首页/OpenClaw架构

OpenClaw架构

📅 2026-04-25📄 15 篇帖子🔍 OpenClawOpenClaw架构OpenClaw 原理OpenClaw memory架构 Skill

OpenClaw 架构 知识整合

概述

OpenClaw 是目前 GitHub 上星标数最高的 AI Agent 开源项目（25w+ stars），其本质是一个AI Agent 操作系统框架——将大模型的推理能力、工具调用能力、记忆能力整合为一个可本地部署、可扩展的智能体系统。本文从架构设计、核心组件、技术实现三个维度，对小红书上高赞帖子的知识进行系统性整合。

核心知识体系

1. OpenClaw 是什么

定位：AI Agent 操作系统框架，不是一个单独的 AI 模型，而是一个让 AI 从"只会聊天"变成"会做事"的系统。

与通用 AI 的区别：

维度 通用 AI（ChatGPT等） OpenClaw
角色 顾问（只能建议） 执行者（能直接操作你的电脑）
工作模式 被动响应 主动巡检（Heartbeat）+ 定时任务（Cron）
数据隐私 云端处理 本地化部署，数据不出设备
能力边界 只能输出文本 可调用 Skills 操作文件、浏览器、API 等

核心公式：OpenClaw = 大模型（大脑）+ Skills（工具箱）+ Memory（记忆体）+ Gateway（调度中心）

2. 整体架构

OpenClaw 的架构可概括为四层：

触发层（Trigger） → 网关层（Gateway） → Agent层（Agent） → 执行层（Skills/Memory）

2.1 触发层（Trigger）

  • 入口：Telegram、Discord、CLI、Web UI 等多种接入方式
  • 作用：接收用户指令，传递给网关层
  • Heartbeat 机制：主动巡检，Agent 可在无用户指令时主动运行（如检查邮件、日历提醒）

2.2 网关层（Gateway）

  • 核心职责：
    • 身份验证
    • 统一消息格式
    • 串行执行（防止并发导致系统混乱）
    • 路由到对应的 Agent
  • 设计哲学：Gateway 是系统的"总调度"，确保所有操作有序执行

2.3 Agent 层（Agent）

  • 核心职责：
    • 理解用户意图
    • 结合记忆（短期+长期）规划执行方案
    • 调用 Skills 执行具体任务
    • 管理上下文窗口
  • 动态系统提示词：每次执行时动态构建 system prompt，将记忆、偏好、可用工具注入
  • Subagent 机制：主 Agent 可创建子 Agent 处理子任务

2.4 执行层（Skills + Memory）

  • Skills：可扩展的工具集，每个 Skill 是一个独立的功能模块
  • Memory：双层记忆系统，支持持久化和检索

3. 多 Agent 架构

这是 OpenClaw 架构中最核心也最复杂的部分。

3.1 架构模式

理论上的多 Agent 架构模式：

  • 中心化：一个主 Agent 调度所有子 Agent
  • 去中心化：Agent 之间平等协作
  • 独立型：各 Agent 独立运行
  • 混合型：根据场景灵活组合

OpenClaw 实际采用：中心化 + 工具调用的混合架构。主 Agent 是调度中心，子 Agent 作为工具被调用。

3.2 Agent 通信机制

两种核心通信方式：

  1. 工具调用（Tool Call）：Agent A 把 Agent B 当作一个工具来调用，调用完成后控制权回到 A
  2. 移交（Handoff）：Agent A 把控制权转给 Agent B，B 接管后续所有交互

3.3 面试高频问题

  • "你的 Agent 用的是什么架构？" → 中心化+混合
  • "Agent 之间如何通信？" → 工具调用 + 移交
  • "如何保证多 Agent 协作的稳定性？" → Gateway 串行执行 + 容错机制

4. Memory 架构（⭐核心技术点）

这是 OpenClaw 最具技术深度的子系统，也是决定 Agent "智能程度"的关键。

4.1 记忆层级

实际为多层记忆系统（非简单双层）：

层级 存储位置 内容 更新方式
Agent 层 MEMORY.md 长期事实、用户偏好 Append-only
日志层 memory/YYYY-MM-DD.md 每日运行总结 Append-only
Session 状态 sessions.json + sessionId.jsonl 上下文历史 可压缩(Compaction)

