OpenClaw 篇二：工作原理

共计 5502 个字符，预计需要花费 14 分钟才能阅读完成。

在上一期中，我们介绍了 OpenClaw 的安装方法，并介绍了 OpenClaw 工作区中的配置文件。那本文将讨论一下 OpenClaw 的内部工作原理。

从信息检索到任务执行

当下人工智能的发展正在经历一次范式转移。从早期 [[LLM]]（大语言模型）应用主要集中在问答和内容生成，转向当前的 AI 智能体——也就是 AI 自主根据经验和知识，产生计划并执行操作的能力。然而，当前主流的云端 Agent 解决方案面临着几个根本性的挑战：数据隐私不可控、上下文记忆碎片化、以及与本地环境交互受限。

OpenClaw 正是在这样的背景下诞生的。它不仅仅是一个聊天机器人，更是一个跨平台的个人 AI 助理。OpenClaw 提出了一种"自带设备"（BYOD，Bring Your Own Device）的运行模式：核心组件运行在用户自己控制的硬件上——无论是 [[Mac Mini]]、Linux 服务器还是[[树莓派]]——而将推理任务通过 API 外包给 [[Claude]] Opus、[[GPT-4]] 或本地开源模型。这种架构不仅确保了用户对记忆和数据的完全掌控，还赋予了 AI 深度访问本地文件系统、Shell 和浏览器的能力，使其成为真正意义上能干活的"助手"。

核心架构

OpenClaw 采用了以 Gateway 为中心的多层结构，整个系统围绕一个 Gateway 网关运转。

下图展示了其整体架构：

graph TD
    subgraph Channels["消息渠道"]
        WA[WhatsApp]
        TG[Telegram]
        SL[Slack]
        DC[Discord]
        SG[Signal]
        IM[iMessage]
    end

    subgraph GW["Gateway 网关 (port 18789)"]
        WS[WebSocket Server]
        API[HTTP API]
        UI[Web UI]
    end

    subgraph Runtime["Agent Runtime"]
        PI[Pi Framework]
        TL[Tool Loop]
        CTX[Context Builder]
    end

    subgraph Extensions["扩展系统"]
        SK[Skills System<br/>SKILL.md]
        MEM[Memory<br/>Sessions]
        PLG[Plugin System]
    end

    subgraph LLMs["LLM 提供商"]
        CL[Claude]
        GP[GPT-4]
        DS[DeepSeek]
        OL[Ollama]
    end

    WA & TG & SL & DC & SG & IM --> GW
    GW --> Runtime
    Runtime --> SK
    Runtime --> MEM
    Runtime --> PLG
    Runtime <--> LLMs

    style Channels fill:#FADBD8,stroke:#E74C3C
    style GW fill:#F5B7B1,stroke:#E74C3C
    style Runtime fill:#FDEDEC,stroke:#E74C3C
    style Extensions fill:#FDEBD0,stroke:#E67E22
    style LLMs fill:#D5F5E3,stroke:#27AE60

整体架构分层

用一个生活中的比喻来理解 OpenClaw 的架构：把它想象成一个公司的前台接待系统。

• 消息渠道（Channels）就像公司的多个入口——前门、电话、邮件，客户可以从任何入口进来
• Gateway 网关就像前台总机，所有请求都先经过这里统一分配
• Agent Runtime 就像公司里真正干活的员工，接到任务后去思考和执行
• Skills 就像员工手边的工具箱和操作手册
• Memory 就像公司的档案室，记录着之前的沟通历史

Gateway 网关

Gateway 是 OpenClaw 的核心控制平面，它是一个运行在本地 18789 端口的 [[Node.js]] 进程。所有的通信都经过这个单一节点：

• 接收来自各个消息平台的用户输入（飞书的 WebSocket 连接，Telegram Bot API 轮询等）
• 将请求路由到 Agent Runtime 处理
• 管理 WebSocket 连接、HTTP API（兼容 [[OpenAI]] 接口）和浏览器 Web UI
• 协调设备节点（手机、桌面端）的连接

为什么是单进程设计？因为 OpenClaw 的定位是个人或小团队使用，运维简单比水平扩展更重要。一条 npm i -g openclaw 命令就能安装完成。Gateway 通过维护持久连接，确保了消息收发的稳定性和状态一致性。

另外 Gateway 默认只绑定本地 Loopback 地址，确保了不直接向公网暴露端口，减少外部攻击。

Agent Runtime 智能体运行时

Agent Runtime 是 OpenClaw 真正"思考"的地方。它负责：

1. 从会话历史和记忆中组装上下文
2. 构建发送给大语言模型的 Prompt
3. 调用模型获取响应
4. 如果模型请求使用工具，就执行相应的操作（运行命令、读写文件、浏览网页等）
5. 循环上述过程，直到产生最终回答

