# 把 Agent 放进生活：OpenClaw 的四个核心技术

> 作者：晨旭｜发布：2026-05-04｜系列：AI技术理解
> 来源：https://chenxu.xin/writing/openclaw-four-layers
> 首发：首发于公众号，原文 https://mp.weixin.qq.com/s/YDz-i-TEbMeJ-rSaKlGm7g；此页为作者本人维护的存档

拆解 OpenClaw 的四层架构——Channel 通道层、Gateway 网关层、Node 节点层、Agent Runtime 运行时，看一个通用 Agent 如何解决「能力开放」与「行为可控」之间的核心矛盾。

---

第一次接触 OpenClaw 时，会下意识地把它和 Claude Code 放在一起比较。它们确实有很多相似点：都会调用模型、都会使用工具、都会进入多轮 agent loop、都会处理上下文、记忆和权限问题。

但如果继续往下拆，会发现：Claude Code 更像一个面向开发者的 coding agent runtime；而 OpenClaw 则是一个面向多入口、多设备、多权限场景的通用 Agent，它真正走进了用户的现实世界。

OpenClaw 构建了一套极具工程美学的 Harness，用四层边界清晰的架构，解决了「能力开放」与「行为可控」之间的核心矛盾。

## 一、Channel 层：接入世界的「万能转接头」

OpenClaw 就像是我们的一个私人助理，平时可以在微信里和它闲聊，在飞书里给它派发工作文档，偶尔还可以在 Slack 或者终端里给它发指令。

但不同渠道过来的信息格式是五花八门的。就像如果我们周围的人都来自不同国家，每和一个人对话就要切换一种语言，长时间下来大脑可能就要爆炸了。

为了解决这个问题，OpenClaw 设计了 Channel（通道适配层）。它就像是出国旅行时带的万能转接头——无论国外的插座是英标、美标还是欧标，只需要带一个核心的排插，然后在前面加一个特定国家的转换插头就好了。

在代码层面，Channel 将所有的接入方式分为三类：

- **Bot API**：走官方正规军路线。飞书、Slack、Telegram 等平台自身就开放了完善的 Webhook 服务，Channel 只需要调用官方 SDK，把消息格式翻译成 OpenClaw 内部格式。
- **Bridge（桥接）**：针对那些没有官方开放接口的平台，通过第三方协议或客户端进行桥接注入（这个方法有风险，了解即可）。
- **Native**：本地原生的 Webchat 或 CLI 终端，遵循系统最原生的内部协议。

Channel 层的存在，就是将外部世界与内部处理进行了一个完美隔离：Agent Runtime 永远不需要知道这条消息是来自张三的微信，还是李四的飞书。它只负责接收标准化的信封，处理完毕后再塞回信封丢出去。

这种可插拔的设计，极大降低了 OpenClaw 拓展渠道的边际成本。

![Channel 层三类接入方式示意](./_images/openclaw-four-layers/01.png)

## 二、Gateway 层：维持秩序的「中央前台」

如果把 Channel 比作一家公司大门的安检员，那 Gateway 就是这家公司的中央前台，它是整个系统的总控中枢。无论是外部客户端发来的消息，还是内部节点执行完工具的反馈，都必须经过 Gateway 来统筹调度。

要理解 Gateway，首先要理解它底层使用的通讯协议：WebSocket。

传统的 HTTP 协议就像写信——客户端发一封信，服务器回一封信，如果客户端不发问，服务器永远不能主动搭话。但 Agent 的工作流往往是长周期的，比如你让它去爬取某个网站的最新文章，这可能需要跑 5 分钟。用写信的模式，你要么一直干等，要么不停写信去问「好了没？」。

而 WebSocket 就像打电话——信道一旦建立，双方随时可以开口说话。模型流式输出的每一个 Token、系统后台定时触发的任务进度，都可以通过这个双向通道随时广播给前端。

基于这种双向通道，Gateway 负责四件最核心的事情：

**1、路由**：今天上午在微信上让它帮忙装了个环境，下午在飞书上让它查个文档。Gateway 需要精准知道这条消息应该丢进哪个 Session 里，跨渠道绝不能串台。

**2、鉴权**：不是谁来了都能改写本地文件的。Gateway 通过 Loopback（仅本机访问）或 SSH Tunnel（临时授权）等暴露层级，严格把控着每一位访客的通行证。

**3、广播**：Agent 在后台干活时执行到哪一步了？是正在规划，还是在调用浏览器？Gateway 负责将这些状态同步分发给对应的前端，缓解用户的等待焦虑。

**4、状态与断线重连**：如果你在地铁上拿手机跟它聊天，信号断了怎么办？Gateway 维护了消息的队列与版本状态，网络恢复后能自动把断档期间的消息一条不落地补发过去。

Gateway 解决了异步长周期任务在产品体验上的割裂感。它不仅仅是一个网关，更是用户体验的稳定器。

## 三、Node 层：物理世界的「安全手脚与沙箱」

如果问「把 OpenClaw 运行在本地，你最大的担忧是什么？」，大概率答案会是失控——比如一觉醒来，发现它为了清理硬盘空间，把电脑里的重要文件全删掉了。

Node 就是执行这些命令的员工（能力节点）。为了防止员工捅出大篓子，OpenClaw 引入了沙箱执行机制。可以用一个通俗的例子来理解隔离级别：

- **同进程**（如同在一个大开间办公）：大家共用一套上下文，效率高，但一个人感冒全公司遭殃，任何人都能偷看别人的屏幕。
- **Docker 容器**（如同隔音会议室）：把需要执行危险命令的 AI 关进一个密闭的会议室，它在这个房间里怎么删东西、怎么改文件，都只能在指定的挂载目录里发生，不会影响到外面的宿主机系统。
- **虚拟机**（如同完全不同的大楼）：这是最底层的隔离，连操作系统内核都换了。

