1.概览

OpenClaw采用三层架构Channels-Geteway-llm层，六环节工作流。

2.核心机制

2.1记忆管理

记忆存储	记忆存储分为两类文件： MEMORY.md：长期记忆，存储偏好、关键决策、持久事实 触发写入：Agent 执行中自主判断需要持久化的信息 触发写入：用户显式要求（"记住这个"） 每次会话启动时优先加载，始终在上下文中可见 memory/YYYY-MM-DD.md：按日期组织的历史记录 追加式写入当天的活动、决策和上下文 长期保存在磁盘，可通过语义检索跨日期召回 三种写入触发机制 用户主动：说"记住我"等显式指令 memoryFlush：context tokens临近上限时自动触发，将关键信息写盘防止压缩时丢失 sessionFlush：在每次新会话启动时，将上一会话整理归档为memory/<YYYY-MM-DD>-slug.md（slug是会话的唯一标识符）
记忆检索	混合检索（默认使用 SQLite 作为本地数据库）：两路并行检索后，对候选结果计算加权得分，向 Agent 返回最相关的若干条记忆。 关键词精确搜索 在 FTS 全文索引表找到所有包含关键词的chunk 用 BM25 算法对结果打分——词在当前文档中出现越多、在所有文档中越罕见，得分越高 向量语义检索（模糊匹配，语义相近即可） 将查询文本通过 embedding 模型转为向量 在向量表（chunks_vec）中做 KNN 暴力计算，支持 L2 欧式距离和 Cosine 余弦相似度两种度量方式 结果融合：两路结果按加权公式合并打分 hybridScore = vectorWeight × vectorScore + textWeight × textScore
索引写入	单个文件的索引写入可以分为三个部分： 文件分块：把单个文件切成若干小块 按 chunkTokens 分块，默认每块 400 tokens 相邻分块之间保留 chunkOverlap 个重叠 token，默认 80 tokens 批量生成向量 对每个 chunk 调用 embedding 模型（支持远程 API 或本地模型）生成向量表示 写入本地sqlite数据库：每个 chunk 同时写入三张表 chunks（原始文本及行号） chunks_vec（向量，供语义检索） chunks_fts（全文索引，供关键词检索）

相比于Mem0、Zep 等主流记忆框架把记忆存为向量嵌入，OpenClaw 的记忆被存成本地Markdown文件，用户可阅读可修改，具有用户可读性与本地隐私保护。

2.2工具调用

OpenClaw 的工具调用可以分为两个层次

• skills：工具说明书
• tools：实际执行方

OpenClaw 的 Skill 架构直接基于 Pi-Agent 构建，但又有所不同

• 相同点
  • 抽象化层级：两者都主张将底层的函数调用（Tools）与高层的业务逻辑（Skills）分开。
  • 规划能力：都强调 Agent 的自我规划（Planning）能力，即 Agent 应该自己决定调用工具的顺序，而不是由代码写死顺序。
  • Skill 格式：均遵循 AgentSkills 标准，以 SKILL.md 文件夹形式定义，自然语言描述操作逻辑，无需修改底层代码
• 不同点
  • MCP 协议兼容：Pi-Agent 的工具调用往往是自建协议。OpenClaw 则相反，通过兼容 MCP 协议，支持将任意 MCP Server 接入作为工具扩展。这意味着你可以直接把别人的 MCP Server 拿来，瞬间变成 OpenClaw 的一个 Skill 插件。
  • Skill 的可插拔性：Skills 以包含 SKILL.md 的文件夹形式定义，用自然语言描述操作逻辑，无需修改底层代码，像安装 App 一样即插即用，ClawHub 目前有 14, 380 个社区 Skill 可直接安装。

tools可分为四类内置工具：

exec tool	直接执行 Shell 命令，读写文件系统、运行脚本、管理进程 支持三种运行环境： Docker 沙箱（安全隔离） 本地主机（完整系统权限） 远程设备（跨节点分发任务）
浏览器工具	基于 Playwright 实现浏览器自动化，实现点击、填表、截图等操作。 采用语义快照技术——通过页面可访问性树生成文本化表征，避免多模态截图解析，LLM 理解效率更高。
文件系统	负责文件的增删改查
进程管理工具	支持后台长期运行命令、监控进程状态、终止指定进程等系统级操作。

对比分析

AutoGPT 默认在 Docker 沙箱中运行，提供了隔离保护；OpenClaw 默认直接在宿主机上运行，效率更高但没有沙箱隔离。

Manus 在托管的云端虚拟机中运行，有完全隔离的执行环境，无需本地安装任何依赖；OpenClaw 运行在用户自己的硬件上，数据不出本地，但配置和维护责任由用户承担。

对比 LangChain，OpenClaw 是开箱即用的完整产品，安装后即有 14,380 预配置技能可用，且可以自定义即插即用；LangChain 是开发框架，需要自己写代码组装功能，适合需要完全自定义工作流的开发者。

3.为什么openclaw会出现现象级爆火？

1.模型能力突破了某个阈值

在Claude Opus 4.5版本中，它实现了无需持续故障循环即可进行规划、执行和恢复。

2.产品化

OpenClaw的核心定位是"The AI that actually does things"——真正能干活的AI。把"会回应的聊天机器人"变成了"会干活的 Agent"——一个持续运行在你自己硬件上、通过你已经在用的消息应用访问的个人助手。

之前的 Agent 框架（AutoGPT、LangChain）都要求用户有相当的技术背景才能跑起来，OpenClaw 的突破是让普通人也能用 WhatsApp 发一条消息就能驱动一个 AI Agent 干活。

3.用户主导

数据上：反对主流 SaaS 模式，核心程序部署在用户自己的设备上，数据完全本地存储，用户拥有完整的数据主权和控制权。体现在记忆系统上就是，所有记忆以 Markdown 文件形式存储在本地，用户可以直接查看和修改 AI 对自己的"认知"，记忆不再是黑盒，而是用户可以主动塑造的透明数据。代价是需要一定技术能力自行维护，但换来的是真正的隐私保护和独立性。

模型上：不绑定任何单一 LLM 厂商，支持按任务类型灵活路由——简单任务用便宜模型，复杂任务用顶级模型，并内置故障转移机制。本质上是把模型视为可替换的零部件，打破了大厂通过模型独占建立的用户锁定，技术实现依赖统一的接口抽象层

参考资料：

https://liuwei.blog/2026/02/10/openclaw%E6%97%B6%E5%88%BB%E4%B9%8B%E4%BA%8C/

https://mdnice.com/writing/2c8a7a6270824aec92917435d1791106

https://zhuanlan.zhihu.com/p/2004505448938767308