大语言模型本身没有运行时状态，AI Agent 必须在模型外设计记忆系统。围绕 OpenClaw、Claude Code 和 Hermes Agent，拆解文件记忆、上下文工程、情景记忆三种架构路线的机制、适用场景和代价。
Claude Code 是一个运行在命令行里的 AI 编程 Agent。围绕它的架构，可以学习生产级 Agent 如何处理启动初始化、流式工具执行、分层权限、上下文压缩、MCP 集成、Skill 扩展和多 Agent 协作。
Harness Engineering 关注的是大语言模型外围的运行系统，包括上下文、工具、编排、安全、评估和观测。它决定了 AI Agent 能看到什么、能调用什么、如何规划任务、如何验证结果，以及失败后如何继续改进。
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。
OpenClaw 将智能体记忆拆成动态会话日志和静态长期记忆，并通过 Markdown、JSONL、Embedding、sqlite-vec 和 FTS5 构建可持久化、可检索的记忆系统。重点讲清它如何写入记忆、索引记忆、召回记忆，以及为什么有了记忆层后 token 成本仍然不低。
OpenClaw 是一个本地优先、多端联动的个人 AI 助手系统。围绕 Gateway 控制平面，系统把聊天渠道、设备节点、工具调用、定时任务、上下文压缩和 SubAgent 协作组织成一套完整的 Agent 运行架构。
OpenClaw 将 Telegram、Discord、Slack 等渠道消息统一转换为内部消息对象，再经过路由、队列、上下文组装、ReAct 执行和工具调用生成回复。这里按端到端链路拆解它的分层架构、并发控制、记忆系统和安全边界。
OpenClaw 不是简单的聊天机器人，而是一套围绕智能体构建的运行时网关系统。内容从一条消息的进入、路由、会话隔离、上下文组装、技能加载、记忆管理、工具调用到多 Agent 协作，完整拆解它的运行链路。
Agent 记忆不能只依赖滑动窗口和向量数据库。围绕短期会话状态、长期异构存储、同步读链路、异步写链路和一致性兜底，讲清一套可落地的生产级记忆架构。
