OpenClaw 源码泄漏！？--架构与设计理念深度解析

北巷_
0 阅读11分钟

基于 github.com/openclaw/openclaw 源码与官方文档的技术分析，全面拆解 OpenClaw 的仓库结构、核心模块、运行机制与设计哲学。

一、项目定位与设计哲学

1.1 OpenClaw 是什么

OpenClaw 不是一个 AI 模型，而是一个 AI Agent 运行时框架（Runtime Framework） 。它是坐在 AI 模型和外部世界中间的单体运行时网关，负责将自然语言指令转化为真实的系统操作。

核心定位公式：

OpenClaw = Gateway（网关） + Agent Runtime（运行时） + Skills（技能） + Memory（记忆）

1.2 设计哲学

理念说明
Local-first本地优先，数据不离开用户设备，隐私安全
网关而非框架不是 SDK/库，而是独立运行的控制平面
模型无关支持 Claude、GPT、Gemini、DeepSeek 等任意 LLM
插件化内核Skills、Channels、Providers 均可热插拔
工程化 Agent从聊天机器人升级为任务调度执行系统

1.3 命名含义

  • Claw：龙虾钳子，象征"抓取、操控与执行"能力
  • Open：完全开源（MIT 协议），社区驱动
  • Molt（早期命名 Moltbot）：蜕皮，代表底层状态重置与自我进化
  • 项目前身：Clawdbot → Moltbot → OpenClaw

二、仓库顶层目录结构

openclaw/
├── .agent/workflows/      # 内置 Agent 工作流描述
├── .agents/               # 多 Agent 默认配置
├── .pi/                   # Agent Runtime 配置（历史遗留命名，源自早期项目代号）
├── apps/                  # 可独立部署的应用（macOS App 等）
├── extensions/            # 浏览器插件等扩展
├── packages/              # 内部共享包（TypeScript 类型等）
├── skills/                # 社区 Skills（每个子目录含一个 SKILL.md）
│   ├── weather/SKILL.md
│   ├── github/SKILL.md
│   ├── notion/SKILL.md
│   └── ...                # 50+ 个 Skills
├── src/                   # Gateway 主体源码（TypeScript/Node.js）
│   ├── gateway/           # Gateway 核心：server.ts、boot.ts 等
│   ├── agents/            # Agent Runtime（复数 agents）
│   ├── sessions/          # Session 存储与管理
│   ├── channels/          # Channel 基础抽象
│   ├── slack/             # Slack 适配器（Bolt）
│   ├── telegram/          # Telegram 适配器
│   ├── discord/           # Discord 适配器
│   ├── imessage/          # iMessage 适配器
│   ├── whatsapp/          # WhatsApp 适配器
│   ├── webchat/           # WebChat 内置前端
│   ├── providers/         # LLM Provider 抽象与实现
│   ├── tools/             # 内置工具集
│   ├── memory/            # 记忆系统
│   ├── cli/               # CLI 命令入口
│   └── utils/             # 通用工具函数
├── config/                # 默认配置模板
├── docs/                  # 官方文档
├── tests/                 # 测试用例
├── package.json           # 项目依赖与脚本
├── tsconfig.json          # TypeScript 配置
└── README.md              # 项目说明
graph TB
    Root[openclaw/] --> Apps[apps/]
    Root --> Extensions[extensions/]
    Root --> Packages[packages/]
    Root --> Skills[skills/]
    Root --> Src[src/ 核心源码]
    Root --> Config[config/]
    Root --> Docs[docs/]
    Root --> Tests[tests/]
    
    Src --> GW[gateway/]
    Src --> Agents[agents/]
    Src --> Sessions[sessions/]
    Src --> Channels[channels/]
    Src --> Providers[providers/]
    Src --> ToolsMod[tools/]
    Src --> MemoryMod[memory/]
    Src --> CLI[cli/]
    
    Skills --> Weather[weather/SKILL.md]
    Skills --> Github[github/SKILL.md]
    Skills --> More[... 50+ Skills]

三、五层服务架构

OpenClaw 源码实现了清晰的五层服务分层，每一层职责分明、松耦合。

graph TB
    L1[第1层 渠道适配层 Channel Adapter] --> L2[第2层 网关服务层 Gateway Server]
    L2 --> L3[第3层 Agent Runner 智能体运行器]
    L3 --> L4[第4层 Agent Runtime / Agentic Loop]
    L4 --> L5[第5层 Memory & Skills 记忆与技能]

