1.LLM发展的三个阶段

1.1 阶段0：纯粹的下一词预测器

• 时间节点：2019年左右
• 代表工作：Google BERT、OpenAI GPT-1/2/3、Google LaMBDA
• 核心机制：输入一组 token → Transformer 输出下一个 token
• 运行原理：循环调用 Transformer，每次生成一个 token，逐字构建句子

输入: "My name is" → 模型预测下一个 token（概率最高的词）
例: "Alex" 或 "Steve" 或 "Sarah"

1.2 阶段1：微调后的助手（2021-2022年）

• 核心变化：给预训练 LLM 提供大量"助手-人类对话"样本进行微调
• 效果：模型倾向于以助手身份回答 → 催生 ChatGPT 等聊天界面
• 本质：还是在做补全，只是风格更适合对话

1.3 阶段2：受限智能体（2020-2023年）

• 特点：LLM + 额外工具，通过静态编排工作
• 代表：Google AI Overview、LangChain、AutoGen
• 局限：流程预先定义好，智能体只是按顺序执行一系列步骤

1.4 阶段3：自主智能体（2025-2026年）← 当前阶段

• 核心特征：动态发现工具 + 动态编排
• 代表：OpenClaw、Claude Code
• 关键突破：能自我修改、自我学习

1.5 Agentic Loop 本质

所有系统的本质 = 调用大模型（OpenAI/Gemini/Anthropic等）
唯一区别 = 给到的上下文（context）

Harness = 打包上下文 + 确保调用时具备所需上下文

---

二、OpenClaw 架构

OpenClaw 是一个**通用的封装层**，专门用来与现实世界交互：

• 具备丰富的背景信息（能连邮箱、电话）
• 24小时不休息
• 能越用越聪明，自我进化

2.1 三层核心架构

┌─────────────────────────────────────────────────┐
│  连接器层 (Connectors)                          │
│  - WhatsApp / Gmail / Discord / iMessage       │
│  - 提供用户与智能体的交互接口                   │
├─────────────────────────────────────────────────┤
│  网关控制器 (Gateway Controller)                │
│  - 消息路由、绘画管理、安全性                   │
│  - Session管理、内存管理、配置管理              │
├─────────────────────────────────────────────────┤
│  智能体运行时层 (Agent Runtime)                │
│  - 调用LLM、构建上下文、执行工具               │
│  - Provider（模型服务商）                       │
│  - Tools（工具）、Skills（技能）                │
└─────────────────────────────────────────────────┘

---

三、连接器层

3.1 工作原理

以 WhatsApp 为例：

1. 用户扫码登录 → 生成唯一识别令牌，存储在电脑上
2. OpenClaw 模拟 WhatsApp 网页版客户端
3. 带上令牌请求新消息 → 伪装成正牌客户端获取消息
4. 将消息传递给 OpenClaw 处理

3.2 两种配置方式

配置方式	说明	风险
绑定私人手机号和邮箱	能看到所有内容、代表用户发消息	隐私风险高
配置专属手机号和邮箱	隔离更安全（推荐做法）	上下文信息较少

3.3 访问管理后台

OpenClaw 管理界面可以查看和管理所有连接渠道。

---

四、网关控制器层

4.1 Session

Session 可以类比操作系统中的**进程**概念：

特性	类比
独立上下文	进程有独立内存空间
强制隔离	进程隔离
独立权限	进程权限控制
可在沙箱中运行	进程沙箱
进程间通信机制	IPC（进程间通信）

• 每个 Session 可以生成多个智能体（类比：一进程多线程）
• 默认有一个核心智能体，可衍生协作智能体
• 主 Session：通过界面访问，权限为管理员级别
• 心跳 Session：特殊系统 Session

4.2 心跳机制（Heartbeat）

触发频率：默认每30分钟（可配置更短）
工作流程：
1. 心跳 Session 被唤醒
2. 将 heartbeat.md 内容 + 历史记录 发送给 LLM
3. 智能体自行决定需要检查什么
4. 发现异常 → 发送跨 Session 消息唤醒其他 Session 处理

场景：

• “我去瞄一眼实验进度”
• “顺便查下邮件”
• 发现异常立即处理

4.3 Cron 任务调度

为什么需要 Cron：如果让程序一直跑着等待执行时间点，效率极低（每秒轮询检查时间）

Cron 解决方案：

• 将任务配置存下来，“特定时间点唤醒休眠程序”
• 支持循环任务：
  • 每天早上9点
  • 每周三早上9点
  • 每月第二个周三早上7:30

OpenClaw 应用：

用户需求："每天早上9点发送最新论文摘要"

OpenClaw 处理流程：
1. 创建一个专门处理此任务的 Session
2. 用 Cron 工具设置定时任务（每天8:55启动）
3. 任务启动后，花5分钟下载论文、处理总结
4. 9:00 发送邮件给用户