一个值得注意的架构决策：OpenClaw 自身并没有从零实现智能体循环，而是基于 [[Pi Framework]] 构建。Pi 是一个轻量级的 TypeScript 智能体框架，专门负责底层的工具调用循环、上下文窗口管理和 LLM API 交互。OpenClaw 在 Pi 之上构建了网关、多渠道编排和集成层，两者的关系类似于 Web 应用与底层 HTTP 框架的关系——Pi 处理"如何与模型对话"，OpenClaw 处理"如何与用户和外部世界连接"。

在模型选择上，Agent Runtime 采用了模型无关的设计。它支持几乎所有主流的大语言模型——Anthropic 的 [[Claude]] 系列、OpenAI 的 [[GPT-4]]、Google 的 [[Gemini]]、xAI 的 Grok、[[DeepSeek]] 系列，以及通过 [[Ollama]] 在本地运行的开源模型。你只需要提供对应的 API Key，或者通过 Ollama 在本地运行模型，就可以完全在自己的基础设施上使用，不被任何一家供应商锁定。

消息处理流程

了解了各个组件之后，我们来看一条消息从发出到收到回复的完整旅程：

graph LR
    A[用户发送消息] --> B[聊天 App]
    B --> C[Gateway 网关]
    C --> D[Agent Runtime]
    D --> E{需要工具?}
    E -->|是| F[执行工具]
    F --> D
    E -->|否| G[生成回复]
    G --> C
    C --> B
    B --> H[用户收到回复]

这个流程中有一个关键设计：每个会话的消息是串行处理的，不是并行的。Gateway 通过命令队列（Command Queue）来保证同一会话内的工具操作不会冲突，会话历史保持一致。同时，Agent Runtime 与 LLM 之间的交互并非一次性的——如果模型判断需要使用工具，Agent 会执行操作、将结果反馈给模型，然后模型继续推理，这个循环会持续进行直到产生最终回答。正是这套"网关—大脑—技能—记忆"的闭环架构，让 OpenClaw 突破了传统聊天机器人只能对话的限制，成为一个真正能动手干活的智能助理。

核心能力详解

了解了架构之后，我们来看 OpenClaw 究竟能做什么。以下是它最核心的六项能力。

mindmap
  root((OpenClaw 核心能力))
    跨平台通信
      飞书 / Telegram / Slack
      统一会话上下文
      语音与多媒体
    系统与浏览器访问
      Shell 命令执行
      浏览器自动化
      文件系统读写
    技能与插件
      1800+ 社区技能
      按需注入加载
      AI 辅助创建技能
      四维度插件扩展
    记忆系统
      跨会话上下文
      自动摘要压缩
      本地持久化存储
    主动提醒
      心跳 Heartbeat
      Cron 定时任务
      Webhook 外部触发
    多 Agent 协作
      多角色分工
      任务分解并行

跨平台通信网关

跨平台通信是 OpenClaw 的基础能力。它打破了 AI 助手的平台壁垒，让你可以在任何习惯的聊天工具中与它交互。

• 广泛的渠道支持：原生支持 [[飞书]]、[[Telegram]]、[[Discord]]、iMessage、[[Slack]] 等十多种主流即时通讯工具
• 统一的会话体验：无论你从哪个 App 发送消息，OpenClaw 都能维持同一个会话上下文，记忆和身份保持一致，确保跨平台交互的连贯性
• 媒体与语音支持：不仅支持文本，还可以接收和发送图片、文档、音频等多种媒体文件。通过集成语音识别（如 [[Whisper]]）和语音合成（如 [[ElevenLabs]]）技术，你甚至可以直接与它进行语音对话

系统与浏览器访问

OpenClaw 的核心在于行动。它被授予了直接操作所在设备的能力，从而能够完成真正的"工作"。

• Shell 访问：OpenClaw 可以执行任意的 Shell 命令，意味着它可以管理文件、运行脚本、安装软件、控制服务——几乎等同于一个可以通过自然语言指挥的系统管理员。这是其自动化能力的基石，同时也是安全风险的核心来源
• 浏览器控制：通过与 Chrome/Chromium 浏览器的深度集成，OpenClaw 可以像人一样操作浏览器——访问网页、填写表单、点击按钮、抓取信息，甚至处理登录流程。这使得网页自动化任务变得非常简单
• 文件系统读写：OpenClaw 对其工作区拥有完全的读写权限，可以创建、修改、分析本地文件，使其能够处理文档、管理项目、记录笔记

