OpenClaw & LangGraph 全栈学习方案

OpenClaw 是"能干活的 Agent"，LangGraph 是"编排 Agent 的框架"。两者不是替代关系，而是互补——OpenClaw 可通过 MCP Server 触发 LangGraph 工作流，作为面向用户的层，专业框架处理底层编排。

知1而N

19人浏览 · 2026-05-14 17:10:07

知1而N · 2026-05-14 17:10:07 发布

从零到精通，两条路线并行，最终融合。每天 2 小时，8 周通关。

文章目录

🗺️ 先搞清定位：两者是什么关系？

维度	OpenClaw	LangGraph
本质	开箱即用的 AI Agent 运行时	底层图编排框架
设计逻辑	配置驱动、模板优先、执行就绪	代码驱动、逻辑定义优先
状态管理	Workspace / Config 驱动	精细的 Checkpoint 与线程控制
上手路径	装好就能跑，IM 里直接用	从图原语开始搭建
目标用户	业务落地实施者	深度定制的系统架构师
核心优势	7×24 在线、心跳机制、Skill 生态、IM 集成	状态可视化、可中断/恢复、Human-in-the-Loop、LangChain 生态

一句话：OpenClaw 是"能干活的 Agent"，LangGraph 是"编排 Agent 的框架"。两者不是替代关系，而是互补——OpenClaw 可通过 MCP Server 触发 LangGraph 工作流，作为面向用户的层，专业框架处理底层编排。

📅 8 周学习路线总览

第1-2周  ██░░░░░░  OpenClaw 入门 + LangGraph 入门（并行）
第3-4周  ████░░░░  OpenClaw 进阶 + LangGraph 进阶
第5-6周  ██████░░  各自实战项目
第7-8周  ████████  融合架构 + 企业级部署

第 1-2 周：双线入门

🦞 OpenClaw 入门（第 1-2 周）

Day 1-2：安装与首次运行

# 一键安装
curl -fsSL https://openclaw.ai/install.sh | bash

# 或 npm 方式
npm install -g openclaw@latest

# 运行引导向导
openclaw onboard

# 验证
openclaw status

必须搞懂的四大构建块：

模块	类比	作用
Gateway	前门	连接 Telegram/Discord/Slack 等消息渠道
Skills	工具箱	Agent 能做什么，类似手机 App
Memory	大脑	跨对话记忆，存储在 `~/.openclaw/memory/`
Sandbox	安全网	控制 Agent 的权限边界

Day 3-4：连接第一个消息渠道

推荐从 Telegram 开始（5 分钟搞定）：

找 @BotFather 创建 Bot，获取 Token
openclaw config set channels.telegram.token <YOUR_TOKEN>
发消息测试

练习任务：

让 Agent 回复"你能做什么？"
让 Agent 总结最新科技新闻
让 Agent 记住你的名字和偏好

Day 5-7：安装和使用社区 Skills

# 浏览可用技能
openclaw skills search

# 安装常用技能
openclaw skills install @openclaw/web-search
openclaw skills install @openclaw/file-manager
openclaw skills install @openclaw/calendar

# 查看已安装
openclaw skills list

练习任务：

用 Web Search Skill 搜索并总结一篇论文
用 Calendar Skill 管理日程
安装 3 个以上社区 Skill 并测试

🔗 LangGraph 入门（第 1-2 周）

Day 1-2：环境搭建 + 快速体验

pip install -U langgraph langchain-openai

第一个 Agent（5 行代码跑起来）：

from langgraph.prebuilt import create_react_agent
from langchain_openai import ChatOpenAI

llm = ChatOpenAI(model="gpt-4o")
agent = create_react_agent(llm, tools=[])
result = agent.invoke({"messages": [("user", "你好！")]})
print(result["messages"][-1].content)

Day 3-5：理解四大核心组件

┌─────────────────────────────────────┐
│           StateGraph                │
│  ┌───────┐    ┌───────┐    ┌─────┐ │
│  │ Node1 │───▶│ Node2 │───▶│ END │ │
│  └───────┘    └───┬───┘    └─────┘ │
│                   │                 │
│              ┌────▼────┐           │
│              │  Node3  │           │
│              └─────────┘           │
│  State: {messages, step, ...}      │
└─────────────────────────────────────┘