4.4 两种时间机制配合

机制	用途	触发方式
Cron	固定时间点执行	定时触发
Heartbeat	突发情况、自行安排检查	被唤醒后主动检查

两者结合 → 产生"像人一样"的自主

4.5 记忆管理

• 基于向量数据库，存储过往对话和文档
• 每天结束时生成每日总结文档
• 让智能体能跟进正在处理的事项上下文

4.6 消息路由

北向接口负责将消息从连接器路由到对应的 Session：

• 每个用户/每个 Discord 频道 可以对应不同 Session
• 方便上下文管理

---

五、智能体运行时层

5.1 核心组件

┌─────────────────────────────────────────┐
│         Agent Runtime                   │
├─────────────────────────────────────────┤
│  Provider（模型服务商）                  │
│  - OpenAI / Anthropic / Google 等      │
│  - 可配置本地开发机                     │
├─────────────────────────────────────────┤
│  Tools（工具）                          │
│  - 内置工具、MCP工具、自动生成的LSP工具│
├─────────────────────────────────────────┤
│  Skills（技能）                         │
│  - Anthropic 定义的开放标准              │
│  - Markdown 格式的任务"菜谱"            │
└─────────────────────────────────────────┘

---

六、工具（Tools）

6.1 内置工具列表

从 OpenClaw GitHub 可见的工具：

类别	工具	说明
文件操作	Read, Edit, Write	文件读写编辑
搜索	Web search	网页搜索
浏览器	Browser（含 Chromium）	浏览器自动化
命令执行	Bash/Shell (exec)	服务器命令行工具
进程通信	Inter-agent messaging	Session 间通信
图片生成	专用图片生成工具	无需调用外部 API
MCP	MCP tools	用户自定义工具
代码智能	LSP tools	IDE 级别的代码理解

6.2 LSP 工具（代码智能）

自动生成的工具，提供 IDE 级别的智能体验：

• 定义跳转：鼠标悬停在函数名上 → 跳转定义
• 引用查找：右键选择"查找引用"
• 代码补全：智能代码建议

底层实现：

• 扫描代码，构建抽象语法树（AST）
• 遍历语法树建立索引和关系
• 模拟编译器课上学到的代码分析逻辑

6.3 命令行工具（exec/bash）

智能体通过这个工具与本地电脑的底层程序交互，是最常用的工具之一。

---

七、技能（Skills）

7.1 Skills vs Tools 的区别

维度	Tools	Skills
本质	具体可执行的工具	文本描述的"菜谱"
定义	代码实现	Markdown 文件
用途	执行具体操作	告诉智能体"什么场景该做什么、怎么做"
维护	需要技术人员	非技术人员也能写

7.2 Skills 协议来源

• Anthropic 开发的开放标准
• 现已开源，被多家公司采用
• 本质：给 LLM 的纯文本说明书

7.3 Skill 文件结构

# 头部（Header）
name: dice-roll
description: 掷骰子技能演示

# ← 仅这部分会被放进调用 LLM 的上下文

---

# 正文（Body）
## 具体操作流程

如果用户需要掷骰子：
1. 使用 bash 工具执行命令
2. 命令生成随机数作为骰子结果

7.4 三层架构

层级	文件	内容	何时读取
第一层	skill.md	头部（name、description）	调用 LLM 时立即读取
第二层	skill.md 正文	操作流程	智能体决定"可能需要这个技能"时读取
第三层	关联文件	示例、脚本、资源	第二层读完，确定使用该技能时读取

7.5 上下文限制

• 默认最多放 150 个技能 或 3 万字符
• 超出时智能过滤、精简到少量
• 这是智能体运行时的核心职责之一

7.6 示例

1Password Skill：

包含内容：
- 如何配置 1Password
- 如何使用
- 各种工作流配置
- 2FA 使用规范
- 安全操作规范

工作方式：
当智能体决定需要通过 1Password 操作时
→ 自动加载此技能
→ 按照步骤执行

7.7 skill生态

• Anthropic Skills 仓库：约 46,000 GitHub stars
• 类型涵盖：浏览器、办公效率、任务处理、Web 代理、网络搜索等

7.8 为什么 Skills 火了

1. 管用：文本指令比代码更容易被 LLM 理解和遵循
2. 门槛低：非技术人员也能写，不需要懂代码

---

八、配置文件

OpenClaw 的配置文件都是原始 Markdown 文件，供智能体直接调用。

8.1 四个核心文件

文件	用途	内容示例
user.md	用户信息	姓名、时区、邮箱、论文署名、研究方向、爱好等
soul.md	智能体身份定义	“你不是聊天机器人，你在成为一个独立的存在”
agents.md	运作规则	提醒记录、存储记忆、安全准则、提问注意事项
tools.md	工具使用技巧	如何用好工具的窍门（非具体工具列表）

