原文发布于25年2月，可能存在一定信息滞后。
TL;DR
OpenClaw 是一个开源的个人 AI 智能体，在 2026 年初迅速突破了 10 万颗 GitHub Star。通过剖析它的构建方式——网关（Gateway）、智能体循环（Agentic Loop）、技能（Skills）、MCP 以及记忆系统——我们可以掌握当今所有主流 AI 智能体背后的核心模式。
核心要点
OpenClaw 的本质
OpenClaw 不是聊天机器人。它是一个运行在你的机器（或 VPS）上的本地网关进程。这个网关连接到你已经在用的消息平台，把每一条传入消息路由给一个由 LLM 驱动的智能体。智能体不只是回复文字——更重要的是，它能在现实世界中采取实际行动。
你可以接入任何你想用的模型的 API Key：Claude、GPT、Gemini，或者通过 Ollama 运行的完全本地化模型。OpenClaw 与模型无关。
乍一看它像个智能消息助手，底层其实是一个用于 AI 智能体的本地编排平台。
网关：系统的控制平面
OpenClaw 中的一切都流经一个叫做 Gateway（网关） 的单一进程。官方文档将其描述为会话、路由和通道连接的”单一事实来源”——可以把它理解为整个系统的神经中枢。
网关通常以长期运行的后台进程形式存在（Linux 上通过 systemd，macOS 上通过 LaunchAgent）。客户端通过 WebSocket 连接到配置的绑定地址，默认为 ws://127.0.0.1:18789。
网关负责路由、连接、身份验证和会话管理；Agent Runtime（智能体运行时）负责推理和执行。这种关注点分离是有意为之的，也至关重要。
智能体循环（Agentic Loop）
智能体循环是智能体的完整运行过程：接收输入 → 组装上下文 → 模型推理 → 工具执行 → 流式回复 → 持久化。
上下文组装：在模型看到你的消息之前，智能体运行时会先组装一个上下文包。系统提示词由以下四部分构建：
- OpenClaw 基础提示词：智能体始终遵循的核心指令
- 技能提示词：一份精简的可用技能列表（名称、描述、路径），告知模型当前有哪些技能可用
- 引导上下文文件：提供环境级上下文的工作区文件
- 单次运行覆盖项：为特定任务注入的额外指令
模型推理：组装好的上下文会作为标准 API 调用发送给你配置的提供商。OpenClaw 在这里处理几个重要细节：强制执行模型特定的上下文长度限制，并维护一个压缩预留——即为模型回复预留的 token 缓冲区。
工具执行：LLM 响应时，只会做两件事之一：输出文字回复（本轮结束）或请求工具调用。工具调用是指模型以结构化格式输出类似这样的内容：“我想用这些参数运行这个工具。”
OpenClaw 的智能体运行时会拦截该请求、执行工具、捕获结果，并将其作为新消息反馈回对话。模型看到结果后再决定下一步——可能继续调用工具，也可能最终给出回复。
这个循环叫做 ReAct 循环（Reason + Act 的缩写）。它是智能体 AI 的核心定义模式，也是智能体与聊天机器人的本质区别。
技能（按需加载指令）
技能（Skill） 是一个包含 SKILL.md 文件的文件夹。这个 Markdown 文件里有自然语言指令、示例，有时还有工具配置，告诉智能体如何处理特定领域。
关键点：OpenClaw 并不会把所有技能的全文都注入到系统提示词里。上下文组装阶段只会注入一份精简的技能列表，本质上就是名称、描述和文件路径。模型读取这份列表后，当它判断某个技能与当前任务相关时，才会按需加载那个 SKILL.md 的全文内容。
这是一个重要的架构区分：模型不是在被动接收指令，而是主动决定去查阅哪些技能并按需加载。上下文窗口是有限资源，这种设计让基础提示词始终保持精简，无论安装了多少技能。
MCP（集成外部工具）
一些 OpenClaw 部署会将 MCP 服务器 作为标准化工具层接入，将智能体连接到 Google 日历、Notion、Home Assistant 或自定义 API 等外部服务。
基本思路：与其把每个外部集成都硬编码进去，不如让 MCP 服务器通过定义好的 Schema 暴露一组工具。智能体发现哪些工具可用，用标准请求格式调用它们，再接收结构化的返回结果。
智能体永远不直接接触底层服务，它只调用标准接口，MCP 服务器处理其余的一切。这带来了工具可移植性：为某个兼容 MCP 的智能体构建的工具，可以复用于其他说同一种协议的系统。
记忆系统
LLM 本质上是无状态的，每段新对话都从一张白纸开始。那么，如何让智能体跨越数天乃至数周，记住你的偏好、正在进行的项目和沟通风格？
OpenClaw 的答案刻意保持简单。记忆存储在纯 Markdown 文件里，位于智能体工作区，默认路径为 ~/.openclaw/workspace。
- AGENTS.md ← 智能体配置与指令
- SOUL.md ← 个性、偏好、沟通风格
- MEMORY.md ← 长期事实与摘要
- HEARTBEAT.md ← 主动任务清单
- memory/ ← 每日日志
每日日志（memory/YYYY-MM-DD.md）是持久的、只能追加的文件，记录每天发生的事情。重要的是，这些内容不会在每轮对话中自动注入到上下文，而是由智能体在需要时通过记忆工具按需检索。
MEMORY.md：存储智能体从你这里了解到的长期事实：比如”用户偏好简洁的回复”、“用户的技术栈是 Next.js 和 Supabase”、“周五不安排会议”。
SOUL.md：定义智能体的个性、名字和沟通风格，让它感觉像是你的专属助手，而不是一个通用机器人。
当加载所有历史记录即将超出上下文窗口时，OpenClaw 会运行压缩（Compaction）流程：将较早的对话轮次总结成压缩条目，在保留语义的同时减少 token 占用。
在记忆检索方面，OpenClaw 支持基于嵌入（Embedding）的语义搜索，可选择通过 sqlite-vec SQLite 扩展加速。
没有外部数据库，没有 Redis，没有 Pinecone。只有 SQLite 和 Markdown 文件。
心跳（主动行为机制）
OpenClaw 有一个有趣的地方：它不只是坐等你的消息。它会运行一个心跳（Heartbeat）——一个默认每 30 分钟触发一次的定时任务。
每次心跳触发时，智能体会读取 HEARTBEAT.md，这是一份它需要主动检查的任务清单。它判断当前是否有事项需要处理：如果有，就采取行动并可能给你发消息；如果没有，就回复 HEARTBEAT_OK，网关会将其拦截，不会推送给你。
这正是让 OpenClaw 显得主动而非被动的模式。其架构概念是基于 cron 触发的智能体循环：智能体不再只响应人类输入，而是被定期唤醒，主动评估自己的任务列表。
核心模式总结
大多数现代智能体框架，在不同的 API 和抽象之下，共享着相同的核心模式：
- 网关或编排层：负责路由和会话管理
- 上下文组装步骤：在推理前封装历史记录、记忆和指令
- ReAct 循环：模型推理、调用工具、整合结果
- 工具层：赋予智能体与现实世界交互的能力
- 技能或提示词系统：提供特定领域的专业能力，按需加载
- 记忆系统：提供跨会话的连续性
- 调度机制：实现主动行为
这种透明度既是它最大的工程美德，也是它最大的安全隐患。一个能访问你的文件、浏览器、邮件和消息应用的智能体，能力非常强大。