组件	作用	关键点
State	存储工作流数据	TypedDict / Pydantic 定义
Node	执行具体逻辑	LLM / Tool / Human / Router
Edge	定义流程走向	普通边 / 条件边
StateGraph	编排所有组件	`.compile()` 生成可执行对象

Day 6-7：手写第一个多步工作流

from typing import TypedDict, Annotated, List
from langchain_core.messages import BaseMessage
from langgraph.graph import StateGraph, END

class MyState(TypedDict):
    messages: Annotated[List[BaseMessage], "对话历史"]
    current_step: str

def chatbot_node(state: MyState):
    response = llm.invoke(state["messages"])
    return {"messages": [response]}

workflow = StateGraph(MyState)
workflow.add_node("chatbot", chatbot_node)
workflow.set_entry_point("chatbot")
workflow.add_edge("chatbot", END)
app = workflow.compile()

# 执行
result = app.invoke({"messages": [("user", "你好")], "current_step": "start"})

练习任务：

修改 State，加入 user_id 和 session_id
添加第二个节点做后处理
用条件边实现分支逻辑

第 3-4 周：双线进阶

🦞 OpenClaw 进阶

Week 3：自定义 Skill 开发

Skill 文件格式：

---
name: git-summary
version: 1.0.0
description: 总结 Git 仓库近期活动
trigger: "git summary|repo summary|what happened in git"
tools: [shell]
---

# Git Summary

## When to Use
当用户询问仓库提交历史时触发。

## Steps
1. 运行 \`git log --oneline -20\` 获取最近 20 条提交
2. 分析提交模式和频率
3. 生成可读的总结报告

## Examples
- "git summary" → 总结最近的提交活动
- "repo summary this week" → 本周提交概览

关键知识点：

触发类型	语法	示例
关键词	`"word1	word2"`
正则	`"/pattern/"`	`"/deploy .+ to (staging
始终	`"*"`	每条消息都触发（慎用）

Skill 工具声明：

tools:
  - shell        # 终端命令
  - filesystem   # 文件读写
  - browser      # 浏览器自动化
  - http         # API 请求
  - memory       # 记忆读写
  - chat         # 发消息到渠道

高级模式：

# 带配置的 Skill
---
name: daily-digest
config:
  email: ""
  time: "09:00"
  timezone: "UTC"
---

# 依赖其他 Skill 的 Skill
---
name: morning-routine
depends: [weather-briefing, calendar-summary, news-digest]
---

练习任务：

写一个自动日报生成 Skill
写一个带配置的定时摘要 Skill
写一个链式 Skill（依赖其他 Skill）
发布到 ClawHub：openclaw clawhub publish ./my-skill.md

Week 4：多 Agent + 浏览器自动化 + 安全

多 Agent 管理：

# 创建独立 Agent
openclaw create-agent work --model claude-sonnet
openclaw create-agent personal --model claude-haiku
openclaw create-agent lab --model ollama:llama3

# 切换 Agent
openclaw switch-agent work

Agent	模型	连接	用途
Work	Claude Sonnet	Slack, Gmail, Linear	专业工作
Personal	Claude Haiku	Telegram, Calendar	个人事务
Lab	Ollama 本地	仅命令行	实验测试

浏览器自动化：

openclaw plugins install @openclaw/browser-control
openclaw config set browser.enabled true
openclaw config set browser.headless false  # 调试用

安全与费用控制：

# Docker 沙箱
openclaw config set sandbox.mode "docker"

# 预算管控
openclaw config set ai.dailyLimit 1000
openclaw config set ai.monthlyBudget 50

# 监控
openclaw stats usage
openclaw stats cost

费用参考：

使用级别	预估月费
轻度（10-20 次/天）	$5–10
中度（50-100 次 + 定时任务）	$20–30
重度（自动化 + 浏览器）	$50–100

🔗 LangGraph 进阶

Week 3：状态管理 + 高级控制流

状态持久化三阶梯：

MemorySaver（内存，测试用）
    ↓
SqliteSaver（本地数据库）
    ↓
PostgresSaver（生产环境）

条件边实现分支：

def router_node(state):
    last_msg = state["messages"][-1].content.lower()
    if "搜索" in last_msg:
        return "searcher"
    elif "写" in last_msg:
        return "writer"
    return "responder"

workflow.add_conditional_edges(
    "router",
    router_node,
    {"searcher": "searcher", "writer": "writer", "responder": "responder"}
)

