Skip to main content

5.1 OpenClaw 开源框架

OpenClaw 是一款开源、高可扩展的 AI Agent 框架，基于 TypeScript 开发，核心用途是构建可自定义的私人 AI 助手。创新之一是拓展了 Agent 的交互入口（飞书等）。

OpenClaw 的设计理念​

一切都是插件​

OpenClaw 核心 = 最小化的插件运行时

所有功能都通过插件实现：
  - 🤖 LLM 对接（OpenAI、Anthropic...）
  - 💬 交互入口（CLI、飞书、Slack、Web...）
  - 🛠️ 工具集成（文件系统、Git、API...）
  - 🧠 记忆系统（向量数据库、本地存储...）

多入口设计​

同一个 Agent 后端，可以通过多种方式交互：

💻 CLI 命令行 → 开发者最常用
📱 飞书机器人 → 团队协作场景
🌐 Web 界面 → 非技术用户
🔌 API 接口 → 与其他系统集成

核心架构​

分层架构​

┌─────────────────────────────────────────┐
│         Interfaces（交互层）              │
│  CLI / 飞书 / Slack / Web / API         │
├─────────────────────────────────────────┤
│         Core（核心层）                   │
│  Agent Loop / Memory / Tool Manager     │
├─────────────────────────────────────────┤
│         Plugins（插件层）                │
│  LLM Plugins / Tool Plugins / ...       │
└─────────────────────────────────────────┘

插件系统设计​

// 最简单的插件定义
interface Plugin {
  name: string;
  version: string;
  description: string;
  
  // 提供工具
  tools?: Tool[];
  
  // 提供 Prompt
  prompts?: Prompt[];
  
  // 生命周期钩子
  onLoad?: () => void;
  onMessage?: (message: Message) => void;
}

典型插件示例​

工具插件：文件系统​

const FileSystemPlugin = {
  name: 'filesystem',
  tools: [
    {
      name: 'read_file',
      description: '读取文件内容',
      parameters: {
        path: { type: 'string', description: '文件路径' }
      },
      async execute({ path }) {
        return fs.readFileSync(path, 'utf-8');
      }
    },
    // ... 更多工具
  ]
};

平台插件：飞书机器人​

const FeishuPlugin = {
  name: 'feishu',
  
  async onLoad() {
    // 启动飞书机器人服务
    this.bot = createFeishuBot({
      appId: config.feishu.appId,
      appSecret: config.feishu.appSecret
    });
    
    // 监听消息
    this.bot.on('message', async (msg) => {
      // 转发给 Agent 核心处理
      const response = await agent.process(msg.content);
      // 回复用户
      await msg.reply(response);
    });
  }
};

内存中的简化版：nanobot​

如果说 OpenClaw 是完整的工业级框架，nanobot 就是它的极简教学版。

核心思想：500 行代码理解 Agent​

# nanobot/core.py

class NanoBot:
    def __init__(self, llm, tools):
        self.llm = llm
        self.tools = tools
        self.memory = []
    
    def run(self, goal: str):
        self.memory.append({"role": "user", "content": goal})
        
        while True:
            # 1. 思考
            response = self.llm.chat(
                messages=self.memory,
                tools=self.tools.get_definitions()
            )
            
            # 2. 检查是否需要调用工具
            if not response.tool_calls:
                return response.content
            
            # 3. 执行工具
            for tool_call in response.tool_calls:
                result = self.tools.execute(tool_call)
                self.memory.append({
                    "role": "tool",
                    "tool_call_id": tool_call.id,
                    "content": result
                })

→ 这就是 Agent 的本质，剩下的都是工程细节！

为什么选择 OpenClaw？​

对比其他框架​

特性OpenClawLangChainAutoGPTCrewAI
多入口支持✅ 原生支持❌ 需要自己做❌ 只有 CLI❌
插件化架构✅ 核心就是插件⚠️ 部分支持⚠️ 简单插件❌
TypeScript 原生✅❌ Python 为主✅✅
飞书/协作友好✅ 重点设计❌❌❌
轻量级✅ 核心很小❌ 庞大复杂⚠️⚠️

适合场景​

✅ 个人私人 AI 助手：集成你的所有工具和数据

✅ 团队协作机器人：飞书/Slack 机器人，整个团队共用

✅ 定制化需求：需要深度定制工作流和工具

✅ 学习研究：源码结构清晰，适合学习 Agent 开发

OpenClaw 的创新点​

1. 多入口统一 Agent 状态​

用户 A 通过飞书问问题
用户 B 通过 CLI 问同一个 Agent

→ 状态共享，记忆共享，能力共享

2. 渐进式权限控制​

插件级别权限控制：
  - filesystem: 只能读写 ~/projects/
  - command: 只能运行白名单内的命令
  - github: 只能读，不能写

3. 流式交互体验​

Agent 不需要等"想完了"再回复
边想边说，用户实时看到进度：

> 🔍 正在搜索相关文件...
> 📄 找到了 3 个相关文件
> 🔄 正在分析依赖关系...
> ✨ 这是我的建议：...

扩展 OpenClaw​

开发一个插件的流程​

1. 定义插件元数据
2. 实现提供的工具
3. 注册 Prompt 模板
4. 实现生命周期钩子
5. 测试和发布

社区生态​

🔧 官方插件
  - LLM：OpenAI / Anthropic / 通义千问
  - 平台：CLI / 飞书 / WeChat
  - 工具：文件 / Git / GitHub / 浏览器

👥 社区插件
  - 数据库连接
  - Jira 集成
  - 数据分析工具
  - ...

OpenClaw 不是"又一个 Agent 框架"，而是对"Agent 应该如何服务于真实世界中的人"的一种探索。

Last updated on by Kimi Gao