一文揭秘: OpenClaw的底层技术与核心功能Moltbot/Clawdbot/

AI Agent 的三次名称迭代

2026 年初，一个代号为“clawd”的 AI 智能体项目在 GitHub 上增长非常迅猛：在不到一个月的时间里，它狂揽了 20 多万颗星。 它曾叫过 Clawdbot，也短暂用过 Moltbot，但现在它最广为人知的名字是 OpenClaw，并衍生出庞大的生态群。

初代 Clawdbot 以 llm模型为内核搭建本地执行智能体原型；后来，增加Gateway 控制平面、动态能力注入与环境扎根机制，让 AI 从被动响应转向主动规划；最终定名的 OpenClaw ，并以高度模块化的 Lobster 执行循环、多端兼容的网关体系和可插拔技能skill生态，打造出本地优先的个人 AI 操作系统。

以往一个简单的聊天机器人套件不同openclaw是一个本地部署的、能够接管你机器资料，调用电脑功能，必确能够反复，定时执行的智能体。

openclaw的五层架构

第一层：通道适配器（Channel Adapters）

OpenClaw 支持包括 Telegram、Discord、WhatsApp、Slack、飞书、iMessage 等在内的 12 个社交平台。

通道适配器层主要负责两件事：

1. 消息中转：不同平台格式迥异（比如 Telegram 的贴纸、Discord 的嵌入链接、WhatsApp 的表情回应），将它们统一转化为“标准信封”，输入到openclaw。
2. 附件提取：将媒体、文档、语音消息转化为下游组件可处理的一致格式。

这种抽象层确保了你在 WhatsApp 上发起的任务，可以在切换到 Slack 后无缝衔接，上下文丝毫不丢。

第二层：网关服务器（Gateway Server）

Gateway 是 Clawdbot 的核心控制平面，提供：

• 会话管理：管理与各渠道的会话状态
• 工具集成：浏览器控制、Canvas、定时任务等
• 事件处理：Webhook、Gmail Pub/Sub 等
• Control UI：基于 Web 的控制面板
• WebSocket API：实时通信接口

网关通常作为一个守护进程运行，网关端口默认是 18789，同时支持 WebSocket (WS) 和 HTTP 协议，可统一连接各种客户端，包括命令行界面（CLI）、配套应用程序、WebChat UI 以及 iOS/Android 节点。

openClaw支持多 Agent 架构。一个 Gateway 可以托管多个独立的 Agent。

每一个消息来源，绑定一个特定的 Agent。

消息来源 = channel（渠道）+ accountId（账号）+ peer（对话方）

第三层：智能体运行器（Agent Runner）

这是最能体现“精细化管理”的一层。在调用 LLM 之前，运行器会进行外科手术式的准备：

1. 模型解析器：动态选择最适合当前任务的模型（如 glm，qwen，Claude 或 GPT）。
2. 系统提示词构建器：根据当前启用的“技能”（如浏览器自动化、文件访问，计算机指令等）动态组装提示词。这种按需加载的设计，避免了为不用的功能浪费宝贵的 Token 空间。
3. 会话历史加载器：从本地存储中调取持续性的对话上下文。
4. 上下文窗口：当对话历史逼近 Token 限制时，它会自动压缩历史记录，确保对话不中断。

在这里，token 的用量优化成为重要的考量，采用了 Skills 的架构，动态加载和技能相关的描述和细节。这些设计精准地划出了概念验证与成熟产品之间的界线。

加载好系统提示词之后，Agent Runner 会调用 LLM 大模型服务，返回的结果交由下一层来处理。

OpenClaw 理论上支持任意模型，效果较好的模型包括国外的 Claude，ChatGPT，Gemini，以及国内的 Kimi K2.5, GLM-4.7, MiniMax M2.1，甚至本地模型 Ollama 和聚合服务 OpenRouter 都可以支持。

第四层：智能体处理循环（Agentic Loop）

这是 OpenClaw 与传统聊天机器人的最大区别。每当 LLM 生成响应，系统都会问一个关键问题：“我要干什么”，“这包含工具调用吗？”

• 如果是：执行工具（如查找文件、运行代码），将输出反馈给 LLM，循环继续。
• 如果否：输出最终文本。

这种闭环让 AI 能够自主执行任务。比如让它 “帮我整理桌面PDF”，它会自主运行EXEC命令进行搜索，创建文件夹进行整理。全程零人工干预。

上面的是典型的智能体处理逻辑，可以调用内置的 109 种技能，如系统自动化、第三方生态集成、通讯与社交，以及智能家居生活。此外，OpenClaw 还可以通过 MCP/Skills 方式外接其他技能，已知的技能超过200多种（理论上是无限多种）。

用户可以简单地把技能注册到OpenClaw的工具注册表里面，就可以用OpenClaw来编排和执行了。甚至还可以通过一个称为“skill-creator”的工具，在运行过程中自发生成新技能。