4.2 记忆存储（Store）

三种触发条件：

  1. 用户显式指令："记住这个"
  2. 模型自主判断需要记住
  3. 上下文快满时，Compaction 前主动保存重要内容

4.3 记忆检索（Load）

两个核心工具：

  • memory_search：基于 SQLite 索引的混合检索
    • 向量相似度搜索（语义匹配）
    • BM25 关键词搜索（精确匹配）
  • memory_get：读取指定文件的指定行

4.4 时间衰减机制

  • 日志层有 temporal decay（时间衰减）
  • 文件重要性约 30 天半衰期：超过 30 天的日志权重逐渐降低
  • Session 加载策略：只加载 MEMORY.md + 最近 2 天日志

4.5 易混淆概念

  • Agent 的记忆 ≠ Session 的状态
  • Session 状态的目的是中断恢复，不是知识积累
  • Compaction 压缩的是上下文（存 jsonl），不是 Memory
  • 但压缩前，Memory 会主动更新一次

5. Skills 生态

5.1 什么是 Skill

Skill 是 OpenClaw 的"工具箱"，每个 Skill 是一个独立的功能模块，Agent 通过工具调用机制来使用它们。

5.2 核心 Skills 分类

类别 代表 Skill 功能
信息检索 WebSearch 网络搜索
文件操作 FileRead/FileWrite 读写本地文件
代码执行 CodeExecution 生成并执行代码
浏览器控制 BrowserControl 操控浏览器
通信 Email/Telegram 发送消息
记忆 memory_search/memory_get 检索和读取记忆

5.3 MCP（Model Context Protocol）

  • MCP 是 OpenClaw 接入外部工具的标准协议
  • 通过 MCP，任何兼容的服务都可以作为 Skill 接入
  • MCP Server 提供工具描述和执行接口，Agent 通过 MCP Client 调用

6. 技术路线与关键设计

6.1 上下文管理

  • 核心挑战：大模型的上下文窗口有限（通常 128K token）
  • 解决方案：Compaction（上下文压缩）
    • 当上下文接近窗口上限时，自动压缩历史对话
    • 压缩前先保存重要信息到 Memory
    • 压缩后的摘要存入 .jsonl，不是 Memory

6.2 动态系统提示词

  • 每次执行时动态构建 system prompt
  • 注入内容：用户偏好、可用工具列表、历史记忆摘要
  • 这是"决定 Agent 上限"的关键设计

6.3 本地化部署

  • 所有数据在本地处理（隐私优势）
  • 支持 Docker 一键部署
  • 依赖：Node.js + SQLite + 本地大模型或 API 调用

实践建议

  1. 入门路径：先理解 Skill→MCP→Agent→OpenClaw 四层概念，再深入 Memory 和多 Agent 机制
  2. 架构理解的优先级：Gateway > Agent > Memory > Skills > Trigger
  3. 工程落地的重点：不是架构设计，而是连接、权限、容错、接口、流程编排、稳定性、反馈机制和责任边界
  4. Memory 优化方向：结合 Obsidian 等外部知识库扩展长期记忆，利用 temporal decay 平衡记忆的新鲜度和完整性
  5. 多 Agent 实践：从中心化架构开始，逐步引入 Subagent 处理复杂任务

注意事项

  1. 架构图 ≠ 源码实现：小红书上的架构图多为简化版，与实际代码有差异，深度开发需要阅读源码
  2. Memory 不是简单的双层：实际是多层系统，Agent 层/日志层/Session 层各有职责
  3. 不要被设备党带偏：OpenClaw 的价值在于架构设计和记忆机制，不是 Skill 数量
  4. 本地部署有成本：Token 消耗是主要开销，需要合理配置模型和调用策略
  5. 4.12 更新：Memory 机制已有重大升级（"终于好用"），关注最新版本的改进

参考来源