8.2 bootstrap.md（启动引导文件）

你刚醒过来，是时候弄清楚你是谁了。
不要搞审问那一套，随便从"我是谁"、"你是谁"开始。
你需要搞懂的就是这些。
然后你得去把身份、用户和灵魂这些文件配置好，把它记下来。
祝你好运，要做出点成绩。

8.3 Soul.md

# 这文件由你来演化
随着你搞清楚自己是谁...

# 核心原则
- 这灵魂文件对性格稳定非常重要
- 否则行为完全取决于正在处理的内容
  - 处理数学 → 像数学文本的风格
  - 处理人文 → 有人文的价值观

8.4 agents.md

• 提醒智能体把东西记下来，存进记忆
• 安全准则
• 提问时注意事项
• 隐私和安全相关规则直接写在文件里

---

九、上下文构造

9.1 发送给 LLM 的实际文本结构

┌─────────────────────────────────────────────┐
│ System Prompt                               │
├─────────────────────────────────────────────┤
│ 你是个私人助手                              │
│ 你有的工具：Read, Edit, Write, Bash, Search │
│ 建议启动子智能体                            │
├─────────────────────────────────────────────┤
│ Tools 声明                                  │
├─────────────────────────────────────────────┤
│ 安全规则（OpenClaw 内置安全措施的全部）      │
├─────────────────────────────────────────────┤
│ Skills 头部（智能过滤后，最多150个/3万字符） │
├─────────────────────────────────────────────┤
│ 记忆工具调用建议                            │
│ "如果在做可能用到记忆的事，去试试..."      │
│ （可选，非强制）                            │
├─────────────────────────────────────────────┤
│ 工作空间/工作目录信息                       │
├─────────────────────────────────────────────┤
│ 心跳机制信息                                │
├─────────────────────────────────────────────┤
│ 额外配置信息                                │
└─────────────────────────────────────────────┘

---

十、扩展性设计

OpenClaw 成功的核心原因之一：全面支持插件扩展

扩展点	说明
Connectors	社区贡献了大量连接器
Memory	内存管理插件
Provider	支持任何模型服务商
Tools	工具扩展
Skills	技能扩展

自我发现机制：

• 智能体可以自己去寻找、安装需要的技能
• 默认会询问用户是否同意
• 可以配置为"自由探索，找到有用的就装"

这种自我发现能力是典型的**代理性自主行为**。

---

十一、部署

11.1 算力需求分析

OpenClaw 对算力要求非常低：

• 大部分计算交给大模型厂商处理
• 主要工作：把信息打包成上下文
• 不需要大存储、不需要超快处理器

11.2 对比

方案	优点	缺点
托管虚拟机（AWS/GCP）	简单省心	需要自己维护
Exo Dev	简单、每月$20、50台持久VM	单台存储上限20GB
本地机器	完全控制	配置复杂、成本高

11.3 推荐：Exo Dev

• 联合创始人来自 TeleK（配置如 Tailscale 一样简单）
• 安全访问，像本地一样操作
• 每台 VM 存储上限 20GB
• 适合大多数场景

11.4 本地机器配置

Mac Mini M4 Ultra
- 2TB SSD
- 64GB 内存
- 多核处理器

注：配置较复杂且成本高，需小心管理网络安全

11.5 混合方案

• 日常：用 Exo Dev VM
• 高算力任务：让 OpenClaw 抢占云端 GPU 机器
• 给智能体配上 OpenAI API Key，让它预分配带 GPU 的虚拟机

---

十二、使用界面与 Discord 集成

12.1 为什么用 Discord

相比单次对话，Discord 解决了"上下文混乱"问题：

单次对话	Discord 解决方案
多话题挤在一条聊天串	每个频道独立对话历史
消息漏掉、被忽略	按话题归类，清晰可见
心理负担重	上下文分离

12.2 Discord 示例

# 主频道
- 和智能体聊不同话题

# 并行项目频道
- 数学动画视频 → 直接传 YouTube
- 实验室网站开发
- 研究想法实验

# Luigi（另一智能体）
- 配置了云 GPU 权限
- 测试部署 JAMA（小模型）
- 最大化推理速度、token 生成率

优势：所有任务可以并行推进，OpenClaw 能分开管理上下文。

---

十三、集成工具

13.1 环境工具（Environment Tools）

• 直接使用服务器命令行工具
• 如：Exo Dev CLI 启动新虚拟机
• Claude Code 通过 API key 登录

13.2 Google Workspace 集成

Google 发布的官方集成：

• 只需登录认证一次
• 支持工具：
  • 读写 Google Docs
  • 幻灯片、表格
  • 联系人
  • 邮件、聊天
  • 各种 Google 服务

