My Secret Rainbow

拆解 OpenClaw:一个能在你电脑上”为所欲为”的 AI 助手是如何炼成的

当所有人都在谈论 AI Agent 有多神奇时，很少有人真正了解它们的内部运作机制。今天，我们来深入看看 OpenClaw（又名 Clawdbot）——这个能在你电脑上执行命令、操作浏览器、管理文件的 AI 助手，到底是如何工作的。

了解 AI 的底层逻辑，不仅能让我们更好地使用它，更重要的是，能清楚地知道它擅长什么、不擅长什么，以及在哪些场景下值得信任。

 

它不是你想象的那样

大多数人可能以为 OpenClaw 是一个 Python 写的 Web 应用，或者是某种复杂的云服务。但事实上，它的核心是一个用 TypeScript 编写的 CLI（命令行）应用程序。

这意味着什么？它是一个直接运行在你本地机器上的进程，能够：

• 通过网关服务器处理来自 Telegram、WhatsApp、Slack 等各种渠道的消息
• 调用各种大语言模型的 API(Anthropic、OpenAI、本地模型等）
• 在本地执行工具和命令
• 在你的电脑上做几乎任何你想做的事

这种架构设计让它既能保持灵活性，又能获得强大的本地执行能力。

 

从发送消息到得到回复：一次完整的旅程

当你通过即时通讯工具向 OpenClaw 发送一条消息时，会经历以下流程：

第一站：通道适配器 不同的消息平台（Telegram、WhatsApp 等）有不同的消息格式。通道适配器负责接收你的消息，进行标准化处理，提取附件等。

第二站：网关服务器 这是 OpenClaw 的心脏。它作为任务和会话的协调者，将你的消息传递给正确的会话，并处理多个重叠的请求。

这里有一个关键的设计哲学：默认串行，显式并行。

OpenClaw 使用基于“车道”(Lane）的命令队列系统。每个会话都有自己的专用车道，确保操作按顺序执行。只有明确标记为低风险的可并行任务（比如定时任务）才会在并行车道中运行。

为什么要这样设计？因为过度并行化会带来灾难性的后果：日志变得难以阅读，竞态条件无处不在，调试变成噩梦。这也是 Cognition 在其《不要构建多智能体》博文中强调的核心洞察。

第三站：AI 推理引擎 这里是真正的 AI 魔法发生的地方。系统会：

• 决定使用哪个模型
• 选择可用的 API 密钥（如果主要的失效，会自动切换到备用的）
• 动态组装系统提示词，包含可用的工具、技能和记忆
• 添加会话历史记录

在调用大语言模型之前，还有一个“上下文窗口守卫”确保有足够的空间。如果上下文快满了，系统会压缩会话（总结上下文）或优雅地失败，而不是直接崩溃。

第四站：工具执行循环 如果大语言模型返回的是工具调用请求，Clawdbot 会在本地执行这些工具，并将结果添加到对话中。这个过程会重复进行，直到模型返回最终文本，或者达到最大回合数（默认约 20 回合）。

最后一站：返回响应 回复通过原来的通道返回给你。整个会话被持久化保存在一个 JSONL 文件中，每一行都是一个包含用户消息、工具调用、结果和回复的 JSON 对象。

 

记忆系统：比你想象的更简单

没有合适的记忆系统，AI 助手就像金鱼一样健忘。OpenClaw 通过两个系统来处理记忆：

1. 会话记录（JSONL 格式） 每次对话的完整历史都被保存下来，就像一本详细的日记。

2. 记忆文件（Markdown 格式） 存储在 MEMORY.md 或 memory/ 文件夹中。这些文件是由 AI 自己使用标准的“写文件”工具创建的——没有特殊的记忆写入 API，它就是简单地写入 Markdown 文件。

当新对话开始时，系统会抓取之前的对话并生成摘要。

搜索时，OpenClaw 使用混合搜索策略：向量搜索（语义理解）+ 关键词匹配（精确查找）。这样，当你搜索“身份验证错误”时，既能找到提及“auth issues”的文档（语义匹配），也能找到精确短语匹配的内容。

有趣的是，OpenClaw 的记忆系统出奇地简单：没有记忆合并，没有每月或每周的记忆压缩，旧记忆和新记忆的权重基本相同——也就是说，没有遗忘曲线。

这种简单性是优点还是缺点？取决于你的视角。但在复杂的意大利面条式代码和可解释的简单性之间，简单性往往更可靠。

 

计算机使用：真正的“护城河”

这是 OpenClaw 最强大也最危险的能力：你给它一台电脑，让它自由使用。

Shell 命令执行 OpenClaw 可以在三种模式下运行命令：

• 沙箱模式（默认）：命令在 Docker 容器中运行
• 主机模式：直接在你的电脑上运行
• 远程模式：在远程设备上运行

文件系统工具 读取、写入、编辑文件——就像人类用户一样操作文件系统。

浏览器工具 基于 Playwright，但不是简单地截图，而是使用语义快照——一种基于页面可访问性树（ARIA）的文本表示。

AI 看到的不是图片，而是这样的结构化信息：

– button “Sign In” [ref=1]

– textbox “Email” [ref=2]

– textbox “Password” [ref=3]

– link “Forgot password?” [ref=4]

– heading “Welcome back”

 

这种方法有四个显著优势：

1. 体积小：截图可能有 5MB，语义快照不到 50KB
2. 成本低： Token 消耗只是图像的一小部分
3. 更精确：文本表示比视觉识别更可靠
4. 更快速：处理速度显著提升

进程管理 可以启动后台长期运行的命令，终止进程等。

 

安全机制：自由与控制的平衡

给 AI 这么大的权限，安全性如何保障？OpenClaw 采用了类似 Claude Code 的安全策略：

命令白名单 用户可以设置允许的命令，并选择“允许一次”、“始终允许”或“拒绝”。

预批准的安全命令 像 jq、grep、cut、sort 等安全命令已经预先批准。

危险构造拦截 以下危险的 Shell 构造会被默认阻止：

npm install $(cat /etc/passwd)  # 命令替换

cat file > /etc/hosts            # 重定向

rm -rf / || echo “failed”        # 链式命令

(sudo rm -rf /)                  # 子 Shell

理念是：在用户允许的范围内，给予尽可能多的自主权。

 

给 AI 工程师的启示

从 OpenClaw 的架构中，我们可以学到几个关键原则：

1. 默认串行，显式并行 不要一开始就追求并行化。先让系统可靠运行，再在明确安全的地方引入并行。

2. 简单优于复杂 记忆系统不需要复杂的压缩和合并算法。有时候，直接保存 Markdown 文件就够了。

3. 文本优于图像 在可以用结构化文本表示的场景（比如网页浏览），不要盲目使用视觉模型。

4. 队列是你的朋友 使用队列抽象来处理并发，而不是手动管理锁和竞态条件。

5. 渐进式授权 给 AI 强大能力的同时，通过白名单、审批机制等方式保持控制。

 

写在最后

OpenClaw 的架构揭示了一个重要事实：构建可靠的 AI Agent 系统，核心不在于使用最先进的模型，而在于如何组织工作流、管理状态、处理并发和确保安全。

技术的魔法往往不在于复杂性，而在于对简单原则的坚持和对细节的精心打磨。当我们理解了这些底层机制，就能更好地驾驭 AI，而不是被它的“黑盒”特性所困扰。

下次当你使用 AI 助手时，不妨想想：在那个简洁的对话界面背后，有多少精心设计的组件在协同工作，让看似简单的交互成为可能。

查看原文