本文为「自研轻量学术智能体」系列第 2 篇，基于 OpenClaw 经典四层架构做学术场景专属裁剪，只保留文献检索、记忆、调度、推送必需逻辑，完整模块接口与异常处理收录于掘金小册。
一、前言
上一篇我们完成了极简学术智能体的环境搭建与项目初始化，本篇将基于 OpenClaw 的 Skill / Orchestrator / Memory / Gateway 四层架构思想，针对文献自动化场景做轻量化重构，设计每个模块的职责与基础接口，让后续功能开发有统一规范，同时保持极低的复杂度与运行风险。
二、OpenClaw 四层架构・学术场景精简原则
完整 OpenClaw 面向全场景智能体，模块冗余度极高；我们只保留学术文献必需职责：
- Orchestrator（编排器） ：统一调度任务流程，控制文献抓取、去重、推送顺序
- Skill（技能模块） ：实现文献检索、解析、摘要等具体能力
- Memory（记忆模块） ：存储研究方向、关键词、历史文献记录
- Gateway（网关模块） ：负责结果通知、多渠道推送
无多余扩展、无系统调用、无权限风险，完全服务科研场景。
三、模块职责设计（公开版）
1. Orchestrator（编排入口）
- 统一启动、停止智能体
- 按顺序调度各个 Skill 执行
- 简单异常捕获与日志输出
2. Skill（文献技能）
- 对外提供统一调用接口
- 负责与 arXiv、学术平台交互
- 返回结构化文献数据
3. Memory（本地记忆）
- 存储用户研究方向、关键词配置
- 记录已处理文献，为后续去重做准备
- 轻量化本地读写
4. Gateway（通知网关）
- 提供消息发送基础接口
- 后续扩展微信 / 飞书推送
- 格式化输出文献信息
四、项目结构与基础代码（公开可运行版）
在之前的目录下，创建对应模块文件夹与基础文件：
AcademicAgent/
├── main.py # 编排器入口
├── skill/
│ └── paper_skill.py # 文献检索技能
├── memory/
│ └── local_memory.py # 本地记忆存储
├── gateway/
│ └── notify_gateway.py # 通知网关
└── config/
└── config.py # 配置管理
1. 文献技能基础接口（skill/paper_skill.py）
# 文献检索技能（基础演示版，完整逻辑见小册）
class PaperSkill:
def __init__(self):
self.name = "paper_search_skill"
def search_papers(self, keyword, max_results=5):
# 核心检索逻辑在小册中完整实现
print(f"正在检索关键词: {keyword}")
return []
2. 本地记忆基础接口（memory/local_memory.py）
# 本地记忆模块（基础版）
class LocalMemory:
def __init__(self):
self.research_keywords = []
def set_keywords(self, keywords):
self.research_keywords = keywords
print(f"已设置研究方向: {keywords}")
3. 通知网关基础接口（gateway/notify_gateway.py）
# 通知网关（基础版）
class NotifyGateway:
def send_msg(self, msg):
print(f"【智能体通知】{msg}")
4. 编排器入口（main.py 更新）
from skill.paper_skill import PaperSkill
from memory.local_memory import LocalMemory
from gateway.notify_gateway import NotifyGateway
# 参考OpenClaw架构：编排器统一调度
class AcademicAgent:
def __init__(self):
self.memory = LocalMemory()
self.skill = PaperSkill()
self.gateway = NotifyGateway()
def run(self, keyword):
self.memory.set_keywords([keyword])
papers = self.skill.search_papers(keyword)
self.gateway.send_msg(f"检索完成，共找到 {len(papers)} 篇文献")
if __name__ == "__main__":
agent = AcademicAgent()
agent.run("reinforcement learning traffic")
五、运行验证
python main.py
输出示例：
已设置研究方向: ['reinforcement learning traffic']
正在检索关键词: reinforcement learning traffic
【智能体通知】检索完成，共找到 0 篇文献
六、本篇公开范围
-
✅ 公开：四层模块职责、目录结构、基础空壳代码、模块调用流程
-
🔒 小册专属（不公开）：
- 完整模块间数据交互规范
- 文献技能真实检索逻辑
- 记忆模块结构化存储方案
- 网关异常处理与重连机制
- 学术场景专属模块优化策略
七、下期预告
第 3 周：本地记忆库 SQLite 完整实现，让智能体永久记住你的研究方向与关键词配置。
完整可运行的模块代码、学术优化方案、工程化规范后续将收录于掘金小册《从零自研轻量学术文献智能体》，持续更新全套源码与定制化案例。
