如果只是抽象地去讲 Agent，最后很容易变成一堆概念。
但如果换一个入口，从一个具体系统去看，很多东西会立刻落地。
OpenClaw 就是一个很好的入口。

我现在更倾向于把它看成：
它不是一个单纯的聊天产品，也不是一个只会调模型的壳子，而是一个把 会话、工具、记忆、多 Agent、安全边界 和 多端接入 组织到一起的 Agent 系统。

所以，如果想借一个项目去真正理解 Agent，这个项目是值得拆开的。

---

1. 先定义：OpenClaw 是什么

如果只用一句话来定义：

OpenClaw 是一个面向 Agent 的自托管网关与运行系统。

这个定义比“AI 助手”更准确。

原因很简单。
它的重点不是把一个大模型接出来，而是把下面这些东西统一组织起来：

• 消息入口
• 会话路由
• Agent 工作区
• 工具调用
• 记忆系统
• 插件扩展
• 多 Agent 隔离
• 安全控制

所以我们说，OpenClaw 的核心不是“聊天”，而是“把 Agent 跑起来”。

从官方首页的描述看，它本身是一个 self-hosted gateway，可以连接 Telegram、Slack、Discord、WhatsApp、WebChat 等多种消息入口，并把这些入口统一接到 Agent 上。官方也明确把 Gateway 定义成会话、路由和通道连接的单一事实源。
截至 2026-04-07，GitHub 官方仓库 openclaw/openclaw 的 stars 大约是 350.7k，这已经说明它不是一个边缘项目。

---

2. 为什么用 OpenClaw 来学 Agent

原因不在于它火，而在于它把 Agent 的关键层几乎都摆在台面上了。

如果只看一条主线，可以记成：

消息进入 Gateway -> 路由到某个 Agent -> Agent 读取会话与记忆 -> 调用工具/技能 -> 执行动作 -> 写回状态

这条链条里，Agent 的很多基础概念都会自然出现：

• Session
• Tool
• Skill
• Memory
• Action
• Policy
• Multi-Agent
• Sandbox

也就是说，OpenClaw 的价值不只是“能用”，而是“能拿来拆解 Agent”。

---

3. 从 OpenClaw 看 Agent 的主体构成

前面在 Agent 笔记里，我把主体构成压成了四个部分：

• Plan
• Tool
• Memory
• Action

OpenClaw 虽然是一个完整系统，但你还是可以用这四层去看它。

3.1 Plan

Plan 在 OpenClaw 里不是一个单独的模块名，但它一直存在。
只要 Agent 要决定“下一步做什么”，本质上就在做规划。

例如：

• 是先搜索还是先读文件
• 是直接回复还是先调用浏览器
• 是自己做还是交给子 Agent

所以，Plan 不一定非得长成“Planner 模块”，它也可能体现在运行时决策里。

3.2 Tool

这部分是 OpenClaw 最容易看懂的。

官方文档直接说得很明确：
Agent 所有超出文本生成的能力，都是通过工具完成的。

内置工具包括：

• exec
• browser
• web_search
• web_fetch
• read / write / edit
• apply_patch

这件事非常重要，因为它刚好说明了 Agent 和 LLM 的边界：

• LLM 负责生成
• Tool 负责接外部世界

如果没有 Tool，系统更多还是“会回答”。
有了 Tool，系统才开始变成“能做事”。

3.3 Memory

OpenClaw 的记忆系统非常适合拿来理解 Agent 里的 Memory 到底是什么。

它不是那种空泛的“长期记忆”概念，而是非常具体的文件和检索结构。

官方文档里，默认记忆至少包括三类文件：

• MEMORY.md：长期记忆
• memory/YYYY-MM-DD.md：日记式短期记录
• DREAMS.md：实验性的记忆整理结果

更关键的是，它不是只存，还配了检索机制。
官方文档提到记忆检索支持 keyword、vector similarity 和 hybrid search。
这就说明，Memory 在 Agent 里本质上不是“存档”，而是“可被后续决策再次调用的状态系统”。

3.4 Action

Action 在 OpenClaw 里也很直观。
前面 Plan 决定了做什么，Tool 提供了能力，最后真正落地的那一下就是 Action。

例如：

• 执行一个 shell 命令
• 打开浏览器并点击页面
• 写入一个文件
• 发送一条消息
• 把某个事实写入记忆

所以 Action 不是额外概念，它就是决策真正作用到环境上的那一步。

---

4. OpenClaw 里最值得学的几个 Agent 概念

4.1 Session

很多人学 Agent 时，容易先去看 Prompt。
但从工程上说，Session 往往比 Prompt 更关键。

因为 Session 决定的是：

• 这段对话属于谁
• 历史上下文怎么延续
• 多个用户会不会串上下文
• 多个渠道会不会混会话

OpenClaw 把这件事设计得很明确。
官方文档里，Gateway 负责会话和路由；单 Agent 模式下会有主会话，多 Agent 模式下每个 Agent 都有自己的 session store。