3.1 第一层：渠道适配层（Channel Adapter）

源码位置：src/channels/、src/slack/、src/telegram/ 等

把 Discord、Telegram、钉钉、飞书等不同平台的输入转成统一消息格式，同时提取附件。一个 Agent 挂多个渠道就靠这一层。

// 统一的 ChannelProvider 接口
interface ChannelProvider {
  name: string;
  start(): Promise<void>;
  stop(): Promise<void>;
  sendMessage(sessionId: string, message: Message): Promise<void>;
  onMessage(handler: MessageHandler): void;
}

设计要点：

  • 每个渠道实现统一的 ChannelProvider 接口
  • 消息格式归一化：不同平台的消息统一为 Message 对象
  • 附件提取：图片、文件、语音等多媒体内容统一处理
  • 支持 20+ 渠道：Slack、Telegram、Discord、WhatsApp、iMessage、微信、钉钉、飞书等

3.2 第二层：网关服务层（Gateway Server）

源码位置：src/gateway/server.ts、src/gateway/boot.ts

流量总入口，基于 WebSocket/HTTP 构建控制平面。

graph LR
    Msg[外部消息] --> SessionRouter[Session Router 会话路由]
    SessionRouter --> LaneQueue[Lane Queue 车道队列]
    LaneQueue --> AgentDispatch[Agent 分发]
    
    SessionRouter --> SessionStore[Session 存储]
    LaneQueue --> ConcurrencyCtrl[并发控制]

核心组件：

组件源码职责
Session Routersrc/sessions/判断消息属于哪个会话，构建 SessionKey
Lane Queuesrc/gateway/车道队列做并发管理，防止请求撞车或上下文串
WebSocket Serversrc/gateway/server.ts实时双向通信，跨端消息同步
HTTP APIsrc/gateway/server-*.tsRESTful 接口，配置管理、UI 控制台
Cron Schedulersrc/gateway/定时任务调度（HEARTBEAT 机制）
Webhook Handlersrc/gateway/外部事件推送处理

3.3 第三层：Agent Runner（智能体运行器）

源码位置：src/agents/pi-embedded-runner/

负责模型选择、API Key 轮换冷却、提示词拼装和上下文窗口管理。

关键职责：

  • 模型路由：根据 Agent 配置选择对应的 LLM Provider
  • API Key 管理：多 Key 轮换、冷却、限流
  • 提示词构造：将 System Prompt + 上下文 + 工具描述 + 用户输入拼装为完整 Prompt
  • 上下文窗口：Token 计算、上下文截断/压缩策略

3.4 第四层：Agent Runtime / Agentic Loop

源码位置：src/agents/pi-embedded-runner/run/attempt.ts

这是 OpenClaw 最核心的运行循环，严格遵循 ReAct（Reason + Act） 范式：

graph TB
    Start[接收任务] --> BuildCtx[构建上下文]
    BuildCtx --> CallLLM[调用 LLM 模型]
    CallLLM --> Parse{解析响应}
    
    Parse -->|文本回复| SendReply[发送回复]
    Parse -->|工具调用| ExecTool[执行工具]
    
    ExecTool --> Observe[获取执行结果]
    Observe --> UpdateCtx[更新上下文]
    UpdateCtx --> CallLLM
    
    SendReply --> SaveMemory[保存记忆]
    SaveMemory --> End[完成]

核心循环逻辑：

  1. 从会话历史和记忆中拼装上下文
  2. 调用 LLM 模型进行推理
  3. 模型说"我要调工具" → 系统执行工具
  4. 工具结果塞回上下文 → 模型继续推理
  5. 循环直到模型生成最终文本回复

3.5 第五层：Memory & Skills

源码位置：src/memory/、skills/

记忆系统和技能系统是 Agent 的"经验"和"方法论"。

四、核心配置文件体系

OpenClaw 通过一组 Markdown 配置文件定义 Agent 的身份、记忆和行为：

graph TB
    AgentConfig[Agent 配置体系] --> AGENTS[AGENTS.md]
    AgentConfig --> SOUL[SOUL.md]
    AgentConfig --> IDENTITY[IDENTITY.md]
    AgentConfig --> USER[USER.md]
    AgentConfig --> TOOLS[TOOLS.md]
    AgentConfig --> HEARTBEAT[HEARTBEAT.md]
    AgentConfig --> BOOTSTRAP[BOOTSTRAP.md]
    AgentConfig --> MEMORY[MEMORY.md]
    
