OpenClaw 的五层架构

OpenClaw 是一款由奥地利程序员 Peter Steinberger 开发的开源个人 AI 智能体，其核心优势在于本地优先的运行模式。

该系统通过一个名为 Gateway 的控制平面，将 Claude 或 GPT-5 等 AI 模型与 WhatsApp、Telegram 和 Slack 等主流通讯软件无缝集成。

凭借其混合记忆系统和强大的执行工具层，它不仅能处理日常对话，还能直接操控计算机文件、浏览器及终端脚本。

这种架构赋予了 AI Agent 在现实世界中自动化执行任务的能力，例如监控股票、管理日程或编写代码。

其爆火不仅是因为极高的定制化程度，更因为它让用户能够完全掌控自己的隐私数据与 AI 灵魂。

OpenClaw 是近年来 AI Agent 领域极简优雅的设计。

有一套完整的闭环流水线。

事件触发 → 任务规划 → 工具执行 → 状态持久化 → 循环迭代

它采用了严格分层的架构设计。

从输入到执行、从决策到存储，五层职责完全分离。

层与层之间通过标准化接口交互，没有任何冗余耦合。

Layer 1：接口与输入层

这是 Agent 的感觉器官。

这是所有任务的起点，核心作用是实现多渠道接入。

支持以下输入渠道：

Layer 2：网关控制平面

这是 Agent 的交通枢纽。

核心作用是实现流量的标准化处理、会话隔离与并发管控。

这也是 OpenClaw 最核心的工程亮点之一。

包含三大组件：

通道适配器：输入的归一化处理
它会把不同渠道的输入，统一转换为标准结构。
让下游无需关心输入渠道，实现了接入层与业务层的完全解耦。
会话路由器：会话的隔离与路由
它会为不同用户、不同任务创建独立的会话。
彻底避免跨会话的状态污染、上下文串扰。
是支持多任务、多用户并行的基础。
车道队列：并发控制与执行顺序保证
它采用了基于车道的串行化执行设计，为每个独立会话分配专属的执行车道。
同一个车道内的事件严格按照先进先出的顺序串行执行，前一个事件处理完成后，才会处理下一个事件。
这个设计从根源上消除了并发场景下的竞态条件、共享状态修改 bug。
让任务执行的过程完全可预测、可复现。

Layer 3：Agent 运行器

这是 Agent 的大脑。

负责任务的理解、拆解、规划与上下文管理。

所有的决策都在这里生成。

包含三大组件：

模型解析器：LLM 的选型与调度
它实现了模型层的完全解耦。
支持 Claude、OpenAI、本地部署的 Ollama 等主流模型。
能根据不同任务特点，动态选择最合适的模型。
比如，简单的文件处理用本地轻量模型，复杂的任务规划用 Claude Opus。
系统提示词构建器：上下文的动态注入
它会把任务核心要求、工具能力说明、内存中的历史信息、用户的个性化规则，整合成系统提示词。
这是 Agent 规划能力的核心载体，决定了任务执行的方向与边界。
上下文窗口防护：Token 的精细化管理
这是解决 Agent 长周期任务失败的核心设计。
和绝大多数 Agent 粗暴的上下文溢出后静默截断不同。
它会提前计算 Token 占用量，优先保留核心系统指令、任务要求、最近的执行结果。
对非核心的历史内容做摘要压缩。
实现可控的降级，而非直接截断导致核心指令丢失。
彻底解决了上下文溢出导致的任务跑偏问题。

Layer 4：执行与工具层

这是 Agent 的双手。

这一层负责把大脑的决策转化为真实的操作。

是 OpenClaw 工具优先设计理念的体现。

包含两大模块：

Layer 5：混合内存系统

这是 Agent 的长期记忆。

这一层解决了 Agent 最常见的失忆问题，是长周期任务的基础。

采用了三层混合存储设计：

JSONL 日志：原始记录
以 JSONL 格式持久化到本地文件。
完整记录了每一次的用户输入、模型规划、工具调用、执行结果、异常信息。
是任务调试、执行重放、审计追溯的基础，保证了所有执行过程完全可追溯、可复现。
MEMORY.md：核心知识与规则库
以 Markdown 格式存储了任务的核心规则、用户偏好、长期知识、执行规范，是系统提示词构建的核心输入。
它避免了全量历史记录带来的 Token 浪费。
让 Agent 能长期记住核心的执行规则，不会随着对话轮次增加而丢失关键要求。
向量 / FTS5 索引：精准语义检索
向量检索或 FTS5 全文检索，能从海量的历史日志、用户文档、内部知识中，召回和当前任务高度相关的信息。
实现长期记忆的精准激活，解决了长周期任务的上下文丢失问题。