ARTICLE · 1187907
看懂OpenClaw底层逻辑:网关、记忆、工具调用,到底怎么配合?
上一期我们搞清楚了OpenClaw是怎么从“聊天”走向“干活”的，知道了它有大模型当大脑🧠、有Gateway当调度、有Skills当技能包🎒、有Tools当工具箱🧰。但这些东西，到底是怎么串起来的？
就好比你知道厨房里有灶台、有锅、有菜刀、有食材。但你还是不知道，一道菜到底是怎么从“点单”变成“端上桌”的🍳。
今天这期，我们就来拆一拆OpenClaw的底层逻辑。
简单说，OpenClaw能自己干活靠的是三件核心的事：一个调度中心、一个记忆系统、一套工具调用机制。再加上两个关键的设计前提：本地优先运行和沙箱隔离。
我们一个一个来👇。
OpenClaw的Gateway，干的活跟这个前台几乎一模一样。
用户提出任务之后，Gateway要做的第一件事是接住请求。它得先搞清楚：你这句话到底是要干什么。这个判断，Gateway自己不做。它交给大模型去做。
大模型就像后厨的“主厨”👨🍳，负责“想”——这个任务该怎么拆、需要几步、每一步要什么能力。但大模型“想”完之后不会直接动手，它会把“我想干什么”告诉Gateway。Gateway再根据这个需求，去决定调用哪个Skill、哪个Tool、以什么顺序执行。
所以Gateway的核心职责，不是“思考”，而是把“想”和“做”连接起来。
这里还有一个很关键的设计：OpenClaw的Gateway采用的是标准化协议。就是说，它不绑定某一个特定的大模型。你今天用Claude，明天想换成GPT，或者换成国产的某个模型。Gateway不需要重写一套调度逻辑。换个“主厨”就行👌。
这也是OpenClaw被称为“开源智能体操作系统”的原因之一——它把调度这件事，做成了一个通用层，而不是跟某个模型绑死。
如果你用过ChatGPT或者类似的聊天AI，你肯定遇到过这种情况：上午你跟它说“帮我整理一下桌面文件”，它帮你整理好了；下午你问它“刚才整理的那些文件放哪了”，它一脸茫然：“什么文件？”🤷
这不是它故意装傻，而是大模型本身有一个硬伤：每次对话都是一张白纸，都是独立的，它没有“上一次”的概念。
而OpenClaw解决这个问题的做法很“朴素”：用文件系统来做记忆。就是你自己电脑上那种文件夹和文件。OpenClaw把“记忆”这件事，变成了“往硬盘上写东西”。
具体来说，它有两层记忆：
▸第一层，短期记忆。每次会话的原始记录，会以JSONL格式存在本地。你可以把它理解成“今天的流水账”📝——你说了什么、它做了什么、中间调用了哪些工具，全都记下来。
▸第二层，长期记忆。有一个叫MEMORY.md的文件，存放的是精炼后的重要信息。记住那些“以后可能还用得上”的东西。比如你的偏好、你之前交代过的规则、某个任务的背景信息。
这里有一个对隐私场景特别重要的细节：MEMORY.md只在用户直接对话时加载，群聊场景不加载。
因为长期记忆里可能有个人偏好、工作习惯、甚至某些敏感上下文。如果在一个群聊里，智能体把这些信息带出来，就等于当着所有人的面把你的底牌翻开了。
所以OpenClaw做了一个很明确的隔离：私聊有记忆，群聊不带记忆。
“用文件做记忆”意味着本地优先。你的记忆数据，存在你自己的电脑上。而不是某个公司的服务器里。
我们回到那个整理文件的例子。你说：“帮我把学习资料整理一下🗃️。”OpenClaw内部发生了什么？
第一步，大模型判断：这个任务需要什么能力？
它得出的结论是：需要“查看文件”“判断类型”“创建文件夹”“移动文件”这几项操作。
注意，这时候它只是在“想”，还没有动手🧠。
第二步，Gateway把这些需求翻译成具体的“工具调用请求”📝。
比如“列出桌面上的所有文件”“读取每个文件的扩展名”“在桌面创建一个叫‘学习资料’的文件夹”等等。