    AGENTS --- A_Desc[核心任务 工作流程 常用命令]
    SOUL --- S_Desc[工作风格 对话风格 人格设定]
    IDENTITY --- I_Desc[系统中的职责定位]
    USER --- U_Desc[用户使用场景和目标]
    TOOLS --- T_Desc[环境特定配置信息]
    HEARTBEAT --- H_Desc[周期性唤醒 健康检查]
    BOOTSTRAP --- B_Desc[初始化配置]
    MEMORY --- M_Desc[长期记忆 重要事件 学习总结]
文件职责变更类型
AGENTS.md核心任务、工作流程、常用命令规范更新、流程优化
SOUL.md工作风格、对话风格、人格设定人设变更、边界调整
IDENTITY.md智能体在系统中的职责定位角色重定义
USER.md用户使用场景和目标用户反馈记录、偏好调整
TOOLS.md环境特定的工具配置信息工具增减、参数调整
HEARTBEAT.md周期性唤醒与健康检查定时任务配置
BOOTSTRAP.md初始化配置初始环境设定
MEMORY.md长期记忆、重要事件、学习总结记忆沉淀

设计理念：用 Markdown 而非数据库存储配置，体现了"朴素、可读、可版本控制"的工程哲学。

五、Agent Loop 核心机制深度解析

5.1 核心组件

组件职责源码位置
会话管理器维护会话状态和历史记录src/agents/pi-embedded-runner/run/attempt.ts
工具管理器管理工具创建和执行src/agents/pi-tools.ts
循环检测器检测和防止工具调用循环src/agents/tool-loop-detection.ts
工具执行器执行具体工具操作src/agents/pi-tools.before-tool-call.ts

5.2 循环检测机制

OpenClaw 实现了四种循环检测器，防止 Agent 陷入无限循环：

// 关键常量（源码）
export const TOOL_CALL_HISTORY_SIZE = 30;  // 工具调用历史窗口
export const WARNING_THRESHOLD = 10;        // 警告阈值
export const CRITICAL_THRESHOLD = 20;       // 临界阈值
export const GLOBAL_CIRCUIT_BREAKER = 50;   // 全局熔断器
graph TB
    ToolCall[工具调用] --> D1[通用重复检测]
    ToolCall --> D2[轮询无进展检测]
    ToolCall --> D3[全局熔断器]
    ToolCall --> D4[乒乓循环检测]
    
    D1 --> |相同调用重复 N 次| Warn1[警告/中断]
    D2 --> |轮询无实质结果| Warn2[警告/中断]
    D3 --> |总次数超限| Warn3[强制熔断]
    D4 --> |A调B B调A| Warn4[检测中断]
检测器检测目标触发条件
通用重复检测相同工具调用的重复模式相同参数调用超过阈值
轮询无进展检测无效的轮询操作轮询 N 次但结果无变化
全局熔断器无限循环导致资源耗尽总工具调用超过 50 次
乒乓循环检测两个工具相互调用A→B→A→B 模式

5.3 上下文构建流程

Agent 在调用 LLM 之前，会进行精细的上下文组装：

LLM 模型提示词拼装Skills 注入器记忆系统上下文构建器用户消息LLM 模型提示词拼装Skills 注入器记忆系统上下文构建器用户消息System Prompt+ SOUL/IDENTITY+ 记忆摘要+ Skills 工具描述+ 会话历史+ 用户输入原始消息查询相关记忆历史上下文 + 长期记忆加载可用 Skills 描述工具列表 + 使用说明拼装完整 Prompt发送请求模型响应

六、记忆系统架构

6.1 双模记忆设计

OpenClaw 采用 SQLite + 向量库 双模记忆方案：

sequenceDiagram
    participant User as 用户消息
    participant CTX as 上下文构建器
    participant Mem as 记忆系统
    participant SK as Skills 注入器
    participant Prompt as 提示词拼装
    participant LLM as LLM 模型
    
    User->>CTX: 原始消息
    CTX->>Mem: 查询相关记忆
    Mem->>CTX: 历史上下文 + 长期记忆
    CTX->>SK: 加载可用 Skills 描述
    SK->>CTX: 工具列表 + 使用说明
    CTX->>Prompt: 拼装完整 Prompt
    Note over Prompt: System Prompt<br/>+ SOUL/IDENTITY<br/>+ 记忆摘要<br/>+ Skills 工具描述<br/>+ 会话历史<br/>+ 用户输入
    Prompt->>LLM: 发送请求
    LLM->>CTX: 模型响应

