一、为什么你需要了解龙虾的内脏上期小编带大家选龙虾、避坑、配了四大进阶功能子 Agent / Cron / Skills / 专家团队评论区不少小伙伴追问更深的问题“子 Agent 到底怎么调度的”“记忆系统为什么有时候’失忆’”“Skills 和 Tools 到底啥区别”这些问题不看架构真回答不了。打个比方——你开了一年的车发动机在哪、变速箱怎么工作完全不知道。平时没事一旦出了毛病只能重启试试。但如果你知道引擎的基本原理至少能分辨是不是该加油了和是不是该送修了。今天这篇就是龙虾的维修手册。看完之后• 你能说清楚一条消息从发出到回复经过了哪些环节• 你知道为什么有些功能需要解锁才能用• 你能理解生态里那些 NanoClaw、PicoClaw 跟 OpenClaw 到底什么关系准备好了咱们开壳。二、龙虾的骨架——总览架构2.1 一只龙虾的器官分布图先上一张全景图让你心里有个数看着一堆方块头大正常。小编第一次看也是这感觉。换成人话其实就一句一句话总结OpenClaw 一个永远在线的管家Gateway 一个会思考的大脑Agent Loop 30 多只触手Channels去够你的各种聊天工具 一堆专业技能包Tools/Skills/Memory 等。如果非要用一个类比——OpenClaw 就像一个章鱼型智能管家• 身体中枢Gateway永远在家待命• 大脑Agent Loop负责思考和决策• 30 多只触手Channels同时伸进微信、Telegram、Slack 等聊天工具里• 身上的工具带Tools/Skills随时掏出需要的家伙事2.2 Gateway龙虾的脊椎一句话定义Gateway 是 OpenClaw 的常驻进程相当于你家的智能家居中枢——始终开着所有设备和服务都通过它连接和通信。核心特征一台机器只跑一个 Gateway。为什么这么设计想想你家的路由器——你不会在家里装三个路由器让它们打架吧Gateway 就是龙虾的路由器特性说明类比常驻运行7 * 24 后台daemon进程你家路由器从不关机统一入口所有消息都经过它快递全进一个菜鸟驿站多设备接入mac/手机/cli 同时连一个Wifi连多个设备WebSocket API端口 127.0.0.1:18789内部通信“专线”Gateway 对外暴露两种接口① WebSocket 协议主力通信连接建立 → 发送 connect 帧 → 开始收发消息所有实时通信走 WebSocket聊天消息、工具调用结果、Agent 状态变化——全部是实时推送不需要轮询。② HTTP API兼容生态/v1/chat/completions ← OpenAI 兼容格式/v1/models ← 查看可用模型/v1/embeddings ← 向量化接口/tools/invoke ← 直接调用工具小编第一次看到这个设计时就想哦原来龙虾把自己伪装成了一个 OpenAI API 服务。这意味着任何支持 OpenAI 格式的客户端都能直接对接龙虾。含机量爆表。2.3 Gateway 的认证三板斧安全问题不能马虎。Gateway 支持三种认证方式┌────────────────────────────────────────────────────┐│ 认证方式 │├─────────────────┬──────────────────┬───────────────┤│ 共享密钥 │ Tailscale 身份 │ 设备配对 ││ (token) │ (零配置VPN) │ (挑战-签名) │├─────────────────┼──────────────────┼───────────────┤│ 最简单 │ 最安全 │ 最灵活 ││ 本地开发用 │ 远程访问用 | 多设备用 │└─────────────────┴──────────────────┴───────────────┘设备配对机制是 v3 版本新增的原理类似蓝牙配对第一次连接时双方交换公钥之后用签名验证身份。一个设备配对后换个 IP 地址也能认出来——这对远程办公的数字游民特别友好在咖啡厅换了 WiFi 也不用重新登录。小编自己的用法本地开发用共享密钥简单手机远程连的时候走 Tailscale安全不折腾。设备配对留给那些我有三台电脑一台手机都想连龙虾的硬核用户。三、大脑中枢——Agentic Loop 与上下文引擎3.1 Agentic Loop龙虾的思维循环说白了Agentic Loop 就是龙虾的想-做-看-再想循环。你给它一个任务它不是一口气从头干到尾而是一边干一边想——干完一步回头看看结果再决定下一步怎么走。每当你发一条消息给龙虾以下流程就会启动举个具体例子你就懂了步骤1消息进入你在微信里说了句帮我查一下明天北京天气。这条消息通过 Channel 到达 GatewayGateway 触发一次agentRPC 调用。关键点RPC 会立刻返回一个runId不会等 AI 想完才回复。这就是为什么你发消息后龙虾会先显示正在思考…。步骤2上下文组装这一步决定了 AI 能看到什么。系统会拼装出一个完整的 Prompt最终 Prompt 基础系统提示 Skills 提示当前激活的技能 Bootstrap 上下文启动仪式信息 历史对话记录 本次用户消息步骤3模型推理拼好的 Prompt 发给 LLMClaude、GPT、Gemini……OpenClaw 支持 20 个 Provider。模型决定是直接回答还是先调用工具步骤4工具执行如果需要假如模型说我要调用 web_search 工具查天气——系统就会在沙箱里执行这个工具拿到结果后回到步骤2把工具结果也塞进上下文让模型再想一遍。这个想-做-再想的循环可以重复多次直到模型觉得好了我可以直接回答了。步骤5流式输出最终回复通过 WebSocket 实时推送给你——你能看到文字一个一个蹦出来就是这个流式机制在起作用。用伪代码看透 Agentic Loop上面的步骤看着好像挺简单但小编当时一直有个疑惑循环到底怎么知道该停万一它死循环了呢后来看了源码才真正明白。来小编把核心逻辑用伪代码摊开给你看——你一看就懂的那种async defagentic_loop(user_message, session): 龙虾的大脑循环——一条消息进来后的完整处理流程。 注意这不是真实源码是小编读完源码后翻译出来的伪代码。 # ───────────────────────────────────────── # 第一步生成 runId立刻返回给前端 # 这就是为什么你发完消息龙虾瞬间就显示思考中... # ───────────────────────────────────────── run_id generate_unique_id() notify_client(run_id, statusthinking) # ───────────────────────────────────────── # 第二步组装上下文决定 AI 这一轮看到什么 # ───────────────────────────────────────── context assemble_context( system_promptload_system_prompt(), # 角色设定 skillsget_active_skills(session), # 当前激活的技能 historysession.get_recent_messages(), # 历史对话 user_msguser_message # 本次消息 ) # ───────────────────────────────────────── # 第三步核心循环——想-做-再想 # 关键点不是无限循环有三重退出机制 # ───────────────────────────────────────── max_turns 50 # 硬上限最多循环 50 轮 timeout 48 * 3600 # 超时48 小时没错真有这么长 start_time now() for turn inrange(max_turns): # 超时检查 if now() - start_time timeout: break # 调用 LLM 推理 response await call_llm( contextcontext, modelsession.get_model(), # Claude/GPT/Gemini/... streamTrue # 流式输出 ) # ─── 关键判断看 stop_reason 决定下一步 ─── # Claude API 返回 stop_reasontool_use 表示要调工具 # 返回 stop_reasonend_turn 表示想直接回复 # OpenAI 用 finish_reasontool_calls vs stop原理一样 if response.stop_reason tool_use: # 模型说我要调工具→ 执行工具把结果塞回上下文 for tool_call in response.tool_calls: result await execute_tool( tooltool_call.name, paramstool_call.arguments, sandboxsession.sandbox # 在沙箱里执行 ) # 关键工具结果以 tool_result 角色追加到对话 context.append({ role: tool_result, tool_use_id: tool_call.id, content: result }) # 工具执行完 → 回到循环顶部让模型再想一遍 continue else: # stop_reason end_turn # 模型说我想好了直接回复→ 跳出循环 final_reply response.text break # ───────────────────────────────────────── # 第四步流式推送最终回复 # ───────────────────────────────────────── stream_to_client(run_id, final_reply) # ───────────────────────────────────────── # 第五步善后工作用户看不到的后台操作 # ───────────────────────────────────────── session.save_messages() # 持久化对话记录 session.update_memory() # 更新短期记忆 release_write_lock(session) # 释放写锁允许下一条消息进来看完这段伪代码几个关键点小编帮你划重点① 为什么立刻返回 runId你发消息后龙虾瞬间就有反应“思考中…”不是因为它想得快而是run_id在 LLM 还没开始推理时就返回了。前端拿到run_id就知道收到了正在处理——用户体验拉满。② 循环不会死循环——三重保险保险机制作用默认值max_turns最多循环几次50轮timeout最长跑多久48小时模型自己决定停LLM判断“够了”—说实话小编一开始看到 48 小时超时时愣了一下——什么任务需要跑两天后来想明白了复杂的编程任务比如让龙虾重构一整个项目模型可能要反复调用几十次工具每次工具执行也要时间。48 小时是理论上限正常使用几分钟就结束了。③stop_reason才是循环的方向盘整个循环只看 LLM 返回的一个字段stop_reason。•stop_reason tool_use→ 模型想调工具 →continue回去再想•stop_reason end_turn→ 模型想直接说话 →break结束就这么简单。不是你的代码决定该不该调工具是LLM 自己决定的。你只需要看它的stop_reason就知道下一步干嘛。小编第一次理解这个设计时恍然大悟——所谓Agentic核心不是什么复杂的状态机或调度器就是一个 while 循环 模型自主判断。优雅到让人想鼓掌。④tool_result怎么喂回去的这个细节很多教程不说但其实很关键工具执行完之后结果不是随便塞进去的——它以一个特殊的tool_result角色追加到对话消息列表里同时带上tool_use_id跟之前的工具调用对应。为什么要这么麻烦因为一轮推理里模型可能同时调多个工具比如同时搜三个网站你需要用id让模型知道这个结果是哪个工具返回的。一个更真实的例子多轮工具调用光看伪代码可能还是抽象。小编再给你画一个真实场景的执行流程——你让龙虾帮我查一下明天北京天气顺便推荐穿什么衣服你帮我查明天北京天气推荐穿什么│├─ 【循环第 1 轮】│ ├─ LLM 推理我需要先查天气│ ├─ 工具调用web_search(北京 明天 天气)│ ├─ 工具返回明天北京晴28-35°C紫外线强│ └─ → continue回去再想│├─ 【循环第 2 轮】│ ├─ LLM 推理知道天气了我可以直接推荐穿搭│ ├─ 无工具调用 → 直接生成回复│ └─ → break结束循环│└─ 最终回复明天北京 28-35°C建议穿短袖防晒衫……只转了 2 轮。但如果你问的是帮我对比三家机票价格可能要转 5-6 轮每家航司搜一次。循环次数取决于任务复杂度不是固定的。和普通 Chat API 的本质区别你可能想“这不就是多调几次 API 吗我自己写个 for 循环也行啊。”嗯……技术上确实可以。但 Agentic Loop 比for 循环调 API多了几个关键能力维度普通Chat APIAgentic Loop谁决定调用什么工具你的代码硬编码LLM 自己判断谁决定何时停止你写if-else控制LLM自己判断上下文是否自动拼接你手动append引擎自动组装压缩工具结果是否参与下一轮推理需要你手动塞进去自动注入上下文并发/队列/超时/锁全要自己实现框架内置“Agentic 不是让你写循环而是让 AI 自己决定’我还需要做什么’。这个’自主决策’才是核心价值。”3.2 队列与并发控制别让龙虾精分这里有个很重要的设计每个 Session 的 Agent 运行是串行的。为什么想象你同时对龙虾说了三句话你帮我写封邮件你顺便查下今天股票你把昨天的会议纪要整理一下如果三个请求同时跑它们会抢着读写同一个对话历史——就像三个人同时在一张纸上写字乱套了。OpenClaw 的解法Session 级队列 全局队列。Session 队列同一个对话的请求排队执行保证上下文一致性全局队列 可选的全局限流防止 token 费用失控队列还支持几种插队模式模式行为适用场景steer打断当前运行切换方向用户改主意了followup排在当前运行后面追加信息collect多条消息合并为一次运行连续发消息interrupt强制中止当前运行紧急停止3.3 上下文引擎Context Engine决定 AI 看到什么上下文引擎这东西……怎么说呢平时你完全感受不到它的存在。但一旦出问题你就知道它有多重要了。RAG 80% 的问题出在信息检索那一步而 Agent 80% 的问题出在上下文给错了——AI 不是不会答是它根本没看到该看的东西。上下文引擎有四个生命周期阶段┌──────────┐ ┌──────────┐ ┌──────────┐ ┌──────────┐│ Ingest │ → │ Assemble │ → │ Compact │ → │AfterTurn ││ 存储索引 │ │ 组装上下文│ │ 压缩历史 │ │ 持久化 │└──────────┘ └──────────┘ └──────────┘ └──────────┘Ingest新消息来了先存起来、建索引Assemble开始思考前在 token 预算内组装最佳上下文Compact历史太长时用 LLM 总结旧对话省 tokenAfterTurn一轮对话结束持久化状态触发后台压缩这里有个彩蛋上下文引擎是可插拔的。不满意默认的自己写一个替上去。社区有人做了跨 Session 记忆召回插件——上周聊的内容这周也能被想起来。3.4 Session 管理每段对话的容器Session 就是一段对话的容器。你跟龙虾聊天时所有消息都存在一个 Session 里——它决定了 AI 能记住多少之前说过的话。路由规则挺直观的消息来源Session策略为什么私聊共享一个Session一个人一个对话流群聊每群独立session群A的话题别串到群B定时任务每次新建Session任务之间互不干扰Webhook每个Hook独立自动化流程要隔离Session 的生命周期默认情况下Session 每天凌晨 4 点自动重置。为什么说实话小编一开始也觉得奇怪——为什么要重置后来想明白了如果一个 Session 跑了一个月对话历史会长到离谱压缩再多也扛不住。每天重置就像睡一觉起来——龙虾醒来时记忆清爽但长期记忆还在 Memory 里。3.5 定时任务系统Cron HeartbeatCron 没什么神秘的就是龙虾的闹钟——你设个时间它到点干活。OpenClaw 有两种定时机制① Cron 定时任务每天早上 8 点总结我的邮件每周五下午提醒我写周报每隔 1 小时检查一次服务器状态Cron 任务在独立 Session 里执行不会干扰你的日常对话。② Heartbeat 心跳这个更有意思——它不是你设定的闹钟而是龙虾自己觉得需要检查的事情。工作原理Gateway 定期默认每 15-30 分钟敲门问一下 Agent有什么需要跟进的吗Agent 会检查自己的 HEARTBEAT.md 清单看看有没有到期的承诺或者需要主动推送的信息。这就是为什么有时候你没说话龙虾突然冒出来一句嘿你上午说的那个会议快开始了——不是它在偷偷监控你而是心跳机制触发了它去检查待办事项。“不骗你小编第一次被龙虾主动提醒时还吓了一跳。后来发现是自己设了个备忘录忘了。”四、双手双脚——工具系统、渠道与子 Agent4.1 工具系统Tools龙虾的瑞士军刀Tools 就是龙虾的手——光会想不行得能动手干活。读文件、搜网页、执行代码、发消息每一个具体动作就是一个 Tool。OpenClaw 内置了几十个工具小编给你按功能归了个类类别代表工具能干啥运行时exec,code_execution在沙箱里运行代码文件read, write,edit读写修改文件网络web_search,web_fetch搜索和抓取网页浏览器browser打开网页、点击、截图消息message发型消息到任意渠道子Agentsessions_spawn派生子任务自动化cron设置定时任务媒体image_generate,tts生图、语音合成网关gateway,nades管理设备和连接工具权限控制是分层的——这点很重要全局配置 → Agent 配置 → Channel 策略 → Provider 限制 → 沙箱规则 ↓ ↓ 这个 Agent 能用哪些工具 这个工具在沙箱里能干啥举个例子你可以配置在群聊里龙虾不能执行代码Channel 策略同时在私聊里什么都能用默认策略。