从源码读懂nanobot的运行原理

nanobot是香港大学数据科学实验室（HKUDS）开源的超轻量级个人AI助手框架，可以看作是openclaw的极简实现版。openclaw的源代码超过40万行，而 nanobot 仅 2 万余行，其中核心代码约 4000 行。我们可以通过nanobot来理解openclaw的设计思想与实现机制，它是学习研究openclaw的一条快速通道。 

nanobot在设计和实现上有很多的关键特性，在一篇文章里难以面面俱到。本文从nanobot最核心的Agent Loop入手（其核心功能是根据用户输入的消息，调用大模型进行推理，执行工具以完成任务，并最终向用户返回结果），通过对源代码的分析来理解其实现机制。

 “思考-行动-观察”的循环处理框架

nanobot 采用ReAct 智能体构建模式，其本质是一个“思考（Think）—行动（Act）—观察（Observe）” 的循环过程，如下图所示。 

当用户输入消息之后，智能体整合上下文信息之后进行ReAct主循环。首先是思考环节，智能体调用大模型进行推理分析，由大模型来决定下一步要做什么。如果大模型判断需要调用工具，那么进入行动环节。 

在行动环节，智能体调用工具执行相应的任务，并返回工具执行结果。然后进入观察环节，在这个环节，智能体收集工具返回的结果，将结果整合到上下文信息之中，然后进行下一轮循环，重复上述过程。 

当某一轮循环中，大模型明确表示“不需要再调用工具”时，意味着它已经掌握了足够的信息来回复用户。此时，智能体将大模型的回复作为最终结果，退出循环，本轮对话与推理任务结束。 

一个实际例子来看ReAct循环处理过程

通过飞书中向nanobot提出一个问题：今天杭州的天气怎么样？ 

nanobot的ReAct循环处理时序过程如下图所示。本次任务经过了3轮循环处理： 

第1轮：LLM思考发现，要读取查询天气的SKILL文档；智能体调用读取文件的工具，获得了天气SKILL文档中的内容，并追加到上下文中。 

第2轮：LLM在读取了SKILL文档之后，经过思考发现要调用能够执行shell命令的工具；智能体调用工具来执行shell命令（查询天气），命令执行之后获得了杭州的天气信息，并追加到上下文中。 

第3轮：LLM在上下文中读到了杭州的天气信息之后，发现已经可以回答用户的问题了，就生成并返回结果信息。智能体退出ReAct循环。 

通过在nanobot源代码中增加打印日志的代码之后，输出的日志信息如下图所示，可以发现与上面的时序图完全一致。 

核心机制：大模型主导任务规划，打破固定工作流限制

与以往面向特定应用场景的智能体不同，nanobot 的核心特点在于：其任务规划与调度由大模型动态控制，而非依赖固定工作流。这使得 nanobot 成为一个通用型智能体，能够灵活处理多种类型的任务。 

相比之下，基于固定工作流的传统智能体往往只能应对单一或有限的场景。以常见的 ChatBI 智能体为例，其处理流程是硬编码的：第一步，根据用户意图召回数据表和字段；第二步，由大模型基于输入上下文生成 SQL 查询语句；第三步，执行 SQL 并从数据库中获取结果数据；第四步，在前端展示结果。这种固定流程极大地限制了任务类型的泛化能力。 

通过以上对 nanobot 的 ReAct循环运行原理的分析，并结合实际案例，我们清晰地看到了从“思考—行动—观察”每一步的详细处理过程。nanobot呈现了现代 AI Agent 的核心设计思想：让大模型主导任务规划，让框架保持极简与灵活。对于希望深入理解 openclaw 乃至通用智能体实现原理的同学而言，nanobot 是一个很好的学习对象，希望本文对你有所帮助。