6.2 核心记忆文件

文件格式用途
events.jsonlJSON Lines所有事件的时间序列记录
MEMORY.mdMarkdownAgent 主动沉淀的重要记忆摘要
HEARTBEAT.mdMarkdown周期性健康检查与状态快照
Session DBSQLite会话级别的消息历史

6.3 记忆的"越用越懂你"原理

graph LR
    Interaction[用户交互] --> EventCapture[事件捕获]
    EventCapture --> PatternRecognize[模式识别]
    PatternRecognize --> MemoryUpdate[记忆更新]
    MemoryUpdate --> PreferenceLearning[偏好学习]
    PreferenceLearning --> PersonalizedResponse[个性化响应]
    PersonalizedResponse --> Interaction

Agent 通过以下机制实现"自我进化"：

  1. 事件流记录：每次交互写入 events.jsonl
  2. 记忆沉淀：关键决策、学习总结写入 MEMORY.md
  3. 偏好提取：从交互模式中提取用户偏好更新 USER.md
  4. 上下文注入：下次交互时将记忆注入 Prompt

七、Skills 技能系统

7.1 设计理念

"Skill 不是一段更长的提示词，而是一个承载组织工作流的工程化单元。" — Claude Code 团队工程师 Thariq

Skills 系统是 OpenClaw 从"能聊天"进化到"能干活"的关键。

7.2 Skill 目录结构

每个 Skill 是一个独立目录，核心是 SKILL.md 文件：

skills/
├── weather/
│   ├── SKILL.md              # 技能定义（YAML frontmatter + Markdown 指令）
│   └── scripts/
│       └── get_weather.mjs   # 执行脚本
├── github/
│   ├── SKILL.md
│   └── scripts/
│       └── github_api.mjs
└── custom-skill/
    ├── _meta.json            # 元数据
    ├── SKILL.md              # 技能定义
    ├── scripts/              # 脚本目录
    └── references/           # 参考资料

7.3 SKILL.md 规范

---
name: my-skill
description: 技能描述，AI 用来判断何时调用
version: "1.0.0"
triggers:
  - "关键词触发"
tools:
  - name: tool_name
    description: "工具描述"
    parameters:
      param1:
        type: string
        description: "参数说明"
---

# 技能指令（Markdown 正文）

## 使用说明
当用户要求 xxx 时，执行以下步骤：
1. 调用 tool_name 获取数据
2. 处理返回结果
3. 格式化输出给用户

7.4 Skill 注入与执行流程

sequenceDiagram
    participant Boot as 启动阶段
    participant Scanner as Skill Scanner
    participant Prompt as Prompt Builder
    participant Agent as Agent Runtime
    participant Exec as Skill Executor
    
    Boot->>Scanner: 扫描 ./skills/ 目录
    Scanner->>Scanner: 解析所有 SKILL.md 的 YAML frontmatter
    Scanner->>Prompt: 注入技能摘要到 System Prompt
    
    Note over Agent: 用户发来消息
    Agent->>Prompt: 构建完整 Prompt
    Prompt->>Agent: 包含可用技能列表
    Agent->>Agent: LLM 推理，识别需调用的 Skill
    Agent->>Exec: 调用对应 Skill 脚本
    Exec->>Agent: 返回执行结果（Observation）
    Agent->>Agent: 将结果注入上下文继续推理

7.5 五大插件注入点

OpenClaw 的插件化内核支持五种核心注入方式：

注入点用途示例
Channel 插件新增通信渠道自定义 IM、企业微信专版
Tool 插件新增 Agent 工具专业数据库查询、内部 API
Provider 插件新增 AI 模型提供商私有部署模型、自定义推理
Skill 插件新增业务技能行业特定工作流
ContextEngine 插件自定义上下文管理3.7 版新增，上下文可插拔

八、消息全链路追踪

以一条"帮我整理今天的重要邮件"从钉钉发出为例，追踪完整执行路径：

sequenceDiagram
    participant DingTalk as 钉钉
    participant Channel as Channel Adapter
    participant Gateway as Gateway Server
    participant Router as Session Router
    participant Queue as Lane Queue
    participant Runner as Agent Runner
    participant ALoop as Agentic Loop
    participant LLM as LLM Model
    participant Skills as Skills Engine
    participant Memory as Memory System
    