小编自己用下来最常用的工具组合是web_searchreadwrite。基本上能覆盖 80% 的日常需求。一个容易忽略的点工具配置文件ProfilesOpenClaw 预设了几套工具组合模板Profile包含工具适合场景coding文件读写 exec Git纯编程场景full全部工具个人私聊messagingmessage 基础读写群聊/客服场景你可以在不同的 Channel 里用不同的 Profile。比如群聊里只开messaging防止龙虾在群里执行危险命令私聊里给full。这比一个个关工具省事多了。4.2 Channels龙虾的 30 只触手Channel 这个词听着高级其实就是连着哪个聊天软件。你品——大多数 AI 工具要你打开一个新网页、或者装一个新 App 才能用。但 OpenClaw 不是。它不要求你换地方聊天。你平时用微信就在微信里聊用 Telegram 就在 Telegram 里聊。龙虾自己跑过来找你而不是你去找它。截至目前OpenClaw 支持30 个 Channel30 多个渠道是什么概念大多数 AI Agent 竞品能支持 3-5 个就不错了。OpenClaw 直接把能接的全接了——你日常用的聊天软件大概率已经在列表里了。每个 Channel 的底层实现用的是对应平台的 SDK/协议• WhatsApp → Baileys 库非官方 API• Telegram → grammY 框架• Discord → Discord.js• Slack → Bolt 框架4.3 SubAgent龙虾的分身术上期讲了子 Agent 怎么配、什么场景用——今天看看它底层是怎么转的。简单说SubAgent 就是主 Agent 派出去干活的分身——有自己的脑子干完事回来汇报。核心架构┌─────────────────────────────────────────┐│ 主 Agent (Session A) ││ ││ 我需要同时查三个竞品的信息 ││ ││ sessions_spawn → ┬→ SubAgent 1 (查竞品A) ││ ├→ SubAgent 2 (查竞品B) ││ └→ SubAgent 3 (查竞品C) ││ ││ ← 结果汇报 ←────────────────────────────┘│ ││ 综合三个结果给你做个对比表…… │└─────────────────────────────────────────┘两种上下文模式模式行为适用场景isolated(默认)干净的新Session,看不到主Agent历史独立调研任务fork继承主Agent的对话历史需要上下文的子任务关键设计决策子 Agent 没有 message 工具。为什么想想看——如果子 Agent 能直接发消息给用户多个子 Agent 同时回复就乱套了。所以子 Agent 只能把结果交还给主 Agent由主 Agent 统一汇报。这就像项目经理开会不是让每个组员都直接跟老板汇报而是项目经理汇总后统一说。嵌套深度可配置子 Agent 还能再派子 Agent——形成主管→组长→组员的层级。但小编建议最多两层就够了再深就是套娃了调试起来头疼。{ agents: { defaults: { subAgents: { maxNestingDepth: 2 // 最多嵌套两层 } } }}4.4 Sandbox 沙箱系统龙虾的安全笼小编当初不太在意沙箱这个概念……直到有一次龙虾执行了一个rm -rf命令。幸好是在 Docker 沙箱里。不然我的 Mac 就要从从容容格式化匆匆忙忙恢复数据了。所以沙箱是什么就是一个笼子——龙虾干活时不是直接在你电脑上裸奔而是被关在一个受控环境里。搞砸了也只是笼子里的事。三种沙箱模式模式行为适用场景off不沙箱直接在宿主机执行你完全信任AI勇士non-main只对群聊/外部Session沙箱私聊新人 群聊隔离all所有Session都在沙箱里安全第一三种沙箱后端┌──────────────────────────────────────────────────────┐│ 沙箱后端选择 │├────────────┬────────────────┬────────────────────────┤│ Docker │ SSH │ OpenShell ││ (默认) │ (远程) │ (托管服务) │├────────────┼────────────────┼────────────────────────┤│ 本地容器 │ SSH 到远程机器 │ 云端托管沙箱 ││ 完全隔离 │ 把重活甩出去 │ 带文件同步 ││ 支持 GPU │ 灵活性最高 │ 无需管理 │└────────────┴────────────────┴────────────────────────┘Docker 沙箱的亮点• GPU 直通需要跑 ML 模型时可以穿透 GPU• 网络隔离默认不给网络防止恶意外连• 自定义镜像可以预装你需要的开发环境• Docker-out-of-Docker沙箱里也能操作 Docker套娃什么不会被沙箱• Gateway 本身它是宿主机进程• 被标记为elevated的特权工具• 明确配置为免沙箱的操作4.5 工作区与 Agent 路由谁来接你的消息当你有多个 Agent时比如一个工作 Agent、一个生活 Agent消息路由决定谁来回答。路由优先级从高到低1. 精确匹配 peer私聊对象2. 父级 peer 匹配线程继承3. Guild 角色匹配Discord 场景4. Team 匹配Slack 场景5. Account 匹配6. Channel 级匹配7. 默认 Agent兜底小编的实践经验大多数人只需要一个 Agent 就够了。多 Agent 适合组织/团队场景——比如公司的 HR 问题走 HR Agent技术问题走 Tech Agent。还有一种玩法叫Delegate委托代理Agent 以你的身份去跟别人沟通。分三个等级登记权限场景Tier 1只读草稿Agent 帮你写回复草稿你确认后发出Tier 2代发消息Agent直接以你的名义回复别人Tier 3完全自主Agent主动发起对话、做决策Tier 3 目前只有极少数人敢开——毕竟让 AI 全权代表你发消息……想想就刺激。小编暂时停留在 Tier 1让它帮我拟草稿已经够省心了。五、进化之路——记忆、技能与自我升级5.1 记忆管理龙虾的海马体聊到这里终于到了小编个人最喜欢的模块。你有没有跟 AI 聊了半小时结果它突然忘了你叫什么的经历大多数 AI 的记忆就是对话历史——上下文窗口一满前面说的话就被挤掉了。就像金鱼7 秒一个轮回。龙虾不一样。它的记忆是独立存储的 Markdown 文件跟对话历史彻底分开~/.openclaw/workspace/├── MEMORY.md ← 长期记忆每次对话必加载├── memory/│ ├── 2026-06-13.md ← 今天的笔记│ ├── 2026-06-12.md ← 昨天的笔记│ └── ...└── DREAMS.md ← 做梦日记可选记忆的三层结构层级文件生命周期类比长期记忆MEMORY.md永久每次加载你的名字、偏好、习惯短期笔记memory/YYYY-MM-DD.md按天存储可搜索今天发生了什么梦境巩固DREAMS.md后台异步处理睡觉时整理白天的事等等——龙虾还会做梦对你没看错。Dreaming 系统正儿八经的功能名。当然不是真做梦而是一套凌晨自动运行的后台记忆巩固机制Deep 阶段的打分机制系统用 6 个加权信号来决定一条记忆是否值得长期保留信号权重含义相关性0.30跟用户核心需求的关联度频率0.24被多次提及和使用时效性0.15最近才出现的信息查询多样性0.15在不同上下文中都有用聚合度0.10能跟其他记忆关联成网概念丰富度0.06信息密度高“我用了大概一个月有一天让它写代码它自动用了我习惯的命名风格。那一刻感觉……有点诡异又有点爽。”记忆后端可插拔后端技术特点内置(默认)SQLite开箱即用混合检索QMD本地sidecar重排序、查询扩展HonchoAI原生跨Session、用户建模LanceDBLanceDBOpenAI 兼容Embedding5.2 Skills 模块龙虾的技能树Skills 之前的文章已经详细聊过用法和推荐了这里不重复概念直接从架构角度说几个你可能不知道的细节。不记得的同学回顾一下万字图文:从 Function Calling 到 MCP 再到 SkillsAI 工具调用的三次进化Skills 加载优先级从高到低1. 工作区 Skills ← workspace/skills/2. 项目 Agent Skills ← workspace/.agents/skills/3. 个人 Agent Skills ← ~/.agents/skills/4. 