第三步，真正执行的是Tools（工具），不是大模型本身。
大模型只负责“决定要做什么”，工具负责“实际去做”。
这个分工很重要——大模型可以“想错”，但工具的执行是确定的。你让它“移动文件”，它就移动文件，不会自己发挥🔧。
那OpenClaw的工具是怎么组织的呢？它是分层的：底层是编码工具，比如读写、编辑文件；中间是平台能力工具，比如浏览器操作、消息发送、网页搜索；上层是插件工具，也就是第三方开发者扩展出来的能力。每一层都有对应的权限策略，不是所有工具都默认开放，也不是所有智能体都能调用所有工具。你给它什么权限，它才能用什么工具🔐。
普通的云端AI是怎么工作的呢？你把问题发到某个公司的服务器上，服务器上的模型算完之后，再把结果传回来。整个过程，你的数据是“出去过”的☁️。
但OpenClaw的本地优先设计意味着：模型可以本地跑，数据可以本地存，任务可以在断网环境下执行。
本地优先，图的是控制权。
云端AI的逻辑是“你把数据交给我，我帮你算”；本地优先的逻辑是“数据留在你手里，算力也在你手里”。前者方便，后者可控。
🔘至于这种“数据留在自己手里”的设计，在具体场景里意味着什么，我们后面聊法律问题的时候还会再提到。
现在我们知道OpenClaw能调度、能记忆、能调用工具，还能在本地跑。但还有一个问题：它会不会乱跑？
比如，你让它整理桌面文件，它会不会顺手把系统文件夹也翻了？你让它查资料，它会不会自己连上某个不该连的网络？
这就是沙箱要解决的问题。
沙箱就像“给小朋友划一个铺了软垫的游戏区”🧸，小朋友可以在里面随便跑、随便玩，但跑不出这个圈。
具体到技术上，沙箱做的事情是：限制智能体能访问哪些文件、能调用哪些系统接口、能连接哪些网络地址。
你可以把它理解成：即使智能体“想”去访问一个不该访问的文件夹，沙箱也会在它迈出去之前拦住它。
而且这种拦截，是在操作系统层面实现的，不是靠“智能体自觉”。“自觉”这种东西，在技术系统里是不靠谱的，你不能指望一个AI说“我保证不乱跑”，你得用机制让它“想跑也跑不了”🚧。
沙箱还有一个好处：它让智能体的行为变得可预测。
你知道它只能在划定的范围内活动，所以你可以在部署之前就评估风险——它最多能碰到什么、最多能改什么、最多能连什么。
我们现在把上面讲的几个东西放在一起，看看它们是怎么协同的。
假设你对OpenClaw说：“帮我把桌面上的学习资料整理一下。”
第一步，Gateway接住请求。它把这句话传给大模型，让大模型判断：这是一个“文件整理”类任务。
第二步，大模型制定计划。它想好了：先查看文件，再判断类型，然后创建文件夹，最后移动文件。
第三步，Gateway调度工具。它根据大模型的计划，依次调用“列出文件”“读取扩展名”“创建文件夹”“移动文件”这些工具。
第四步，记忆模块同步记录。整个过程中，短期记忆在记流水账，长期记忆在判断哪些信息值得留下来。
第五步，沙箱全程限制范围。智能体只能访问桌面和指定文件夹，不能碰系统目录，不能连外部网络。
第六步，结果返回。任务完成，告诉你“整理好了”✅。
|写在最后
Gateway负责串联，大模型负责思考，工具负责执行，记忆负责积累，沙箱负责兜底。缺了任何一个，这件事都做不成。这些设计加在一起，才让OpenClaw有可能在政务这种敏感场景里落地。
而能不能真的落地、落地之后会带来什么法律问题，就是我们下一期要聊的事了。
|留言区聊聊
今天聊了几个设计，你觉得哪一个对政务场景最重要？
A.记忆存在本地，数据不出内网
B.沙箱隔离，智能体跑不出划定范围
C.工具分层，权限可以精细控制
D.本地优先，断网也能用
|下期预告
技术讲完了，法律问题就来了。
当AI真的开始“动手”了，法律上到底算谁在行动？它有没有“法律主体资格”？出了问题，谁来担责？
撰稿|郭睿
图片|郭睿
排版|雷逸扬
初审|王怡彤 安琪日
终审|王晶