    DingTalk->>Channel: 原始消息（钉钉协议格式）
    Channel->>Gateway: 归一化 Message 对象
    Gateway->>Router: 消息路由
    Router->>Router: 生成 SessionKey（agent+workspace+sender）
    Router->>Queue: 进入车道队列
    Queue->>Runner: 分配给 Agent Runner
    
    Runner->>Memory: 加载会话历史 + 长期记忆
    Runner->>Runner: 拼装 System Prompt + Skills 描述
    Runner->>ALoop: 启动 Agentic Loop
    
    ALoop->>LLM: 第一轮推理
    LLM->>ALoop: 需要调用 read_email 工具
    ALoop->>Skills: 执行 read_email Skill
    Skills->>ALoop: 返回邮件列表
    
    ALoop->>LLM: 第二轮推理（含邮件内容）
    LLM->>ALoop: 需要调用 summarize 工具
    ALoop->>Skills: 执行摘要 Skill
    Skills->>ALoop: 返回摘要结果
    
    ALoop->>LLM: 第三轮推理
    LLM->>ALoop: 生成最终简报文本
    
    ALoop->>Memory: 保存交互记录
    ALoop->>Gateway: 回传结果
    Gateway->>Channel: 格式转换
    Channel->>DingTalk: 发送到钉钉

九、Provider 模型适配层

9.1 多模型驱动引擎

源码位置：src/providers/

graph TB
    ProviderLayer[Provider 适配层] --> Anthropic[Anthropic Claude]
    ProviderLayer --> OpenAI[OpenAI GPT]
    ProviderLayer --> Google[Google Gemini]
    ProviderLayer --> DeepSeek[DeepSeek]
    ProviderLayer --> Local[本地模型 Ollama]
    ProviderLayer --> Custom[自定义 OpenAI 兼容]
    
    Anthropic --> FunctionCalling[Function Calling]
    OpenAI --> FunctionCalling
    Google --> FunctionCalling
    
    FunctionCalling --> ToolExec[工具执行]

设计要点：

  • 统一的 Provider 接口抽象
  • 支持 API Key 轮换与冷却机制
  • 内置 Token 计算与成本估算
  • 支持流式输出（Streaming）
  • 回退策略：主模型失败自动切换备用模型

9.2 Function Calling 实现

// Provider 统一接口（简化示例）
interface LLMProvider {
  name: string;
  chat(params: {
    messages: Message[];
    tools?: ToolDefinition[];
    stream?: boolean;
  }): AsyncIterable<ChatChunk>;
}

LLM 通过 Function Calling 告诉 Agent："我需要调用这个工具"，Agent 执行后将结果返回给 LLM 继续推理，形成完整的 ReAct 循环。

十、安全边界设计

10.1 Trust Boundary（信任边界）

源码位置：src/agents/pi-tools.before-tool-call.ts

OpenClaw 定义了明确的信任边界，划分高危操作与安全操作：

graph TB
    Operation[操作请求] --> TrustCheck{信任边界检查}
    
    TrustCheck -->|低风险| AutoExec[自动执行]
    TrustCheck -->|高风险| HumanConfirm[人工确认]
    TrustCheck -->|禁止| Block[拦截阻断]
    
    AutoExec --> Log[记录日志]
    HumanConfirm --> Approved{用户批准?}
    Approved -->|是| ExecWithLog[执行并记录]
    Approved -->|否| Reject[拒绝执行]
    Block --> AlertLog[告警日志]

10.2 安全实践

安全机制实现方式
凭证管理强制环境变量或加密 JSON5 配置
配置扫描openclaw doctor 实时扫描配置风险
权限沙箱RSA 签名插件 + 权限沙箱
工具白名单可配置的工具调用白名单
操作审计全链路日志，通过 runId 追踪
会话隔离基于 agent + workspace + sender 的三维隔离

十一、多 Agent 协作机制

11.1 物理隔离模型

OpenClaw 的多 Agent 不是逻辑隔离，而是物理隔离：

graph TB
    subgraph Agent A 工作空间
        A_Memory[Memory A]
        A_Skills[Skills A]
        A_Session[Session A]
        A_Config[Config A]
    end
    
    subgraph Agent B 工作空间
        B_Memory[Memory B]
        B_Skills[Skills B]
        B_Session[Session B]
        B_Config[Config B]
    end
    
    subgraph Agent C 工作空间
        C_Memory[Memory C]
        C_Skills[Skills C]
        C_Session[Session C]
        C_Config[Config C]
    end
    