效果：网络能力超强，可生成实验报告、图表、文档并分享

13.3 MCP Server

支持通过 MCP 协议添加工具

13.4 1Password 技能

包含操作步骤和安全规范

---

十四、智能体间通信

14.1 专属邮箱方案

• 给智能体配专属邮箱
• 可以和其他智能体或真人通信

14.2 场景

1. 朋友发邮件，附带自己智能体的技能
2. 我的智能体收到 → 分析技能
3. 智能体问我："你觉得这些技能怎么样？"
4. 我说喜欢
5. 智能体自动安装

（安全限制松 → 可以自己安装，这是攻击入口也是强大能力）

14.3 未来

**专家智能体之间直接交流合作**解决复杂问题

---

十五、安全性

15.1 质疑与思考

• “这东西谁会用？怎么用？”
• “现实世界太复杂，无法形式化安全管理”

15.2 类比

你能骗过任何员工，钓鱼邮件就是例子
解决方式：培训 + 常识推理

15.3 OpenClaw 的安全策略

• 内置安全规则写在 agents.md 中
• 足够聪明的模型能识别被套路
• 场景太离谱时会察觉异常

15.4 关键

不再需要建立形式化的安全模型
→ 依靠"足够聪明的模型自己做出合理选择"
→ 这种发展趋势正在占上风

---

十六、实例

1：自动建网站

任务：让智能体做一个解释注意力机制的网站

结果：

• 生成交互式网站，公开可访问
• 部署在云服务器，全程零人工干预
• 自主完成流程：
  1. 通过命令行创建 VM
  2. 本地写好网站
  3. 部署到公网
  4. 绑定端口
  5. 通知用户上线

注：真正的端到端自主，不是生成漂亮代码。

2：ML 研究复现

任务：复现论文实验，测试能否做出更好的 ML 方案

流程：

• 写 ML 流程
• 远程跑训练
• 盯着过程修 bug
• 出图表和报告

3：全自动 YouTube 频道

配置：

• 给智能体 Google 账号权限
• 专门创建的 YouTube 频道账号

智能体自主完成：

• 频道封面设计
• 主页头像
• 频道名称和简介
• 生成视频脚本
• 用 3Blue1Brown 的 manim 库做动画
• 调用 OpenAI TTS API 生成语音
• 用 FFmpeg 拼接素材
• 上传 YouTube

结果：生成了31 个视频

示例（关于 CAN 网络的论文）：

• 解释如何去中心化又高效地搜索文件
• 使用生动的比喻和可视化
• 语音和画面完全由智能体生成

---

十七、思考

17.1 代码质量 vs 设计质量

“看这代码之后，我觉得代码质量已经不重要了。单看代码本身，写得很烂。”
“但在 Google 写这代码早就滚蛋了，根本别想合进主干。”

结论：

• 实现抽象不再重要
• 设计抽象依然很重要
• 设计 > 实现

17.2 要素

让 OpenClaw 变得神奇的核心：

设计要素	作用
时间维度	能安排任务、定时唤醒、自我配置
循环性	怪圈（Gödel, Escher, Bach）
自我配置	智能体通过调 LLM 配置自己

17.3 怪圈

Douglas Hofstadter《哥德尔、埃舍尔、巴赫》提到的：

• 循环性让系统无法分清起点
• 智能体通过调 LLM 变成配置自己的接口
• 这种循环非常特别

17.4 飞轮效应

自我发现 → 自我配置 → 更强能力 → 更多自我发现
→ 飞轮效应即将爆发

17.5 未解决的问题

问题	思考
下一层封装是什么？	可能需要**可塑架构的系统**
架构本身能否进化？	OpenClaw 固定架构，但能编辑自己的配置
自定义智能体的边界在哪？	改底层框架才算自己的？用 Claude Code 交互算吗？
模糊场景如何解决？	足够聪明的模型能像人一样思考，理解上下文

“如果智能体够聪明，能像人一样思考，同样的问题他能回答得更清楚。前提是他得懂上下文，这样表现才好。”

---

十八、总结

18.1 OpenClaw 设计原则

原则	实现方式
自主性	标准智能体循环，持续推进
时间掌控	Heartbeat（活跃感）+ Cron（规划未来）
灵活性	所有关键组件提供插件接口
个性化	Skills 和 Tools 增强功能

18.2 三层架构

连接器层（用户接口）
    ↓
网关控制器（Session管理、内存管理、Cron、配置）
    ↓
智能体运行时（Provider、Tools、Skills）

18.3 扩展点

• Connectors（连接器）
• Memory（内存管理）
• Provider（模型服务商）
• Tools（工具）
• Skills（技能）

18.4 展望

未来半年将会看到更多有趣的自主系统，这些设计原则将被嵌入到现实世界的各种系统中

参考文献:

• Anthropic Skills 构建指南
• OpenClaw GitHub