技能与插件系统

Skills 是 OpenClaw 最具特色的扩展机制。每个 Skill 是一个包含 SKILL.md 文件的目录，定义了元数据和工具使用指令。OpenClaw 的技能分为三个层级：内置技能（49 个随软件预装）、官方技能（93 个由官方维护）和社区技能（1715+ 个通过 ClawHub 发布），总计超过 1800 个可用技能，涵盖 Shell 命令执行、文件系统管理、网页自动化、日历管理、邮件处理等场景。

在加载策略上，OpenClaw 采用按需注入而非全量加载——运行时发现所有可用技能，但只将当前对话轮次相关的技能注入到 Prompt 中，避免消耗大量 Token。同时维护技能快照缓存，基于工作区状态的 Hash 来判断是否需要更新。

除了技能，OpenClaw 还通过插件在四个维度进行扩展：Channel 插件增加消息平台支持，Memory 插件替换存储后端，Tool 插件添加自定义能力，Provider 插件接入自定义的 LLM 提供商。插件以 npm 包的形式分发，通过 package.json 中的 openclaw 字段声明。

值得一提的是，OpenClaw 自身就能帮助你创建新技能——只需用自然语言描述想要实现的功能，它就能生成所需的 SKILL.md 和相关脚本。即使不擅长编程的用户，也可以定制属于自己的自动化流程。

记忆系统

OpenClaw 的记忆系统让它能够跨会话保持上下文连贯。配置数据和交互历史都存储在本地。当会话接近上下文窗口的长度限制时，OpenClaw 会触发一个静默的智能体轮次：提醒模型将关键信息写入磁盘进行持久化，然后对会话历史进行摘要压缩，用连贯的摘要替换原始消息。这个机制保证了即使是长时间运行的任务，AI 助手也不会"失忆"。

主动提醒与定时任务

大多数 AI 工具是被动的——你问它才答。OpenClaw 则具备主动行动的能力，能够在你没有发起对话的情况下自动执行预设任务。这种能力通过三种机制实现：

• 心跳机制（Heartbeat）：OpenClaw 按预设周期（默认每 30 分钟）自动唤醒，读取工作区中 HEARTBEAT.md 文件里的指令并执行。你可以在其中写入"每天早上 8 点总结我的日程和邮件"或"每小时检查一次特定网站的更新"等任务，直接用自然语言描述即可
• Cron 定时任务：对于需要精确控制执行时间的场景，支持用自然语言或 Cron 表达式创建定时任务。例如每个工作日下午 6 点自动提交代码变更，或每周五生成周报草稿
• 外部触发器（Webhooks）：通过 [[Webhook]] 接收来自 [[GitHub]]、[[Zapier]]、[[IFTTT]] 等外部应用的事件通知。例如 GitHub 有新的 Pull Request 时自动触发代码审查，或通过 Gmail Pub/Sub 集成实时响应新邮件

这三种机制共同构成了 OpenClaw 的主动行为引擎，你可以根据任务性质选择合适的触发方式，也可以设置规则来控制它什么时候应该主动联系你、什么时候保持安静。

多 Agent 协作

OpenClaw 支持配置多个具有不同角色、技能和权限的 Agent。你可以创建一个专注代码的 Agent、一个负责日程管理的 Agent，让它们各司其职，甚至相互协作将复杂任务分解后并行执行。这种多 Agent 架构让 OpenClaw 从单一助手进化为一个可以分工协作的团队。

总结

回顾整篇文章，OpenClaw 的架构可以概括为三层：Gateway 网关负责连接外部世界，Agent Runtime（基于 [[Pi Framework]]）负责思考和决策，Skills、Memory 和 Plugin 构成的扩展层则赋予了它可成长的能力边界。这三层协同工作，让 OpenClaw 从一个被动的聊天机器人变成了一个能够主动行动、跨平台协作、深度操控本地环境的个人 AI 助理。

当然，本文只是对 OpenClaw 工作原理的一个总括性介绍，很多细节还有待进一步展开。比如 Pi Framework 内部的工具调用循环是如何实现的、技能的智能注入机制具体是怎样匹配上下文的、记忆系统的摘要压缩算法选择了什么策略、多 Agent 之间的协作协议是如何设计的——这些话题每一个都值得单独深入探讨。后续的文章中，我们会挑选其中几个方向继续挖掘，把 OpenClaw 的技术细节讲得更透。

相关链接

• OpenClaw 官方文档
• OpenClaw DeepWiki 架构解析
• 从零开始玩转 OpenClaw 中文教程
• OpenClaw Wikipedia
• OpenClaw 架构深度解析 (Substack)