OpenClaw 最强大、最灵活也是最精妙之处就在这里了。当然，这种灵活性也成为了 OpenClaw 被诟病的安全隐患来源。相信很快就会解决。

第五层：响应路径（Response Path）

上一层产生的文本，由本层负责发回给用户。为了降低感官延迟，OpenClaw 采用了流式处理。用户能看到文字像喷泉一样涌现，而不是死等三分钟。同时，响应会再次经过通道适配器，根据目标平台的特性进行格式化（如针对 Discord 渲染 Markdown，针对 Telegram 的字符长度限制进行分段等）。

安装部署指南

系统要求：

⚠️Windows 用户注意：强烈推荐使用 WSL2（Ubuntu），原生 Windows 未经充分测试，可能存在兼容性问题。

方法一：一键安装脚本（适合懒人或新手）

Linux / macOS：

curl -fsSL https://openclaw.ai/install.sh | bash

Windows (PowerShell)：

iwr -useb https://openclaw.ai/install.ps1 | iex

方法二：通过 npm/pnpm 全局安装

# 使用 npm
npm install -g clawdbot@latest
​
# 或使用 pnpm（推荐）
pnpm add -g clawdbot@latest

运行引导向导

安装完成后，运行引导向导进行初始配置：

clawdbot onboard --install-daemon

引导向导将帮助你配置：

1. 本地 vs 远程网关：选择网关运行位置
2. 认证方式：OAuth（推荐）或 API 密钥
3. 模型提供商：Anthropic、OpenAI 等
4. 通讯渠道：WhatsApp、Telegram、Discord 等
5. 后台服务：安装为系统服务（launchd/systemd）
6. 网关令牌：自动生成安全令牌

验证安装

# 检查状态
clawdbot status
​
# 健康检查
clawdbot health
​
# 安全审计
clawdbot security audit --deep

安全配置

DM 配对机制

为了安全起见，Clawdbot 默认对未知发送者启用配对机制：

1. 未知用户发送消息时，会收到一个短配对码
2. 机器人不会处理该消息
3. 管理员需要批准配对：

# 查看待批准的配对
clawdbot pairing list <channel>
​
# 批准配对
clawdbot pairing approve <channel> <code>

要开放接收所有 DM（不推荐），设置：

{
  "channels": {
    "<channel>": {
      "dm": {
        "policy": "open",
        "allowFrom": ["*"]
      }
    }
  }
}

Clawdbot 连接到真实的通讯平台，因此必须将入站 DM 视为不可信输入。

DM 策略

沙箱模式与配置

Clawdbot 支持在 Docker 沙箱中运行非主会话：

{
  "agents": {
    "defaults": {
      "sandbox": {
        // off: 不使用沙箱
        // non-main: 非主会话使用沙箱
        // always: 始终使用沙箱
        "mode": "non-main"
      }
    }
  }
}
 

沙箱默认设置：

记忆系统

没有一个合适的内存系统，一个 AI 助理的记忆力就和金鱼一样。OpenClaw 的记忆系统并没有采用复杂的神经网络存储，而是选择了“解释性的简单”：

1. JSONL 日志：记录每一场会话的原始转录。
2. Markdown 存储：它在本地维护一个 MEMORY.md 或内存文件夹。
3. 混合搜索：它结合了SQLite的向量搜索和 关键词匹配（SQLite的FTS5模块）。这意味着当你搜索“登录异常”时，它既能找到包含“login errors”的语义相关文档，也能找到精确匹配的短语。

最妙的一点是：AI 会像人类写日记一样，在每次新对话开始前，自动为之前的对话撰写 Markdown 摘要。这种“自发性记忆”让系统更具可读性。

总结

和之前“智能体必须由大厂垂直集成”的观念不同，OpenClaw 提供了一种新的可能：本地化、用户可控并运行在个人硬件上的智能体。它不仅仅是一个个人项目，它代表了 AI 时代的“权力归位”：你可以自由选择 LLM 服务商，自由定义技能模块，并让 AI 真正为你的本地数字环境服务——无需复杂架构和大厂垄断，坚持本地化、主动执行和高度个性化，有可能打造强大又易用的工具。

项目的起源与作者

Steinberger 在 “退休后寻找人生意义” 的个人实验，从 1 小时原型到 GitHub 现象级项目，全程由他单人主导并以 “氛围编程” 驱动快速迭代，核心是解决 AI Agent “只思考不行动” 的行业痛点。

Peter Steinberger（@steipete）

1. 技术履历：14 岁开始编程，毕业于维也纳科技大学，深耕 iOS/macOS 生态 20 余年。2011 年创办 PSPDFKit（PDF SDK），2021 年被 Software AG 收购（交易规模超 1 亿欧元），34 岁实现财务自由后退隐 3 年。
2. 创作特质：以 “氛围编程（Vibe Coding）” 著称，单人单日可完成数百次代码提交，凭移动开发与系统级编程经验，快速打造本地优先的 AI 执行框架，强调 “让 AI 真正做事” 的实用主义导向。
3. 社区影响：项目爆火后获 Andrej Karpathy 等行业大咖认可，GitHub 星标快速破 10 万 +，成为开源 AI Agent 领域的标杆人物

Peter 以个人实践验证ai时代 “超级个体可驱动现象级开源项目”，而 OpenClaw 的爆发，本质是 “本地执行 + 自然交互” 的技术路线契合了用户对 AI “真正做事” 的核心需求。