OpenClaw 的 Node 层通常是通过 Docker 容器级别的隔离，为外部提供各种工具调用能力。

而且这里的 Node 不仅仅是简单地跑几行 Python 脚本。以浏览器工具为例：以前让 AI 看网页，通常是截图加 OCR，但多模态模型对像素坐标的理解往往是模糊的，这很像让一个盲人看红绿灯。

OpenClaw 的做法是提取浏览器运行时的 A11y Tree（无障碍访问树），把网页解析成一个个带有标记的按钮（比如 `[按钮 A1: 写邮件]`、`[按钮 A2: 发送]`）。模型不再看像素坐标，而是直接阅读这些结构化的树状节点，然后下达指令「点击 A1 按钮」。这很像给盲人看的专用书籍，可以让盲人摸着凸起阅读。

除此之外还有文件读写工具，从白名单校验，到操作留痕，再到超大文件的分页截断返回（防止把上下文撑爆）。

Node 层的设计，是[从 Claude Code 看 Anthropic 的 Managed Agents](/writing/anthropic-managed-agents) 中提到的「脑手分离」的最佳实践：模型只负责出指令，Node 拿着鉴权通过的 Token 在沙盒里执行。

不越权、不搞破坏，是 AI 走向实用的底线。

![Node 层沙箱隔离级别与 A11y Tree 示意](./_images/openclaw-four-layers/02.png)

## 四、Agent Runtime：驱动一切的「思考大脑」

经过了 Channel 通道、Gateway 前台、Node 员工，现在来到了 OpenClaw 的心脏：Agent Runtime。

它本质上就是一个不断自我驱动的 While Loop 循环：

1. **组装上下文**：把用户的要求、历史记录、可用工具列表揉碎了拼进 Prompt。
2. **调用模型**：问大模型「下一步该干嘛？」
3. **判断走向**：模型说「我要调用浏览器搜一下」，Runtime 就去触发 Node 层的工具，拿到结果后把 `tool_result` 追加进上下文，回到第一步继续循环；模型说「我已经做完了」，就结束循环，把结果通过 Gateway 推给前端。

随着工具调用的增加，比如报错日志、几万行的 JSON 文件，上下文窗口很快就会逼近极限。Agent Runtime 中有两个子机制来应对：

**Compaction（压缩）**：当当前会话的长度达到最大容量的 70% 时，Runtime 会自动触发一次紧急救援。它并不是简单地砍掉前半部分，而是基于结构化策略进行压缩——比如对于冗长的工具返回结果，只保留工具名和状态；对于用户的核心诉求，则一字不落。

**SubAgent（子代理隔离）**：当主 Agent 发现任务过于繁杂时，会派生出一个子代理。子代理在一个全新的、干净的上下文里去处理脏活累活（比如查几十篇论文），处理完后只把提炼后的核心结论交还给主 Agent，随之销毁。这种物理级别的隔离，极大地降低了跨步骤通信的噪音。

## 最后

总结一下：Channel 负责拉客入场，Gateway 负责居中调度，Node 负责撸起袖子干活，最后 Agent Runtime 负责深度思考。

OpenClaw 让我们看到了一个真正的 Harness Engineer：不要假设模型不犯错，而是去建立 Gateway 来鉴权，用 Node 沙箱来阻断，用 Runtime 压缩来抵抗遗忘。

它让 AI 真正走出聊天框，安全地接入用户的现实世界。

## 核心结论

- Claude Code 更像一个面向开发者的 coding agent runtime，OpenClaw 则是面向多入口、多设备、多权限场景的通用 Agent——它要解决的核心矛盾是能力开放与行为可控之间的张力。（判断）
  永久链接：https://chenxu.xin/writing/openclaw-four-layers#openclaw-vs-claude-code
- Channel 层把外部世界与内部处理完美隔离，Agent Runtime 永远不需要知道这条消息来自张三的微信还是李四的飞书，它只负责接收标准化的信封。这种可插拔设计极大降低了拓展渠道的边际成本。（判断）
  永久链接：https://chenxu.xin/writing/openclaw-four-layers#channel-isolates-outside-world
- HTTP 像写信，客户端不发问服务器就永远不能主动搭话；WebSocket 像打电话，信道一旦建立双方随时可以开口。Agent 的长周期任务必须靠后者，才能把流式输出和后台进度随时广播给前端。（把握较大）
  永久链接：https://chenxu.xin/writing/openclaw-four-layers#websocket-for-long-tasks
- 让模型看网页截图猜像素坐标，像让盲人看红绿灯。OpenClaw 提取浏览器的 A11y Tree，把网页解析成带标记的结构化节点，模型直接下达「点击 A1 按钮」的指令。（判断 · 把握较大）
  永久链接：https://chenxu.xin/writing/openclaw-four-layers#a11y-tree-beats-pixel-coordinates
- 真正的 Harness Engineer 不假设模型不犯错，而是建立 Gateway 来鉴权、用 Node 沙箱来阻断、用 Runtime 压缩来抵抗遗忘。不越权、不搞破坏，是 AI 走向实用的底线。（判断 · 把握较大）
  永久链接：https://chenxu.xin/writing/openclaw-four-layers#dont-assume-the-model-wont-err

---

本文出自晨光里的AI（https://chenxu.xin），作者晨旭。
引用时请保留来源链接。文中标注「判断」「假设」的部分是作者的个人看法，不是事实。