托管/本地 Skills ← ~/.openclaw/skills/5. 内置 Skills ← 随安装包自带6. 额外目录 Skills ← 配置指定的路径 插件提供优先级高的覆盖低的。换句话说——你写的 Skill 能压过系统自带的。自己的规矩自己说了算。ClawHubSkills 的应用商店OpenClaw 有自己的 Skill 注册中心 clawhub.ai# 安装一个 Skillopenclaw skills install slug# 从 Git 安装openclaw skills install git:owner/reporef# 更新所有 Skillsopenclaw skills update --all# 验证 Skill 安全性openclaw skills verify slug每个 Skill 在发布前都会经过安全扫描VirusTotal ClawScan防止恶意代码混入。Skill Workshop龙虾会自学这个功能一开始小编没注意到后来用了一段时间才发现——龙虾干活干多了会自己总结规律草拟一个 Skill 提案。但它不会偷偷生效而是放在Workshop里等你审批。龙虾发现规律 → 草拟 Skill 提案 → 放入 Workshop → 用户审核通过 → 正式生效这就像一个实习生——做着做着总结了一套方法论写成文档给你看你觉得靠谱就留下。5.3 自进化机制龙虾越用越聪明别误会——龙虾的自进化不是自己偷偷改代码那就恐怖片了。它的进化方式比你想象的温和① Dreaming记忆进化前面讲过了——通过做梦巩固记忆越用越了解你。② Skill Workshop行为进化发现新模式 → 草拟 Skill → 审核通过 → 永久获得新能力。③ Commitments短期跟进这是个隐藏机制龙虾会在后台推断我应该跟进什么——用户说明天记得提醒我交报告龙虾后台创建一个 Commitment明天早上心跳时检查并提醒Commitment 是短期的、用后即弃的便签。跟长期记忆不同它更像手机上的提醒事项。三个机制组合起来形成了一个闭环进化系统“代码跑通了不代表你理解了。但龙虾跑通了它真的在’理解’——而且会越来越理解。”六、龙虾家族——OpenClaw 生态全景6.1 为什么会有这么多虾OpenClaw 一开源社区立刻炸了——但不是每个人都想用这么重的东西。TypeScript 写的70 依赖功能全但也肥。学习的人嫌看不懂源码搞安全的人嫌隔离不够狠玩硬件的人一看内存占用——得我那 10块钱 的板子根本跑不动。于是大家各自动手按自己的需求重造轮子。这不是分裂这是开源生态的正常繁殖方式。统称Claw 家族。6.2 学 Agent 结构轻量派NanobotPython44K Stars定位超轻量、可读性极强的 Python Agent核心~5000 行代码实现完整 Agent 循环语言Python创建2026-02香港大学出品为什么小编推荐它来学习• 核心 Agent Loop 只有 5000 行 Python一下午能看完• 支持 WebUI、聊天渠道、Tools、Memory、MCP• 有模型路由能切换不同 Provider• Python 写的对国内开发者友好适合人群想看懂一个 Agent 到底怎么跑起来的人。NanoClawTypeScript30K Stars定位安全隔离优先的轻量 Agent核心每个 Agent 跑在自己的 Linux 容器里语言TypeScript创建2026-01口号Small enough to understand. Secure by isolation.跟 OpenClaw 的核心区别维度OpenClawNanoClaw隔离方式应用层allowlistOS 级容器隔离代码量巨大(70 依赖)精简(few files)指定方式配置插件直接写代码安全哲学“告诉AI不许做”“从系统层面不让它做”“如果 OpenClaw 是一个有保安的大楼NanoClaw 就是给每个住户装了独立大门——保安失职了也没事。”6.3 生产部署企业派IronClawRust12K Stars定位安全第一的 Agent OS核心Rust 重写独立状态根语言Rust创建2026-02NEAR AI 出品口号Agent OS focused on privacy, security and extensibilityIronClaw 面向对安全性有极高要求的场景——企业级、金融级、政务级。用 Rust 写意味着内存安全有保障不会出现 TypeScript 那种原型链污染之类的安全漏洞。小编没有深度用过 IronClaw毕竟个人用户用不到这么重的安全方案但看了它的架构有一点很有意思独立状态根。什么意思OpenClaw 的所有数据都在~/.openclaw/一个目录里而 IronClaw 给每个 Agent 完全独立的文件系统根——一个 Agent 被攻破了不会波及其他 Agent 的数据。这在企业多租户场景里很重要。SpacebotRust2.3K Stars定位面向团队和社区的 Agent 框架核心结构化图存储替代 Markdown 记忆语言Rust创建2026-02Spacedrive 团队出品口号State belongs in structured storage, not markdown filesSpacebot 的独特设计OpenClaw 的记忆用 Markdown 文件——简单直接但多人协作时就尴尬了。Spacebot 用SQLite 里的类型化图存储替代适合团队场景。它有五种进程类型进程职责Channels处理外部消息Branches管理对话分支Workers执行具体任务Thinkers做决策和推理Sweepers后台清理和巩固6.4 硬件玩家极客派PicoClawGo29K Stars定位跑在 $10 硬件上的 AI Agent核心10MB 内存即可运行语言Go创建2026-02Sipeed 矽速科技出品口号99% less memory than OpenClaw and 98% cheaper than a Mac mini一只龙虾需要 Mac 级硬件才能跑PicoClaw 说不需要。10 块钱的开发板就行。就 10 块钱。支持的硬件架构RISC-V、ARM64、MIPS、LoongArch龙芯。甚至出了专用硬件LicheeRV-Claw——一块淘宝/AliExpress 能买到的开发板插上就是一个硬件龙虾。适合人群IoT 开发者、智能家居 DIY 玩家、想让龙虾跑在树莓派上的极客。ZeroClaw / zClawRust32K Stars定位单二进制、全自主、极速部署核心一个可执行文件搞定一切语言Rust创建2026-02口号Deploy anywhere, swap anything核心特点•单二进制部署一个文件扔上去就跑不用装依赖•硬件感知直接操作 GPIO/I2C/SPI/USB•安全沙箱Landlock/Bubblewrap/Seatbelt/Docker 四选一•工具签名每次工具调用都有加密签名审计追踪•YOLO 模式开发时关掉所有限制快速迭代“zClaw 是 Claw 家族里最’硬核’的——Rust 写的能操作硬件还有加密审计。如果 OpenClaw 是智能手机zClaw 就是瑞士手表。”6.5 全景对比表维度OpenClawNanobotNanoClawIronClawSpaceBotPicoClawzClaw定位全功能参考实现学习用轻量Agent安全隔离轻量版企业安全 Agent OS团队协作Agent极限硬件Agent极客全能Agent语言TypeScriptPythonTypeScriptRustRustGoRustStars378K44K30K12K2.3K29K32K代码规模巨大约5k行核心精简中等中等精简中等最低硬件Mac/高配Pc普通电脑Linux机器普通服务器服务器开发板linux隔离方式应用层策略无容器隔离OS级别进程级别系统调用限制多种沙箱记忆方式Markdown文件内存 文件容器内文件独立状态根SQLite图存储轻量文件文件审计适合谁全能用户学习者安全敏感用户企业团队硬件极客全栈极客门槛中等低低-中中-高中-高中中-高6.6 怎么选小编的建议别在选型上精神内耗了直接看这个决策树七、写在最后好了万字看到这里你对龙虾的内脏应该摸得差不多了。小编写这篇文章的时候自己也重新梳理了一遍——说实话有些模块我之前也是稀里糊涂在用比如上下文引擎和 Dreaming 系统真正看懂架构之后才明白哦原来它是这么工作的。如果让我用一句话总结 OpenClaw 的设计哲学大概是所有状态都是 Markdown 文件所有模块都能换。记忆是 MarkdownSkills 是 Markdown连梦境日记都是 Markdown。你随时能打开看龙虾脑子里在想啥——不黑箱不玄学。哪个模块不满意换一个插件就行上下文引擎、记忆后端、沙箱后端、模型 Provider全部可插拔。这种透明可控的感觉用久了会上瘾。“会用工具的人和理解工具的人差距会越来越大。但好消息是——你已经在理解了。”学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
