夜雨聆风
Claude Code vs OpenClaw:Harness 工程学的两种范式
为什么大佬们开始关注”工程方法”？
AI 领域的大牛罗福莉（Lofi）竟然对 Agent 工程上的”奇技淫巧”产生了浓厚兴趣——一位顶级 AI 研究者，关注的焦点从模型架构转向了 Agent 框架的工程细节。
这说明了什么？
说明在 2026 年的今天，让智能体变聪明的关键，已经不在模型里了。
起点：Agent = Model + Harness
“Harness”（笼头、缰绳）这个概念，最早出现在 2025 年 11 月 Anthropic 工程师 Justin Young 的文章《Effective Harnesses for Long-Running Agents》。到 2026 年，OpenAI 发表《Harness Engineering: Leveraging Codex in an Agent-First World》，首次将其命名为独立学科。LangChain 的 Vivek Trivedy 进一步提炼出简洁公式：
Agent = Model + Harness
Claude Code 用 Claude 模型，OpenClaw 可以接入 Claude、GPT、Gemini 等多家模型。模型层面它们没有自研能力，却做出了令人印象深刻的智能体表现——一个能在大型代码库里自主完成复杂的多步骤编程任务，另一个能 24 小时不间断地处理跨平台的日常事务。
这些表现的来源，全在 harness 里。
一、整体架构：纵深 vs 横向
Claude Code 是一个十层堆叠的纵深架构：
- 每一层都可替换：换模型、换权限模式、加新 Skill、接新 MCP 服务器，不需要改动其他层
- 围绕单一核心场景：一个程序员坐在终端前，与 AI 协作完成编程任务
OpenClaw 是一个四层管道式的横向架构：
- 围绕完全不同的核心场景：多个用户通过多个聊天平台，与一个 24/7 在线的 AI 助手交互
核心差异：Claude Code 是纵深型——一个用户、一个终端、一条深度对话链，工程让这条链更长、更可靠。OpenClaw 是横向型——多个用户、多个通道、多条并行对话，工程让这些对话被正确路由、隔离和记忆。
二、驱动循环：深度聚焦 vs 事件驱动
Claude Code：深度聚焦的 ReAct 循环
- 单线程、深度聚焦：一个”API 从 REST 迁移到 GraphQL”的任务，可能持续几百轮工具调用
- 工程要点：上下文的可持续性——几百轮调用后仍记得最初目标、中间决策、失败方案
- 实现：自动压缩、关键内容重注入、延迟加载
OpenClaw：事件驱动的响应循环
- 事件驱动、多线程：消息从任何通道在任何时间到来——Telegram 语音、Slack 提及、邮件回复、Cron 任务
- 工程要点：消息的正确路由——用户 A 在 Telegram 的话不能混进用户 B 在 Slack 的会话；并发消息排队处理（默认最大 10 并发），避免上下文竞争
- Claude Code 没有的特性：主动触发。通过 Cron 和 Heartbeat，Agent 可以无人时自己干活——凌晨爬取竞品数据、早上生成日报、每小时检查库存
三、工具与能力：精细化内置 vs 面向场景
Claude Code：30+ 精细化内置工具
- 围绕编程工作流设计，分五类：文件、Git、代码、Web、系统
- 设计原则：最小化但完备——Read 只读文件（不读目录），Edit 只做字符串替换（整文件重写用 Write）
- 权限控制精确：允许读任何文件但禁止修改特定目录
- Schema 延迟加载：MCP 扩展工具的 schema 通过 ToolSearch 按需加载
OpenClaw：面向生活场景的 Skill 生态
- 不叫”工具”，叫”技能”，围绕日常生活和工作场景设计
- Claude Code 的工具是给程序员用的，OpenClaw 的技能是给所有人用的
- 通道层概念：支持 20+ 消息平台接入，用户在自己每天用的聊天 App 里就能指挥 AI
四、指令与配置：空间逻辑 vs 身份逻辑
Claude Code：空间导向的四级层级
- 指令按文件路径和目录层级组织：全局 → 项目 → 目录 → 子目录
- 适配场景：大型代码库——前端、后端、基础设施团队各有各的约定
- .claude/rules/ 用 YAML frontmatter 设置路径匹配规则，特定约定只在访问特定文件时才注入
OpenClaw：身份导向的 Agent 配置
- 指令按 Agent 角色和通道组织
- 一个 OpenClaw 实例可运行多个 Agent，每个 Agent 有自己的 System Prompt 和 Skill 集合
- 更像公司有多个员工，每个员工有自己的岗位职责和性格特质
核心差异：Claude Code 绑定到”你在看哪个文件”，OpenClaw 绑定到”你在跟哪个 Agent 说话”。
五、上下文管理：单线程抗压 vs 多线程隔离
Claude Code：单线程深度对话的抗压
- 上下文窗口约 200K token，编程任务消耗极快
- 应对策略：自动压缩 + 重注入
– 接近极限时自动压缩 – 先清理旧的工具输出，再摘要历史对话（压缩到约 12%） – 压缩后从磁盘重新注入 CLAUDE.md、Auto Memory 索引、技能内容
- 延迟加载策略：MCP 工具 schema 按需检索、路径匹配规则按需触发、Skill 内容调用时才加载
OpenClaw：多线程并发的隔离
- 面对”太多条对话同时进行”的问题
- 核心：会话隔离，由 sandbox.scope 控制
– agent：同一个 Agent 的所有对话共享上下文（用户 A 的对话可能影响对用户 B 的回复） – session：严格按会话隔离（更安全，但 Agent 无法跨会话关联信息）