Send 动态扇出（并行执行）：

from langgraph.types import Send

def fan_out_node(state):
    topics = state["topics"]  # ["AI", "区块链", "量子计算"]
    return [Send("researcher", {"topic": t}) for t in topics]

子图嵌套：

# 把复杂工作流拆成子图
research_subgraph = StateGraph(ResearchState)
# ... 构建子图

main_workflow.add_node("research", research_subgraph.compile())

Week 4：Human-in-the-Loop + 记忆系统

人工审批节点：

from langgraph.checkpoint.memory import MemorySaver

checkpointer = MemorySaver()
app = workflow.compile(
    checkpointer=checkpointer,
    interrupt_before=["review"]  # 在 review 节点前暂停
)

# 第一阶段：执行到 review 前停止
for event in app.stream(initial_state, config={"configurable": {"thread_id": "1"}}):
    print(event)

# 人工审批后恢复
state = app.get_state(config={"configurable": {"thread_id": "1"}})
app.update_state(
    config={"configurable": {"thread_id": "1"}},
    values={"approved": True}
)
# 继续执行
for event in app.stream(None, config={"configurable": {"thread_id": "1"}}):
    print(event)

记忆分类：

类型	用途	生命周期
短期记忆	当前对话上下文	会话结束即清除
长期记忆（Store）	跨会话持久化	永久保存
Time Travel	回溯工作流历史状态	审计/调试
State Forking	基于某状态衍生并行分支	A/B 测试

第 5-6 周：实战项目

🦞 OpenClaw 实战项目

项目 1：个人效率助手（Week 5）

功能清单：
├── 每日晨报 Skill（天气 + 日历 + 新闻 + 待办）
├── 邮件摘要 Skill（Gmail 集成）
├── 会议纪要 Skill（自动记录 + 归档到 Obsidian）
├── 代码审查 Skill（Git diff 总结）
└── 费用监控（openclaw stats cost 定时推送）

项目 2：团队自动化 Agent（Week 6）

架构：
┌─────────────┐
│  Slack 渠道  │ ← 团队成员交互
└──────┬──────┘
       ▼
┌─────────────┐
│  Work Agent │ ← Claude Sonnet
├─────────────┤
│ Skills:     │
│ · Jira 同步 │
│ · PR 审查   │
│ · 部署通知  │
│ · 值班排期  │
└─────────────┘

🔗 LangGraph 实战项目

项目 1：多 Agent 研究助手（Week 5）

# 架构设计
research_workflow = StateGraph(ResearchState)

# 节点
research_workflow.add_node("router", main_router)
research_workflow.add_node("researcher", researcher_node)    # 搜索+分析
research_workflow.add_node("writer", writer_node)            # 写报告
research_workflow.add_node("reviewer", reviewer_node)        # 审核质量
research_workflow.add_node("responder", respond_node)        # 直接回答

# 流程
research_workflow.set_entry_point("router")
research_workflow.add_conditional_edges("router", main_router, {
    "researcher": "researcher",
    "writer": "writer",
    "respond": "responder"
})
research_workflow.add_edge("researcher", "reviewer")
research_workflow.add_edge("reviewer", "writer")   # 审核通过→写报告
research_workflow.add_edge("writer", "router")      # 写完→路由下一轮
research_workflow.add_edge("responder", END)

项目 2：企业审批流 Agent（Week 6）

# Human-in-the-Loop + 状态持久化
approval_workflow = StateGraph(ApprovalState)
approval_workflow.add_node("submit", submit_request)
approval_workflow.add_node("auto_check", auto_review)      # 自动初审
approval_workflow.add_node("human_review", human_decision)  # 人工审批
approval_workflow.add_node("execute", execute_action)       # 执行操作
approval_workflow.add_node("reject", reject_request)        # 驳回

approval_workflow.add_conditional_edges("auto_check", lambda s:
    "human_review" if s["needs_human"] else "execute"
)
# 在人工审批前中断
app = approval_workflow.compile(
    checkpointer=PostgresSaver(conn_string),
    interrupt_before=["human_review"]
)