万字图文拆解龙虾的技术架构：从 Gateway 到自进化
一、为什么你需要了解龙虾的内脏上期小编带大家选龙虾、避坑、配了四大进阶功能子 Agent / Cron / Skills / 专家团队评论区不少小伙伴追问更深的问题“子 Agent 到底怎么调度的”“记忆系统为什么有时候’失忆’”“Skills 和 Tools 到底啥区别”这些问题不看架构真回答不了。打个比方——你开了一年的车发动机在哪、变速箱怎么工作完全不知道。平时没事一旦出了毛病只能重启试试。但如果你知道引擎的基本原理至少能分辨是不是该加油了和是不是该送修了。今天这篇就是龙虾的维修手册。看完之后• 你能说清楚一条消息从发出到回复经过了哪些环节• 你知道为什么有些功能需要解锁才能用• 你能理解生态里那些 NanoClaw、PicoClaw 跟 OpenClaw 到底什么关系准备好了咱们开壳。二、龙虾的骨架——总览架构2.1 一只龙虾的器官分布图先上一张全景图让你心里有个数看着一堆方块头大正常。小编第一次看也是这感觉。换成人话其实就一句一句话总结OpenClaw 一个永远在线的管家Gateway 一个会思考的大脑Agent Loop 30 多只触手Channels去够你的各种聊天工具 一堆专业技能包Tools/Skills/Memory 等。如果非要用一个类比——OpenClaw 就像一个章鱼型智能管家• 身体中枢Gateway永远在家待命• 大脑Agent Loop负责思考和决策• 30 多只触手Channels同时伸进微信、Telegram、Slack 等聊天工具里• 身上的工具带Tools/Skills随时掏出需要的家伙事2.2 Gateway龙虾的脊椎一句话定义Gateway 是 OpenClaw 的常驻进程相当于你家的智能家居中枢——始终开着所有设备和服务都通过它连接和通信。核心特征一台机器只跑一个 Gateway。为什么这么设计想想你家的路由器——你不会在家里装三个路由器让它们打架吧Gateway 就是龙虾的路由器特性说明类比常驻运行7 * 24 后台daemon进程你家路由器从不关机统一入口所有消息都经过它快递全进一个菜鸟驿站多设备接入mac/手机/cli 同时连一个Wifi连多个设备WebSocket API端口 127.0.0.1:18789内部通信“专线”Gateway 对外暴露两种接口① WebSocket 协议主力通信连接建立 → 发送 connect 帧 → 开始收发消息所有实时通信走 WebSocket聊天消息、工具调用结果、Agent 状态变化——全部是实时推送不需要轮询。② HTTP API兼容生态/v1/chat/completions ← OpenAI 兼容格式/v1/models ← 查看可用模型/v1/embeddings ← 向量化接口/tools/invoke ← 直接调用工具小编第一次看到这个设计时就想哦原来龙虾把自己伪装成了一个 OpenAI API 服务。这意味着任何支持 OpenAI 格式的客户端都能直接对接龙虾。含机量爆表。2.3 Gateway 的认证三板斧安全问题不能马虎。Gateway 支持三种认证方式┌────────────────────────────────────────────────────┐│ 认证方式 │├─────────────────┬──────────────────┬───────────────┤│ 共享密钥 │ Tailscale 身份 │ 设备配对 ││ (token) │ (零配置VPN) │ (挑战-签名) │├─────────────────┼──────────────────┼───────────────┤│ 最简单 │ 最安全 │ 最灵活 ││ 本地开发用 │ 远程访问用 | 多设备用 │└─────────────────┴──────────────────┴───────────────┘设备配对机制是 v3 版本新增的原理类似蓝牙配对第一次连接时双方交换公钥之后用签名验证身份。一个设备配对后换个 IP 地址也能认出来——这对远程办公的数字游民特别友好在咖啡厅换了 WiFi 也不用重新登录。小编自己的用法本地开发用共享密钥简单手机远程连的时候走 Tailscale安全不折腾。设备配对留给那些我有三台电脑一台手机都想连龙虾的硬核用户。三、大脑中枢——Agentic Loop 与上下文引擎3.1 Agentic Loop龙虾的思维循环说白了Agentic Loop 就是龙虾的想-做-看-再想循环。你给它一个任务它不是一口气从头干到尾而是一边干一边想——干完一步回头看看结果再决定下一步怎么走。每当你发一条消息给龙虾以下流程就会启动举个具体例子你就懂了步骤1消息进入你在微信里说了句帮我查一下明天北京天气。这条消息通过 Channel 到达 GatewayGateway 触发一次agentRPC 调用。关键点RPC 会立刻返回一个runId不会等 AI 想完才回复。这就是为什么你发消息后龙虾会先显示正在思考…。步骤2上下文组装这一步决定了 AI 能看到什么。系统会拼装出一个完整的 Prompt最终 Prompt 基础系统提示 Skills 提示当前激活的技能 Bootstrap 上下文启动仪式信息 历史对话记录 本次用户消息步骤3模型推理拼好的 Prompt 发给 LLMClaude、GPT、Gemini……OpenClaw 支持 20 个 Provider。模型决定是直接回答还是先调用工具步骤4工具执行如果需要假如模型说我要调用 web_search 工具查天气——系统就会在沙箱里执行这个工具拿到结果后回到步骤2把工具结果也塞进上下文让模型再想一遍。这个想-做-再想的循环可以重复多次直到模型觉得好了我可以直接回答了。步骤5流式输出最终回复通过 WebSocket 实时推送给你——你能看到文字一个一个蹦出来就是这个流式机制在起作用。用伪代码看透 Agentic Loop上面的步骤看着好像挺简单但小编当时一直有个疑惑循环到底怎么知道该停万一它死循环了呢后来看了源码才真正明白。来小编把核心逻辑用伪代码摊开给你看——你一看就懂的那种async defagentic_loop(user_message, session): 龙虾的大脑循环——一条消息进来后的完整处理流程。 注意这不是真实源码是小编读完源码后翻译出来的伪代码。 # ───────────────────────────────────────── # 第一步生成 runId立刻返回给前端 # 这就是为什么你发完消息龙虾瞬间就显示思考中... # ───────────────────────────────────────── run_id generate_unique_id() notify_client(run_id, statusthinking) # ───────────────────────────────────────── # 第二步组装上下文决定 AI 这一轮看到什么 # ───────────────────────────────────────── context assemble_context( system_promptload_system_prompt(), # 角色设定 skillsget_active_skills(session), # 当前激活的技能 historysession.get_recent_messages(), # 历史对话 user_msguser_message # 本次消息 ) # ───────────────────────────────────────── # 第三步核心循环——想-做-再想 # 关键点不是无限循环有三重退出机制 # ───────────────────────────────────────── max_turns 50 # 硬上限最多循环 50 轮 timeout 48 * 3600 # 超时48 小时没错真有这么长 start_time now() for turn inrange(max_turns): # 超时检查 if now() - start_time timeout: break # 调用 LLM 推理 response await call_llm( contextcontext, modelsession.get_model(), # Claude/GPT/Gemini/... streamTrue # 流式输出 ) # ─── 关键判断看 stop_reason 决定下一步 ─── # Claude API 返回 stop_reasontool_use 表示要调工具 # 返回 stop_reasonend_turn 表示想直接回复 # OpenAI 用 finish_reasontool_calls vs stop原理一样 if response.stop_reason tool_use: # 模型说我要调工具→ 执行工具把结果塞回上下文 for tool_call in response.tool_calls: result await execute_tool( tooltool_call.name, paramstool_call.arguments, sandboxsession.sandbox # 在沙箱里执行 ) # 关键工具结果以 tool_result 角色追加到对话 context.append({ role: tool_result, tool_use_id: tool_call.id, content: result }) # 工具执行完 → 回到循环顶部让模型再想一遍 continue else: # stop_reason end_turn # 模型说我想好了直接回复→ 跳出循环 final_reply response.text break # ───────────────────────────────────────── # 第四步流式推送最终回复 # ───────────────────────────────────────── stream_to_client(run_id, final_reply) # ───────────────────────────────────────── # 第五步善后工作用户看不到的后台操作 # ───────────────────────────────────────── session.save_messages() # 持久化对话记录 session.update_memory() # 更新短期记忆 release_write_lock(session) # 释放写锁允许下一条消息进来看完这段伪代码几个关键点小编帮你划重点① 为什么立刻返回 runId你发消息后龙虾瞬间就有反应“思考中…”不是因为它想得快而是run_id在 LLM 还没开始推理时就返回了。前端拿到run_id就知道收到了正在处理——用户体验拉满。② 循环不会死循环——三重保险保险机制作用默认值max_turns最多循环几次50轮timeout最长跑多久48小时模型自己决定停LLM判断“够了”—说实话小编一开始看到 48 小时超时时愣了一下——什么任务需要跑两天后来想明白了复杂的编程任务比如让龙虾重构一整个项目模型可能要反复调用几十次工具每次工具执行也要时间。48 小时是理论上限正常使用几分钟就结束了。③stop_reason才是循环的方向盘整个循环只看 LLM 返回的一个字段stop_reason。•stop_reason tool_use→ 模型想调工具 →continue回去再想•stop_reason end_turn→ 模型想直接说话 →break结束就这么简单。不是你的代码决定该不该调工具是LLM 自己决定的。你只需要看它的stop_reason就知道下一步干嘛。小编第一次理解这个设计时恍然大悟——所谓Agentic核心不是什么复杂的状态机或调度器就是一个 while 循环 模型自主判断。优雅到让人想鼓掌。④tool_result怎么喂回去的这个细节很多教程不说但其实很关键工具执行完之后结果不是随便塞进去的——它以一个特殊的tool_result角色追加到对话消息列表里同时带上tool_use_id跟之前的工具调用对应。为什么要这么麻烦因为一轮推理里模型可能同时调多个工具比如同时搜三个网站你需要用id让模型知道这个结果是哪个工具返回的。一个更真实的例子多轮工具调用光看伪代码可能还是抽象。小编再给你画一个真实场景的执行流程——你让龙虾帮我查一下明天北京天气顺便推荐穿什么衣服你帮我查明天北京天气推荐穿什么│├─ 【循环第 1 轮】│ ├─ LLM 推理我需要先查天气│ ├─ 工具调用web_search(北京 明天 天气)│ ├─ 工具返回明天北京晴28-35°C紫外线强│ └─ → continue回去再想│├─ 【循环第 2 轮】│ ├─ LLM 推理知道天气了我可以直接推荐穿搭│ ├─ 无工具调用 → 直接生成回复│ └─ → break结束循环│└─ 最终回复明天北京 28-35°C建议穿短袖防晒衫……只转了 2 轮。但如果你问的是帮我对比三家机票价格可能要转 5-6 轮每家航司搜一次。循环次数取决于任务复杂度不是固定的。和普通 Chat API 的本质区别你可能想“这不就是多调几次 API 吗我自己写个 for 循环也行啊。”嗯……技术上确实可以。但 Agentic Loop 比for 循环调 API多了几个关键能力维度普通Chat APIAgentic Loop谁决定调用什么工具你的代码硬编码LLM 自己判断谁决定何时停止你写if-else控制LLM自己判断上下文是否自动拼接你手动append引擎自动组装压缩工具结果是否参与下一轮推理需要你手动塞进去自动注入上下文并发/队列/超时/锁全要自己实现框架内置“Agentic 不是让你写循环而是让 AI 自己决定’我还需要做什么’。这个’自主决策’才是核心价值。”3.2 队列与并发控制别让龙虾精分这里有个很重要的设计每个 Session 的 Agent 运行是串行的。为什么想象你同时对龙虾说了三句话你帮我写封邮件你顺便查下今天股票你把昨天的会议纪要整理一下如果三个请求同时跑它们会抢着读写同一个对话历史——就像三个人同时在一张纸上写字乱套了。OpenClaw 的解法Session 级队列 全局队列。Session 队列同一个对话的请求排队执行保证上下文一致性全局队列 可选的全局限流防止 token 费用失控队列还支持几种插队模式模式行为适用场景steer打断当前运行切换方向用户改主意了followup排在当前运行后面追加信息collect多条消息合并为一次运行连续发消息interrupt强制中止当前运行紧急停止3.3 上下文引擎Context Engine决定 AI 看到什么上下文引擎这东西……怎么说呢平时你完全感受不到它的存在。但一旦出问题你就知道它有多重要了。RAG 80% 的问题出在信息检索那一步而 Agent 80% 的问题出在上下文给错了——AI 不是不会答是它根本没看到该看的东西。上下文引擎有四个生命周期阶段┌──────────┐ ┌──────────┐ ┌──────────┐ ┌──────────┐│ Ingest │ → │ Assemble │ → │ Compact │ → │AfterTurn ││ 存储索引 │ │ 组装上下文│ │ 压缩历史 │ │ 持久化 │└──────────┘ └──────────┘ └──────────┘ └──────────┘Ingest新消息来了先存起来、建索引Assemble开始思考前在 token 预算内组装最佳上下文Compact历史太长时用 LLM 总结旧对话省 tokenAfterTurn一轮对话结束持久化状态触发后台压缩这里有个彩蛋上下文引擎是可插拔的。不满意默认的自己写一个替上去。社区有人做了跨 Session 记忆召回插件——上周聊的内容这周也能被想起来。3.4 Session 管理每段对话的容器Session 就是一段对话的容器。你跟龙虾聊天时所有消息都存在一个 Session 里——它决定了 AI 能记住多少之前说过的话。路由规则挺直观的消息来源Session策略为什么私聊共享一个Session一个人一个对话流群聊每群独立session群A的话题别串到群B定时任务每次新建Session任务之间互不干扰Webhook每个Hook独立自动化流程要隔离Session 的生命周期默认情况下Session 每天凌晨 4 点自动重置。为什么说实话小编一开始也觉得奇怪——为什么要重置后来想明白了如果一个 Session 跑了一个月对话历史会长到离谱压缩再多也扛不住。每天重置就像睡一觉起来——龙虾醒来时记忆清爽但长期记忆还在 Memory 里。3.5 定时任务系统Cron HeartbeatCron 没什么神秘的就是龙虾的闹钟——你设个时间它到点干活。OpenClaw 有两种定时机制① Cron 定时任务每天早上 8 点总结我的邮件每周五下午提醒我写周报每隔 1 小时检查一次服务器状态Cron 任务在独立 Session 里执行不会干扰你的日常对话。② Heartbeat 心跳这个更有意思——它不是你设定的闹钟而是龙虾自己觉得需要检查的事情。工作原理Gateway 定期默认每 15-30 分钟敲门问一下 Agent有什么需要跟进的吗Agent 会检查自己的 HEARTBEAT.md 清单看看有没有到期的承诺或者需要主动推送的信息。这就是为什么有时候你没说话龙虾突然冒出来一句嘿你上午说的那个会议快开始了——不是它在偷偷监控你而是心跳机制触发了它去检查待办事项。“不骗你小编第一次被龙虾主动提醒时还吓了一跳。后来发现是自己设了个备忘录忘了。”四、双手双脚——工具系统、渠道与子 Agent4.1 工具系统Tools龙虾的瑞士军刀Tools 就是龙虾的手——光会想不行得能动手干活。读文件、搜网页、执行代码、发消息每一个具体动作就是一个 Tool。