    Gateway[Gateway 网关] --> A_Session
    Gateway --> B_Session
    Gateway --> C_Session

11.2 多 Agent 配置

# .agents/ 目录下的多 Agent 配置
agents:
  - name: "研究员"
    model: "claude-sonnet"
    skills: ["web-search", "document-analysis"]
    soul: "擅长深度研究和信息整理"
    
  - name: "编码助手"
    model: "deepseek-v3"
    skills: ["code-gen", "code-review", "testing"]
    soul: "精通多种编程语言"
    
  - name: "项目经理"
    model: "gpt-4o"
    skills: ["planning", "task-tracking"]
    soul: "擅长任务拆解和进度管理"

11.3 跨 Agent 通信

多 Agent 之间通过 Gateway 进行消息路由：

  • Session 隔离：每个 Agent 独立 Session，互不干扰
  • 消息转发：通过 Gateway 实现 Agent 间消息传递
  • 任务委托：一个 Agent 可将子任务委托给另一个 Agent

十二、ContextEngine 插件机制（v3.7+）

12.1 问题背景

当对话轮次增多时，Token 堆积超出模型窗口限制。过去上下文管理逻辑写死在核心代码中，每次调整都是高风险手术。

12.2 插件化解决方案

v3.7 版本引入 ContextEngine 插件接口，将上下文管理逻辑从核心解耦：

graph LR
    Input[原始上下文] --> CE[ContextEngine 插件]
    CE --> Strategy{策略选择}
    
    Strategy --> Truncate[截断策略]
    Strategy --> Compress[压缩策略]
    Strategy --> Summarize[摘要策略]
    Strategy --> Custom[自定义策略]
    
    Truncate --> Output[处理后上下文]
    Compress --> Output
    Summarize --> Output
    Custom --> Output

开发者可以自定义上下文管理策略：

  • 截断：保留最近 N 轮对话
  • 压缩：用 LLM 对历史内容做摘要压缩
  • 混合：重要信息保留全文，普通内容压缩
  • 语义筛选：基于向量相似度保留相关内容

十三、源码阅读路线图

如果你想深入 OpenClaw 源码，建议按以下路线阅读：

image.png

阶段重点文件理解目标
启动流程src/gateway/boot.ts系统如何初始化各模块
消息处理src/gateway/server.tsWebSocket 如何接收和分发消息
会话管理src/sessions/SessionKey 如何生成和路由
Agent 运行src/agents/pi-embedded-runner/模型调用和提示词构造
核心循环run/attempt.tsReAct 循环的完整实现
工具系统pi-tools.ts工具注册、调用和结果处理
循环检测tool-loop-detection.ts四种循环检测器的实现
记忆系统src/memory/短期/长期记忆的存储与检索

十四、设计总结

核心设计原则

graph TB
    Design[OpenClaw 设计原则] --> Decouple[解耦分层]
    Design --> LocalFirst[本地优先]
    Design --> PluginArch[插件化内核]
    Design --> SafetyFirst[安全优先]
    Design --> EngPractice[工程化实践]
    
    Decouple --- D1[渠道/网关/执行 三层分离]
    LocalFirst --- L1[数据不离开用户设备]
    PluginArch --- P1[Skills/Channels/Providers 可热插拔]
    SafetyFirst --- S1[Trust Boundary + 循环检测 + 审计]
    EngPractice --- E1[Markdown 配置 + TypeScript 类型安全]

四个反共识设计

反共识说明
网关而非框架不提供 SDK，而是一个独立运行的服务
Markdown 即配置用 .md 文件而非 YAML/JSON 定义 Agent 人格和记忆
朴素记忆方案用本地文件（events.jsonl）而非复杂数据库
单体架构不做微服务拆分，单进程网关处理一切

一句话总结

OpenClaw 的工程价值不在于它有多"智能"，而在于它用一套清晰的五层分层 + 插件化内核 + 本地优先 + 安全边界的架构，将 LLM 的推理能力转化为了可治理、可扩展、可信赖的任务执行系统。

avatar
文章
阅读
粉丝