第 7-8 周：融合架构 + 企业级部署

🔗 融合架构：OpenClaw + LangGraph

这是最有价值的部分——两者不是二选一，而是分层协作：

┌──────────────────────────────────────────┐
│            用户交互层                      │
│   Telegram / Slack / Discord / Web       │
├──────────────────────────────────────────┤
│          OpenClaw Agent 层                │
│   · 消息路由 · Skill 匹配 · 记忆管理      │
│   · 心跳监控 · 渠道适配                    │
├──────────┬───────────────────────────────┤
│          │  MCP Server 桥接              │
├──────────▼───────────────────────────────┤
│        LangGraph 编排层                   │
│   · 复杂工作流 · 状态机                    │
│   · Human-in-the-Loop · 子图嵌套          │
├──────────────────────────────────────────┤
│          工具 / 数据层                     │
│   · 搜索 · 数据库 · API · 浏览器          │
└──────────────────────────────────────────┘

简单任务 → OpenClaw 直接处理
复杂多步任务 → OpenClaw 通过 MCP 触发 LangGraph 工作流

🏢 企业级部署

LangGraph 部署

# 编写配置文件 langgraph.json
# Docker 部署
langgraph build
langgraph up

# 或部署到 LangSmith Deployment

OpenClaw 部署

# Docker 生产部署
docker run -d --name openclaw \
  -v ~/.openclaw:/root/.openclaw \
  -e OPENCLAW_SANDBOX=docker \
  openclaw/openclaw:latest

# 健康检查
openclaw doctor
openclaw logs

企业级可靠性清单

环节	OpenClaw 方案	LangGraph 方案
状态持久化	本地文件系统	PostgresSaver
错误处理	Heartbeat 自愈	节点级 retry + tenacity
监控	`openclaw stats`	LangSmith 集成
安全	Docker 沙箱 + 路径 deny	输入过滤 + 工具权限控制
费用	dailyLimit + monthlyBudget	State 中跟踪 Token 消耗
审计	Memory provenance	Time Travel + Checkpoint

📚 学习资源速查

OpenClaw

资源	链接
官方文档	https://clawdocs.org
中文技术文档	https://gitee.com/zmhbb/openclaw-doc
Skill 开发指南	https://clawdocs.org/guides/skill-development/
社区 Skills	https://clawhub.ai
中文教程（GitHub）	https://github.com/ben4claw/openclaw-tutorial
阿里云部署指南	https://developer.aliyun.com/article/1720468

LangGraph

资源	链接
官方文档	https://langchain-ai.github.io/langgraph/
六步入门指南	腾讯云开发者社区搜"LangGraph 从零到一"
企业级实践	腾讯云开发者社区搜"LangGraph 构建企业级"
Udemy 课程	“LangGraph Mastery: Build Stateful & Agentic AI Workflows”
DeepSeek+LangGraph 实战	withubtraining.com

⚠️ 避坑指南

坑	症状	解法
OpenClaw 端口冲突	EADDRINUSE	`openclaw gateway start --port 18790`
Skill 未加载	安装后不生效	`openclaw skills reload`
LangGraph 状态混乱	依赖全局变量	始终用显式 State 定义
工具调用无重试	网络波动导致崩溃	用 `tenacity` 加 `@retry` 装饰器
Token 消耗失控	长对话成本飙升	State 中跟踪 + 自动摘要压缩
Prompt 注入	Agent 执行危险操作	输入过滤 + 工具权限控制 + 沙箱

🎯 学习节奏建议

节奏	适合人群	预计耗时
高强度	全职学习 / 转型 AI 工程	4 周（每天 4h+）
标准节奏	在职学习	8 周（每天 2h）
慢节奏	兴趣驱动 / 兼顾主业	12 周（每天 1h）