OpenClaw 内置了几十个工具小编给你按功能归了个类类别代表工具能干啥运行时exec,code_execution在沙箱里运行代码文件read, write,edit读写修改文件网络web_search,web_fetch搜索和抓取网页浏览器browser打开网页、点击、截图消息message发型消息到任意渠道子Agentsessions_spawn派生子任务自动化cron设置定时任务媒体image_generate,tts生图、语音合成网关gateway,nades管理设备和连接工具权限控制是分层的——这点很重要全局配置 → Agent 配置 → Channel 策略 → Provider 限制 → 沙箱规则 ↓ ↓ 这个 Agent 能用哪些工具 这个工具在沙箱里能干啥举个例子你可以配置在群聊里龙虾不能执行代码Channel 策略同时在私聊里什么都能用默认策略。小编自己用下来最常用的工具组合是web_searchreadwrite。基本上能覆盖 80% 的日常需求。一个容易忽略的点工具配置文件ProfilesOpenClaw 预设了几套工具组合模板Profile包含工具适合场景coding文件读写 exec Git纯编程场景full全部工具个人私聊messagingmessage 基础读写群聊/客服场景你可以在不同的 Channel 里用不同的 Profile。比如群聊里只开messaging防止龙虾在群里执行危险命令私聊里给full。这比一个个关工具省事多了。4.2 Channels龙虾的 30 只触手Channel 这个词听着高级其实就是连着哪个聊天软件。你品——大多数 AI 工具要你打开一个新网页、或者装一个新 App 才能用。但 OpenClaw 不是。它不要求你换地方聊天。你平时用微信就在微信里聊用 Telegram 就在 Telegram 里聊。龙虾自己跑过来找你而不是你去找它。截至目前OpenClaw 支持30 个 Channel30 多个渠道是什么概念大多数 AI Agent 竞品能支持 3-5 个就不错了。OpenClaw 直接把能接的全接了——你日常用的聊天软件大概率已经在列表里了。每个 Channel 的底层实现用的是对应平台的 SDK/协议• WhatsApp → Baileys 库非官方 API• Telegram → grammY 框架• Discord → Discord.js• Slack → Bolt 框架4.3 SubAgent龙虾的分身术上期讲了子 Agent 怎么配、什么场景用——今天看看它底层是怎么转的。简单说SubAgent 就是主 Agent 派出去干活的分身——有自己的脑子干完事回来汇报。核心架构┌─────────────────────────────────────────┐│ 主 Agent (Session A) ││ ││ 我需要同时查三个竞品的信息 ││ ││ sessions_spawn → ┬→ SubAgent 1 (查竞品A) ││ ├→ SubAgent 2 (查竞品B) ││ └→ SubAgent 3 (查竞品C) ││ ││ ← 结果汇报 ←────────────────────────────┘│ ││ 综合三个结果给你做个对比表…… │└─────────────────────────────────────────┘两种上下文模式模式行为适用场景isolated(默认)干净的新Session,看不到主Agent历史独立调研任务fork继承主Agent的对话历史需要上下文的子任务关键设计决策子 Agent 没有 message 工具。为什么想想看——如果子 Agent 能直接发消息给用户多个子 Agent 同时回复就乱套了。所以子 Agent 只能把结果交还给主 Agent由主 Agent 统一汇报。这就像项目经理开会不是让每个组员都直接跟老板汇报而是项目经理汇总后统一说。嵌套深度可配置子 Agent 还能再派子 Agent——形成主管→组长→组员的层级。但小编建议最多两层就够了再深就是套娃了调试起来头疼。{ agents: { defaults: { subAgents: { maxNestingDepth: 2 // 最多嵌套两层 } } }}4.4 Sandbox 沙箱系统龙虾的安全笼小编当初不太在意沙箱这个概念……直到有一次龙虾执行了一个rm -rf命令。幸好是在 Docker 沙箱里。不然我的 Mac 就要从从容容格式化匆匆忙忙恢复数据了。所以沙箱是什么就是一个笼子——龙虾干活时不是直接在你电脑上裸奔而是被关在一个受控环境里。搞砸了也只是笼子里的事。三种沙箱模式模式行为适用场景off不沙箱直接在宿主机执行你完全信任AI勇士non-main只对群聊/外部Session沙箱私聊新人 群聊隔离all所有Session都在沙箱里安全第一三种沙箱后端┌──────────────────────────────────────────────────────┐│ 沙箱后端选择 │├────────────┬────────────────┬────────────────────────┤│ Docker │ SSH │ OpenShell ││ (默认) │ (远程) │ (托管服务) │├────────────┼────────────────┼────────────────────────┤│ 本地容器 │ SSH 到远程机器 │ 云端托管沙箱 ││ 完全隔离 │ 把重活甩出去 │ 带文件同步 ││ 支持 GPU │ 灵活性最高 │ 无需管理 │└────────────┴────────────────┴────────────────────────┘Docker 沙箱的亮点• GPU 直通需要跑 ML 模型时可以穿透 GPU• 网络隔离默认不给网络防止恶意外连• 自定义镜像可以预装你需要的开发环境• Docker-out-of-Docker沙箱里也能操作 Docker套娃什么不会被沙箱• Gateway 本身它是宿主机进程• 被标记为elevated的特权工具• 明确配置为免沙箱的操作4.5 工作区与 Agent 路由谁来接你的消息当你有多个 Agent时比如一个工作 Agent、一个生活 Agent消息路由决定谁来回答。路由优先级从高到低1. 精确匹配 peer私聊对象2. 父级 peer 匹配线程继承3. Guild 角色匹配Discord 场景4. Team 匹配Slack 场景5. Account 匹配6. Channel 级匹配7. 默认 Agent兜底小编的实践经验大多数人只需要一个 Agent 就够了。多 Agent 适合组织/团队场景——比如公司的 HR 问题走 HR Agent技术问题走 Tech Agent。还有一种玩法叫Delegate委托代理Agent 以你的身份去跟别人沟通。分三个等级登记权限场景Tier 1只读草稿Agent 帮你写回复草稿你确认后发出Tier 2代发消息Agent直接以你的名义回复别人Tier 3完全自主Agent主动发起对话、做决策Tier 3 目前只有极少数人敢开——毕竟让 AI 全权代表你发消息……想想就刺激。小编暂时停留在 Tier 1让它帮我拟草稿已经够省心了。五、进化之路——记忆、技能与自我升级5.1 记忆管理龙虾的海马体聊到这里终于到了小编个人最喜欢的模块。你有没有跟 AI 聊了半小时结果它突然忘了你叫什么的经历大多数 AI 的记忆就是对话历史——上下文窗口一满前面说的话就被挤掉了。就像金鱼7 秒一个轮回。龙虾不一样。它的记忆是独立存储的 Markdown 文件跟对话历史彻底分开~/.openclaw/workspace/├── MEMORY.md ← 长期记忆每次对话必加载├── memory/│ ├── 2026-06-13.md ← 今天的笔记│ ├── 2026-06-12.md ← 昨天的笔记│ └── ...└── DREAMS.md ← 做梦日记可选记忆的三层结构层级文件生命周期类比长期记忆MEMORY.md永久每次加载你的名字、偏好、习惯短期笔记memory/YYYY-MM-DD.md按天存储可搜索今天发生了什么梦境巩固DREAMS.md后台异步处理睡觉时整理白天的事等等——龙虾还会做梦对你没看错。Dreaming 系统正儿八经的功能名。当然不是真做梦而是一套凌晨自动运行的后台记忆巩固机制Deep 阶段的打分机制系统用 6 个加权信号来决定一条记忆是否值得长期保留信号权重含义相关性0.30跟用户核心需求的关联度频率0.24被多次提及和使用时效性0.15最近才出现的信息查询多样性0.15在不同上下文中都有用聚合度0.10能跟其他记忆关联成网概念丰富度0.06信息密度高“我用了大概一个月有一天让它写代码它自动用了我习惯的命名风格。那一刻感觉……有点诡异又有点爽。”记忆后端可插拔后端技术特点内置(默认)SQLite开箱即用混合检索QMD本地sidecar重排序、查询扩展HonchoAI原生跨Session、用户建模LanceDBLanceDBOpenAI 兼容Embedding5.2 Skills 模块龙虾的技能树Skills 之前的文章已经详细聊过用法和推荐了这里不重复概念直接从架构角度说几个你可能不知道的细节。不记得的同学回顾一下万字图文:从 Function Calling 到 MCP 再到 SkillsAI 工具调用的三次进化Skills 加载优先级从高到低1. 工作区 Skills ← workspace/skills/2. 项目 Agent Skills ← workspace/.agents/skills/3. 