归档

2026 年 03 月

OpenClaw 是一套面向本地优先和企业场景的 AI Agent 运行时。围绕沙箱隔离、文件化记忆、技能扩展、会话管理、自进化机制、安全边界和分层配置,系统可以把 Agent 的能力控制在可审计、可扩展、可持久化的工程框架内。
大规模 Agent 技能池会带来技能选择困难,名称和描述往往不足以区分相似技能。SkillRouter 通过完整技能 body、双编码器检索、交叉编码器重排序和任务微调,在约 8 万技能池上用 1.2B 参数超过 8B 零样本基线。
KV Cache 通过复用已经计算过的 Key 和 Value,避免大模型生成时反复处理历史 token。内容覆盖自注意力计算、prefill 和 decode 两个阶段、复杂度变化、显存开销公式、Hugging Face 使用方法以及常见优化方向。
OpenClaw 2026.3.22-beta.1 对插件系统、安全边界、模型接入、沙盒后端和 Agent 长任务机制做了较大调整。重点解释新插件 SDK 与 ClawHub 分发、安全补丁覆盖的攻击面,以及升级前需要检查的兼容性风险。
AI 编码真正难点不只是模型能力,而是上下文失控和需求意图模糊。围绕 Claude Code 的代理执行能力与 OpenSpec 的规格驱动流程,可以构建一套可验证、可沉淀、适合团队协作的 AI 编码工作流。
Skill 不是长 Prompt,而是把业务流程、失败教训、交付契约和自检门禁沉淀成 AI Agent 可重复执行的 SOP。围绕 web-testing 场景,讲清页面发现、报告交付、工程约束和结构完整性四类问题的训练方法。
AI Coding 真正的瓶颈不只是生成代码,而是测试、验证、排障、交付等非编码流程。围绕 Harness Engineering,系统讲清大模型推理限制、上下文治理、工具设计、多智能体协作和端到端闭环交付的方法。
当多个业务场景都要建设 AI 助手时,重复开发 Agent、Prompt、工具编排和权限控制会带来大量浪费。通过把工作场景抽象为复杂指令、知识问答、问题排查和极简任务四类,可以沉淀可复用的解决方案模板,让业务侧通过配置创建助手。
ClawBot 协议层提供了微信消息接收、AES 加密、二维码认证和媒体文件传输能力。围绕这些协议能力,可以用本地 Node.js 进程把微信消息转发给 Claude Code,再把 Agent 的回复发回微信,构建一个不依赖公网回调的移动端入口。
OpenClaw 的 workspace 决定 Agent 的身份、行为规则、用户偏好、工具使用方式、长期记忆和技能加载方式。通过梳理核心文件、openclaw.json 配置、多 Agent 目录设计和常见坑,可以把 Agent 从“能启动”调到“稳定好用”。