这件事背后的知识点其实就是：

Agent 不是一次调用，而是带状态的持续系统。

4.2 Skill

OpenClaw 也是一个很适合理解 Skill 的项目。

它官方把 Tool、Skill、Plugin 明确拆成三层：

• Tool：Agent 调用的函数能力
• Skill：教 Agent 何时、如何使用工具
• Plugin：把工具、技能、通道、模型能力打包起来

这个分层非常有代表性。

因为在真实 Agent 系统里：

• Tool 解决“能不能做”
• Skill 解决“怎么稳定地做”
• Plugin 解决“怎么扩展这个系统”

OpenClaw 里的 Skill 是 SKILL.md 形式，这一点也很值得注意。
它说明 Skill 不一定是代码模块，也可以是“带元数据的任务能力说明书”。

4.3 Policy

Agent 学习里最容易被忽视的一层，是 Policy。

也就是：

• 什么工具能用
• 什么用户能触发
• 什么情况下必须提权
• 什么情况下必须沙箱

OpenClaw 在这一层做得很重。

它有：

• tools allow / deny
• tool profile
• per-agent 工具限制
• sandbox 模式
• elevated 执行
• pairing / allowlist

所以你从 OpenClaw 能学到一个很关键的判断：

Agent 系统不是先有智能，再补权限；而是先划边界，再让智能在边界内运行。

4.4 Multi-Agent

OpenClaw 的多 Agent 不是“多开几个提示词”那么简单。
官方文档明确说，一个 agent 是一个完整作用域的 brain，它有自己的：

• workspace
• agentDir
• sessions
• auth profiles

这个设计非常适合用来理解多 Agent 的真正含义：

多 Agent 不是多角色提示词，而是多套隔离的工作上下文和运行状态。

这也是为什么我一直觉得，多 Agent 的关键不在“角色设计”，而在“隔离设计”。

4.5 Sandbox

如果只从 OpenClaw 学一件和安全相关的事，那就是 Sandbox。

官方文档写得很直接：
如果开启 sandbox，工具执行可以进入隔离环境；如果关闭，就直接跑在宿主机上。

它支持的模式包括：

• off
• non-main
• all

还支持不同 backend，例如：

• docker
• ssh
• openshell

这件事告诉我们，Agent 的“能执行”永远要和“执行在哪里”一起看。
否则系统做得越强，风险越大。

---

5. OpenClaw 最有代表性的技术结构

如果只保留最值得认识的几个结构，我觉得有五个。

5.1 Gateway-first

OpenClaw 最核心的结构不是 model-first，而是 gateway-first。

也就是说，系统先统一消息入口、会话、通道、路由，再让 Agent 在这个统一入口后面工作。

这和很多只从 API 调模型开始的项目不一样。
它更像一个真正的 Agent 基础设施。

5.2 Tool / Skill / Plugin 三层结构

这是 OpenClaw 很值得学的一点。
它没有把所有扩展都混成一个概念，而是明确拆成三层：

• Tool：函数能力
• Skill：任务指导
• Plugin：扩展打包

这套分层一旦看懂，很多 Agent 系统里的抽象就会顺很多。

5.3 Memory 文件化 + 检索化

OpenClaw 的记忆不是黑箱，而是显式可见的。

这一点很重要。
因为很多时候你以为 Agent 的 Memory 很玄，其实真正落地时，往往就是：

• 文件
• 数据库
• 索引
• 检索工具

OpenClaw 把这件事做得很工程化。

5.4 Multi-Agent 隔离

OpenClaw 的多 Agent 不共享工作区，不共享 session store，也不默认共享凭证。

这说明它对多 Agent 的理解不是“让几个 Agent 聊起来”，而是“把多个 Agent 作为多个独立运行单元来管理”。

5.5 节点与远程执行

OpenClaw 还有 node 这层。
官方文档里，Gateway 可以收消息、跑模型、做路由，而命令执行可以交给远程 node host。

这背后的知识点其实是：

Agent 的执行环境和推理环境，不一定在同一台机器上。

这对理解分布式 Agent、远程执行、安全隔离都很有帮助。

5.6 嵌入式 Agent Runtime

还有一个很值得学的技术点：
OpenClaw 不是完全从零写一套 Agent 内核，而是把 pi 的 agent runtime 嵌进了自己的 Gateway 架构里。