个人 Agent Skills ← ~/.agents/skills/4. 托管/本地 Skills ← ~/.openclaw/skills/5. 内置 Skills ← 随安装包自带6. 额外目录 Skills ← 配置指定的路径 插件提供优先级高的覆盖低的。换句话说——你写的 Skill 能压过系统自带的。自己的规矩自己说了算。ClawHubSkills 的应用商店OpenClaw 有自己的 Skill 注册中心 clawhub.ai# 安装一个 Skillopenclaw skills install slug# 从 Git 安装openclaw skills install git:owner/reporef# 更新所有 Skillsopenclaw skills update --all# 验证 Skill 安全性openclaw skills verify slug每个 Skill 在发布前都会经过安全扫描VirusTotal ClawScan防止恶意代码混入。Skill Workshop龙虾会自学这个功能一开始小编没注意到后来用了一段时间才发现——龙虾干活干多了会自己总结规律草拟一个 Skill 提案。但它不会偷偷生效而是放在Workshop里等你审批。龙虾发现规律 → 草拟 Skill 提案 → 放入 Workshop → 用户审核通过 → 正式生效这就像一个实习生——做着做着总结了一套方法论写成文档给你看你觉得靠谱就留下。5.3 自进化机制龙虾越用越聪明别误会——龙虾的自进化不是自己偷偷改代码那就恐怖片了。它的进化方式比你想象的温和① Dreaming记忆进化前面讲过了——通过做梦巩固记忆越用越了解你。② Skill Workshop行为进化发现新模式 → 草拟 Skill → 审核通过 → 永久获得新能力。③ Commitments短期跟进这是个隐藏机制龙虾会在后台推断我应该跟进什么——用户说明天记得提醒我交报告龙虾后台创建一个 Commitment明天早上心跳时检查并提醒Commitment 是短期的、用后即弃的便签。跟长期记忆不同它更像手机上的提醒事项。三个机制组合起来形成了一个闭环进化系统“代码跑通了不代表你理解了。但龙虾跑通了它真的在’理解’——而且会越来越理解。”六、龙虾家族——OpenClaw 生态全景6.1 为什么会有这么多虾OpenClaw 一开源社区立刻炸了——但不是每个人都想用这么重的东西。TypeScript 写的70 依赖功能全但也肥。学习的人嫌看不懂源码搞安全的人嫌隔离不够狠玩硬件的人一看内存占用——得我那 10块钱 的板子根本跑不动。于是大家各自动手按自己的需求重造轮子。这不是分裂这是开源生态的正常繁殖方式。统称Claw 家族。6.2 学 Agent 结构轻量派NanobotPython44K Stars定位超轻量、可读性极强的 Python Agent核心~5000 行代码实现完整 Agent 循环语言Python创建2026-02香港大学出品为什么小编推荐它来学习• 核心 Agent Loop 只有 5000 行 Python一下午能看完• 支持 WebUI、聊天渠道、Tools、Memory、MCP• 有模型路由能切换不同 Provider• Python 写的对国内开发者友好适合人群想看懂一个 Agent 到底怎么跑起来的人。NanoClawTypeScript30K Stars定位安全隔离优先的轻量 Agent核心每个 Agent 跑在自己的 Linux 容器里语言TypeScript创建2026-01口号Small enough to understand. Secure by isolation.跟 OpenClaw 的核心区别维度OpenClawNanoClaw隔离方式应用层allowlistOS 级容器隔离代码量巨大(70 依赖)精简(few files)指定方式配置插件直接写代码安全哲学“告诉AI不许做”“从系统层面不让它做”“如果 OpenClaw 是一个有保安的大楼NanoClaw 就是给每个住户装了独立大门——保安失职了也没事。”6.3 生产部署企业派IronClawRust12K Stars定位安全第一的 Agent OS核心Rust 重写独立状态根语言Rust创建2026-02NEAR AI 出品口号Agent OS focused on privacy, security and extensibilityIronClaw 面向对安全性有极高要求的场景——企业级、金融级、政务级。用 Rust 写意味着内存安全有保障不会出现 TypeScript 那种原型链污染之类的安全漏洞。小编没有深度用过 IronClaw毕竟个人用户用不到这么重的安全方案但看了它的架构有一点很有意思独立状态根。什么意思OpenClaw 的所有数据都在~/.openclaw/一个目录里而 IronClaw 给每个 Agent 完全独立的文件系统根——一个 Agent 被攻破了不会波及其他 Agent 的数据。这在企业多租户场景里很重要。SpacebotRust2.3K Stars定位面向团队和社区的 Agent 框架核心结构化图存储替代 Markdown 记忆语言Rust创建2026-02Spacedrive 团队出品口号State belongs in structured storage, not markdown filesSpacebot 的独特设计OpenClaw 的记忆用 Markdown 文件——简单直接但多人协作时就尴尬了。Spacebot 用SQLite 里的类型化图存储替代适合团队场景。它有五种进程类型进程职责Channels处理外部消息Branches管理对话分支Workers执行具体任务Thinkers做决策和推理Sweepers后台清理和巩固6.4 硬件玩家极客派PicoClawGo29K Stars定位跑在 $10 硬件上的 AI Agent核心10MB 内存即可运行语言Go创建2026-02Sipeed 矽速科技出品口号99% less memory than OpenClaw and 98% cheaper than a Mac mini一只龙虾需要 Mac 级硬件才能跑PicoClaw 说不需要。10 块钱的开发板就行。就 10 块钱。支持的硬件架构RISC-V、ARM64、MIPS、LoongArch龙芯。甚至出了专用硬件LicheeRV-Claw——一块淘宝/AliExpress 能买到的开发板插上就是一个硬件龙虾。适合人群IoT 开发者、智能家居 DIY 玩家、想让龙虾跑在树莓派上的极客。ZeroClaw / zClawRust32K Stars定位单二进制、全自主、极速部署核心一个可执行文件搞定一切语言Rust创建2026-02口号Deploy anywhere, swap anything核心特点•单二进制部署一个文件扔上去就跑不用装依赖•硬件感知直接操作 GPIO/I2C/SPI/USB•安全沙箱Landlock/Bubblewrap/Seatbelt/Docker 四选一•工具签名每次工具调用都有加密签名审计追踪•YOLO 模式开发时关掉所有限制快速迭代“zClaw 是 Claw 家族里最’硬核’的——Rust 写的能操作硬件还有加密审计。如果 OpenClaw 是智能手机zClaw 就是瑞士手表。”6.5 全景对比表维度OpenClawNanobotNanoClawIronClawSpaceBotPicoClawzClaw定位全功能参考实现学习用轻量Agent安全隔离轻量版企业安全 Agent OS团队协作Agent极限硬件Agent极客全能Agent语言TypeScriptPythonTypeScriptRustRustGoRustStars378K44K30K12K2.3K29K32K代码规模巨大约5k行核心精简中等中等精简中等最低硬件Mac/高配Pc普通电脑Linux机器普通服务器服务器开发板linux隔离方式应用层策略无容器隔离OS级别进程级别系统调用限制多种沙箱记忆方式Markdown文件内存 文件容器内文件独立状态根SQLite图存储轻量文件文件审计适合谁全能用户学习者安全敏感用户企业团队硬件极客全栈极客门槛中等低低-中中-高中-高中中-高6.6 怎么选小编的建议别在选型上精神内耗了直接看这个决策树七、写在最后好了万字看到这里你对龙虾的内脏应该摸得差不多了。小编写这篇文章的时候自己也重新梳理了一遍——说实话有些模块我之前也是稀里糊涂在用比如上下文引擎和 Dreaming 系统真正看懂架构之后才明白哦原来它是这么工作的。如果让我用一句话总结 OpenClaw 的设计哲学大概是所有状态都是 Markdown 文件所有模块都能换。记忆是 MarkdownSkills 是 Markdown连梦境日记都是 Markdown。你随时能打开看龙虾脑子里在想啥——不黑箱不玄学。哪个模块不满意换一个插件就行上下文引擎、记忆后端、沙箱后端、模型 Provider全部可插拔。这种透明可控的感觉用久了会上瘾。“会用工具的人和理解工具的人差距会越来越大。但好消息是——你已经在理解了。”学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
