夜雨聆风
1.前言
随着AI的快速发展，全民掀起了热热闹闹的养虾潮，对于大部分来说，都觉得新奇和迷惑；为此，跟随笔者抽丝剥茧去了解这个虾是怎样逐步建立起来的，需要一点点的编程经验，这里主要学习了B站up主飞天闪客的视频创作内容编写。工作环境：python3安装包: pip3 install openai
2.大模型API调用
市面上大部分的大模型厂商，都提供了一个API接口，可以直接访问大模型。这里以是用Deepseek为例，具体API调用文档参考 https://api-docs.deepseek.com/参考以上网址的信息，可以先编写python代码以验证链接是否成功。
#claw00.pyimport osfrom openai import OpenAIclient = OpenAI(api_key="sk-xxxxxxxxxxxxxxxxxxxxxxxxxxxx", base_url="https://api.deepseek.com")response = client.chat.completions.create( model="deepseek-chat", messages=[ {"role": "system", "content": "You are a helpful assistant"}, {"role": "user", "content": "Hello"}, ], stream=False)print(response.choices[0].message.content)
3.与大模型对话
上面仅仅代表和大模型连接成功，现在开始模仿与AI对话，进一步修改python代码。
#claw01.pyimport osfrom openai import OpenAIclient = OpenAI(api_key="sk-xxxxxxxxxxxxxxxxxxxxxxxxxxxx", base_url="https://api.deepseek.com")while True: user_input = input("\nYOU: ") response = client.chat.completions.create( model="deepseek-chat", messages=[ {"role": "system", "content": "You are a helpful assistant"}, {"role": "user", "content": user_input}, ], stream=False ) print(response.choices[0].message.content)运行结果如下图片，但是发现当继续问AI，”上面的结果再+1“的时候，大模型回复出现错误，这是由于没有将之前的结果保存下来，没有上下文的结果直接问AI，导致AI无法回答。
为此，需要再将代码继续优化。
#claw02.pyimport osfrom openai import OpenAIclient = OpenAI(api_key="sk-xxxxxxxxxxxxxxxxxxxxxxxxxxxx", base_url="https://api.deepseek.com")messages=[]messages.append({"role": "system", "content": "You are a helpful assistant"})while True: user_input = input("\nYOU: ") if user_input.lower() == 'quit': break messages.append({"role": "user", "content": user_input}) response = client.chat.completions.create( model="deepseek-chat", messages=messages, stream=False ) reply = response.choices[0].message.content messages.append({"role":"assistant", "content": reply}) print(reply)可以看到定义了messages，在后面是用append方法将之前的上下文进行保存，从而实现AI能正常根据上下文来聊天。聊天结果和正常在https://chat.deepseek.com/ 网站聊天类似。
4.Agent实现
如下图所示，以下为Agent的简要运行原理图示：
#claw03_agent.pyimport osfrom openai import OpenAIclient = OpenAI(api_key="sk-xxxxxxxxxxxxxxxxxxxxxxxxxxxx", base_url="https://api.deepseek.com")messages=[]messages.append({"role": "system", "content": open("Agent.md","r", encoding="utf-8").read()})while True: user_input = input("\nYOU: ") if user_input.lower() == 'quit': break messages.append({"role": "user", "content": user_input}) print("\n-----------Agent Loop begining-------------\n") while True: response = client.chat.completions.create( model="deepseek-chat", messages=messages, stream=False ) reply = response.choices[0].message.content messages.append({"role":"assistant", "content": reply}) print(f"【AI】{reply}") if reply.strip().startswith("完成:"): print("\n-----------Agent Loop End------------------\n") print(f"【AI】{reply.strip().split('完成:')[1].strip()}") break command = reply.strip().split("命令:")[1].strip() command_result = os.popen(command).read() content = f"执行完毕{command_result}" print(f"【Agent】{content}") messages.append({"role": "user", "content": content})以上为对应python的实现，先根据对应的角色文件为系统定义角色内容，定义的文件名为Agent.md，其本质目的是让大模型返回指定的命令，以及怎样去结束，这样在Agent根据接收到命令，通过os.popen(command)运行对应的指令。
如上图所示，为claw03_agent.py运行的结果，根据B站的链接地址，下载对应的视频，并将其转为mp3文件。从结果来看，第一次运行"youtube-dl -x --audio-format mp3 https://www.bilibili.com/video/BV1vT411i7ET"这个命令，其实是错误的，后来再次与大模型对话，返回的命令"yt-dlp -x --audio-format mp3 https://www.bilibili.com/video/BV1vT411i7ET"从结果可知，返回的结果是正确的，且正常下载了对应的文件，并生成对应的mp3文件。
5.添加技能
而Agent为了获得某项技能，必须给它指定的操作，或者告知大模型以什么样的路径可以做到，那么就可以编写对应的skill.md文件了。而对应skill.md文件可以自己编写，也可以借用网络成千上万的网友编写的skill.md，按需去找即可。
6.本地部署
经过以上步骤，实现了Openclaw的功能，但又有一个疑问，Openclaw都能远程操控，从结果来看，之前的程序，还差一个壳，为此为了模拟远程调用大模型干同样的活，我们可以在本地建一个服务器，通过在内网访问测试，达到同样的目的。
#claw05_agent.pyimport osfrom openai import OpenAIfrom flask import Flask, request, jsonifyclient = OpenAI(api_key="sk-xxxxxxxxxxxxxxxxxxxxxxxxxxxx", base_url="https://api.deepseek.com")messages=[]messages.append({"role": "system", "content": open("Agent.md","r", encoding="utf-8").read()})messages.append({"role": "system", "content": open("SKILL.md","r", encoding="utf-8").read()})app = Flask(__name__)HTML = open("index.html", "r", encoding="utf-8").read()@app.get("/")def index(): return HTML@app.post("/chat")def chat(): user_input = request.json["message"] print(f"【用户】{user_input}") messages.append({"role": "user", "content": user_input}) steps = [] while True: response = client.chat.completions.create( model="deepseek-chat", messages=messages, stream=False ) reply = response.choices[0].message.content messages.append({"role":"assistant", "content": reply}) print(f"\033[32m【AI】{reply}\033[0m") steps.append({"type":"ai","content":reply}) if reply.strip().startswith("完成:"): break command = reply.strip().split("命令:")[1].strip() command_result = os.popen(command).read() print(f"【Agent】执行完毕{command_result}") steps.append({"type":"cmd","content": command_result}) messages.append({"role": "user", "content": f"执行完毕{command_result}"}) return jsonify(steps=steps)if __name__ == "__main__": app.run(host="0.0.0.0", debug=True, port=5000)
结语
从怎样与大模型通信，到怎么与大模型对话，以及Agent的工作原理，再到Skill的作用，以及在Agent的本地部署，这是简易版的Openclaw实现逻辑，实际的Openclaw远远比这个复杂，只是为了更好的理解Openclaw怎么工作的，以上仅仅代表笔者的理解；以及向网络上那些大牛学习的成果。
参考
• https://www.bilibili.com/video/BV19hwTzwETF/?spm_id_from=0.0.homepage.video_card.click • https://skills.sh/