官方技术文档明确写到，它通过 pi-coding-agent 的 createAgentSession() 直接实例化 AgentSession，而不是把 pi 当成一个外部子进程去调用。

这个设计背后有一个很重要的工程判断：

现代 Agent 系统不一定自己重写 agent loop，更常见的做法是把现成 runtime 嵌入到更大的产品架构里。

OpenClaw 在这一层做的事情包括：

• 接管 session 生命周期
• 注入 OpenClaw 自己的 tools
• 拼接自己的 system prompt
• 管理 session persistence
• 接入 sandbox、auth profile 和 model failover

所以从技术实现上看，OpenClaw 其实给了一个很清楚的案例：

• pi 负责更底层的 agent loop
• OpenClaw 负责 gateway、channel、session、tool policy、memory、multi-agent 和安全边界

这个分工非常值得记住。
因为它说明一个完整 Agent 产品，并不一定等于一个单体框架。

---

6. 通过 OpenClaw，应该怎样理解 Agent

如果只借 OpenClaw 学三个判断，我觉得最重要的是下面三个。

6.1 Agent 不是 Prompt 套壳

从 OpenClaw 可以很明显看出来，Agent 不是“一个大模型 + 一个 system prompt”。

真正的 Agent 系统至少还包括：

• session
• memory
• tools
• skill
• policy
• runtime

所以我们说，Prompt 很重要，但 Prompt 不是主体。

6.2 Agent 的核心不只是推理，而是运行

OpenClaw 让人很容易看清一点：

真正决定 Agent 能不能落地的，不只是模型会不会想，而是系统能不能：

• 路由
• 保持上下文
• 控制权限
• 管理会话
• 执行工具
• 隔离风险

所以现在大家说 Agent Runtime 越来越重要，这不是一个概念包装，而是工程现实。

6.3 Agent 的真正难点在边界

Agent 的上限当然和模型有关。
但 Agent 的稳定性，更取决于边界设计。

例如：

• 哪些工具能用
• 哪些消息能触发
• 哪些会话应该隔离
• 哪些执行必须沙箱
• 哪些记忆可以跨会话保留

OpenClaw 在这些地方给出的不是抽象原则，而是具体机制。
这也是它最适合拿来学习 Agent 的地方。

---

7. 一条适合用 OpenClaw 学 Agent 的路径

如果真要把 OpenClaw 当成学习入口，我建议按下面这条线走。

第一步：先看 Gateway 和 Session

先不要急着研究模型。
先看：

• 消息怎么进来
• 会话怎么建
• 路由怎么做
• 为什么 Agent 需要持续状态

第二步：再看 Tool 和 Skill

这是从“会话系统”进入“Agent 系统”的关键一步。

重点理解：

• Tool 是能力接口
• Skill 是能力模板
• Plugin 是扩展机制

第三步：再看 Memory

这里最关键的不是记住文件名，而是理解：

Memory 是状态系统，不是装饰功能。

第四步：最后看 Multi-Agent 和 Sandbox

到这一步，才真正进入工程层。

因为这时候你要开始理解：

• 为什么多 Agent 要隔离
• 为什么执行环境要控制
• 为什么权限设计比“多会一点”更重要

---

8. 结尾

如果只给 OpenClaw 下一个判断，我会这么说：

它不是一个让你“体验 AI 对话”的项目，而是一个让你真正看见 Agent 系统长什么样的项目。

从这个项目里，至少能学到四件事：

1. Agent 的主体不是提示词，而是运行系统。
2. Tool、Skill、Memory、Policy 这些层必须拆开看。
3. 多 Agent 的关键不是角色，而是隔离。
4. 一个能落地的 Agent 系统，必须把安全边界当成一等公民。

所以，如果后面要继续学 Agent，OpenClaw 很适合作为一个技术入口。
它不是把概念讲得最轻松的项目，但它确实是把概念做得比较完整的项目。

---

9. 参考资料

• OpenClaw 官网文档：
  • https://docs.openclaw.ai/
• OpenClaw GitHub：
  • https://github.com/openclaw/openclaw
• Multi-Agent Routing：
  • https://docs.openclaw.ai/concepts/multi-agent
• Memory Overview：
  • https://docs.openclaw.ai/concepts/memory
• Skills：
  • https://docs.openclaw.ai/tools/skills
• Tools and Plugins：
  • https://docs.openclaw.ai/tools/index
• Sandboxing：
  • https://docs.openclaw.ai/gateway/sandboxing
• Nodes：
  • https://docs.openclaw.ai/nodes