- session.dmScope 决定跨通道行为：
– main：用户在 Telegram 和 Slack 上的消息路由到同一会话 – per-channel-peer：每个通道独立（更隔离，但 Agent 无法跨通道理解上下文）
六、记忆系统：结构化可控 vs 双层自主
这是两个框架差异最显著的部分。
Claude Code：结构化记忆 + 人工可编辑
- Auto Memory 保存在 ~/.claude/projects/
/memory/，由四种明确类型组成：
1. Facts（事实） 2. Preferences（偏好） 3. To-dos（待办） 4. Feedback（反馈）
- 每条记忆是独立的 Markdown 文件，带 YAML frontmatter 标注名称、描述和类型
- MEMORY.md 是索引文件，每条记忆只占一行，启动时加载前 200 行，详细文件按需读取
- 核心哲学：记忆是透明的、可审计的、人类可控的
记忆约束：
- 写入前检查重复
- 引用前验证存在
- 人类随时可编辑文件
OpenClaw：双层架构 + AI 自主提炼
- 第一层：JSONL 日志（事实层）
– 每次交互逐行记录为 JSONL 审计日志 – 特性：不可变（append-only）、全量保留、可追溯、跨通道统一 – 不直接参与上下文注入，作为”原始事实源”
- 第二层：MEMORY.md（提炼层）
– AI 主动从日志层中提炼，非人工编写 – 当信息跨多次对话反复出现，或用户明确表达偏好，就提炼为长期记忆 – 形式自由，无强制分类模板
- 语义检索层
– 纯文件之上叠加混合语义搜索 – 按语义相关性从日志层检索最相关历史片段
渐进式人格学习：
- 第 1 周：按通用套路写文案
- 第 2 周：从日志中发现用户三次修改开头都改成反问句
- 第 1 个月：积累 30 条交互后，发现用户从不修改带数据的文案但常改纯观点类
- 第 3 个月：已内化用户写作风格——写出来的越来越像用户自己写的
七、安全与权限：多层精细 vs 通道身份
Claude Code：多层权限 + 精细粒度
- 权限模式（Shift+Tab 切换）：
– 只读（read-only） – 计划（plan-only） – 自动（auto）
- 规则系统按 deny → ask → allow 优先级匹配
- Hooks 系统：PreToolUse hook 在工具执行前拦截，可返回 exit 2 直接取消调用
- 操作系统级沙箱隔离——独立于权限规则之外运行
OpenClaw：通道级权限 + 身份校验
- 权限围绕消息通道和用户身份设计
- 面临不同安全挑战：Claude Code 风险是”Agent 执行危险命令”，OpenClaw 风险是”未授权用户控制 Agent”
- 当前局限：会话隔离在并发场景下存在风险，路由器使用”当前活动上下文”作为身份代理，可能导致跨会话数据泄漏
八、可扩展性：后端 vs 前端
Claude Code：MCP + Skill + 自定义 Agent
- MCP 协议：连接外部服务（GitHub、Linear、Slack……）
- Skill 系统：封装多步骤工作流为 /slash-command
- 自定义子 Agent：在 .claude/agents/ 下定义专用 Agent
– 设计原则：按需加载
OpenClaw：通道 + 技能 + Provider
- 通道扩展：接入新的消息平台（已支持 20+）
- 技能扩展：添加新的执行能力（浏览器、邮件、API……）
- Provider 扩展：切换底层模型提供商
核心差异：OpenClaw 扩展重心在前端（更多通道触达更多用户），Claude Code 在后端（更多工具和协议接入更多开发资源）。
九、会话持久化：用完即止 vs 24/7 在线
Claude Code：本地 JSONL + 分叉恢复
- 每次对话保存为本地 JSONL 文件
- 分叉设计：在同一个问题上尝试两种方案——分叉出一个试方案 A，原会话试方案 B，然后比较结果
- 但会话是用完即止的：关掉终端，Agent 就停了
OpenClaw：持久在线 + 跨通道连续性
- 没有”关掉”的概念——24/7 运行的服务
- 跨通道连续性：Telegram 上说”关注 A 股票”，两天后在 Slack 问”那个股票怎么样了？”，Agent 知道是同一件事
- Cron 和 Heartbeat：让 Agent 记忆积累不局限于”用户主动说话的时候”
共同的工程智慧
尽管设计哲学不同，两个框架分享底层洞察：
- 纯文件方案优于数据库方案：都选择 Markdown + JSONL，人类可读、可 Git 版本控制、不依赖外部服务
- 索引与内容分离：启动时只加载轻量摘要，详细内容按需加载
- 约束带来可靠性：给 Agent 更严格的边界反而让它表现更好
- 记忆会腐败：Claude Code 用”引用前验证”，OpenClaw 用”持续提炼覆盖”——永远不要盲目信任记忆
结论：模型是引擎，Harness 是整车
Claude Code 和 OpenClaw 给出了两种截然不同但同样有效的答案。一个证明了，在正确的工程框架下，AI 可以在大型代码库中自主完成复杂的多步骤编程任务。另一个证明了，在正确的工程框架下，不会编程的普通人也能拥有一个 24 小时在线、越用越懂你的数字员工。
两者用的都是别人家的模型。区别全在模型之外的那些”奇技淫巧”里。
Agentic Loop、工具架构、上下文管理、权限沙箱、记忆系统、技能封装、事件钩子、通道路由、会话隔离——这些听起来都不像前沿研究，更像传统软件工程的老手艺。
但正是这些老手艺，决定了 AI Agent 到底是一个”能聊天的模型”，还是一个”能干活的同事”。
模型是引擎，harness 是整辆车。引擎再强，没有方向盘、刹车和导航，你哪儿也去不了。