）
OpenClaw借鉴了这个思路，也维护了短期记忆和长期记忆：
短期记忆：完整的对话记录
-
格式：采用JSONL格式，纯文本，易于处理
-
内容：当前会话的每一个细节，每行一个JSON事件（用户消息、工具调用、AI回复等）
-
保存位置: memory/ 日期.md
-
总结：完整性高，可追溯；但是长对话时会浪费Token
-
示例说明：
{"timestamp": "2026-03-15T10:30:00.123Z", "type": "session_start", "session_id": "sess_abc123", "user": "test_user", "topic": "data_generation"}
长期记忆：记忆文件与向量检索
- 格式：采用markdown格式
- 检索方法：采用混合方案，既有向量检索，又有关键词匹配
- 保存位置：MEMORY.md
- 总结：自动记忆刷新、总结
那么，短期记忆什么时候会变成长期记忆呢？
1、HEATBEAT心跳机制会定期维护
2、用户关键词主动触发记忆
并且在对话中，OpenClaw会从“发生了什么”提炼出“学到了什么/记住了什么”，包括
1、Significant events（重要事件）
2、Lessons（教训）
3、Insights（洞察）
4、Decisions（决策）
5、Opinions（观点）
6、Things worth keeping long-term（值得长期保留的事）
当长期记忆越来越多时，OpenClaw会怎么处理呢？
1、HEARTBEAT 定期维护
2、合并相似内容
3、提炼压缩
三、Agent智能体
消息通过网关后路由到Agent智能体中，开启了处理流程：
消息到达
↓① 消息路由
↓② 选择 LLM → 冷却机制
↓③ 组装 System Prompt
↓④ 检查 Token 窗口
↓⑤ 打包 → 调用 LLM
↓返回结果
- LLM 选择
OpenClaw不绑定某一个AI模型，支持随时切换，你可以在不同的Sub-agent上配置不同的AI模型处理。当某个AI模型无法使用时，会触发冷却机制，然后自动切换到下一个可用的AI模型。
- System Prompt
在每次会话开始时，由 OpenClaw 系统动态生成并注入System Prompt。包括：可用的工具、可用的技能、安全约束、个性化文件配置、memory记忆上下文等
四、文件结构设计
~/.openclaw/
openclaw.json # 主配置文件（心跳间隔、支持模型、gateway配置）
skills/ # 全局技能目录
agents/ # Agent 会话和状态数据
logs/ # 日志
workspace/ # 工作区
cron/ # 定时任务（jobs）
memory/ # 记忆
每一个Agent的工作区结构，详细如下：
workspace/
AGENTS.md # 定义了openClaw的工作规范流程，包括每个文件的作用
IDENTITY.md # Agent角色信息，更个性化定制
MEMORY.md # 长期记忆
SOUL.md # 定义了Agent角色信息 who you are
USER.md # 定义了对话的用户信息
HEARTBEAT.md # 心跳，主动巡检
memory # 短期记忆
skills # 技能skill.md，项目成员可共享
TOOLS.md # 记录个人的特定信息，比如常用服务器等，私用
五、Token消费
使用AI大模型，我们绕不开token消耗的这个现实问题。
首先，我们都知道token的计算基准：
-
1 个英文字符 ≈ 0.3 个 token；
-
1 个中文字符 ≈ 0.6 个 token
其次，了解OpenClaw是怎么优化token的消耗的呢？
- System Prompt：每次对话动态组装，精简非必要信息。
- 工具调用：对于工具如浏览器的输入输出提取关键结果
- 记忆上下文：短期记忆+长期记忆混合检索
- 超出限制自动压缩：OpenClaw对于接入的LLM，在对话的过程中发现已经超过LLM上下文token限制时，就会对当前的上下文进行优化，比如压缩、删除旧内容。
不过对于用户而言，在使用过程中也建议：
- 通过减少定制化的信息，比如IDENTITY.md中关于Agent的角色信息、USER.md中用户信息等。
- 定期去清理过期的Memory内容等方式。
- 让OpenClaw只需维护有用的信息，“忘记”琐碎的信息。
六、安全机制
openClaw在用户运行的范围内给尽可能多的自主性，不同于“为了安全完全禁用”的系统，openClaw信任用户的判断，将决策权交给用户，这样导致openClaw的安全机制的守门人是用户的警惕，你要了解你在做什么以及你要做什么。
所以了解框架才能更好的知道改如何选择，OpenClaw有三种执行环境：
- Sandbox（沙盒）：Docker容器，默认是最安全的，容器内的操作无法访问宿主机。并且提供多层防御，如从执行环境隔离、文件系统隔离、网络隔离或进程隔离等
- 宿主机：直接运行在电脑中，最灵活但风险大
- 远程设备：通过SSH链接远程服务器执行
各大云服务厂商现在都提供了远程的云服务器来进行部署，这样隔离的沙盒环境也能让主机环境更为安全，但同样也会受到厂商的一些限制。
使用场景
以下的两种使用场景，是目前我使用频率最高的：
场景1：定时任务
这是OpenClaw区别于其他AI Agent最实用的功能之一。当你对OpenClaw说：
每天早上10:30夸夸我
这时候在cron/cron.json文件就会创建一个任务：
"name": "每日夸奖",
"schedule": {
"expr": "30 10 * * *",
"kind": "cron",
},
"payload": {
"kind": "agentTurn",
"message": "现在是早上10:30，请给用户发送一条温暖、真诚、有创意>>
的夸奖消息，让他开心地开始一天的工作。夸奖要具体、个性化，可以是关于他的能
力、态度、努力、成就或任何值得肯定的地方。"
},
场景2：浏览器自动化
OpenClaw 内置了浏览器控制工具，可以打开网页、填表、点击按钮（需要搭配工具）。并且可以通过VNC打开沙箱浏览器，使用OpenClaw Browser Relay插件，让OpenClaw通过CDP协议控制你的浏览器默认人访问浏览器的行为，更好的访问一些网页资源。比如你对OpenClaw说：
每天早上8点，打开https://xxx网页，点击xx位置，帮我确认预约。
写在最后
OpenClaw让AI真正融入了日常工作流程中，所以它的爆火不是偶然。当我们越来越深入地了解OpenClaw，明白我们到底需要它帮我们做什么的时候，才能更好地培养出一个属于我们个人的"AI助手"。
在研究的过程中，对于个人开发者来说，token成本问题是我们无法避免的现实问题，只有当收益大于成本时，才能体现OpenClaw真正的价值
