Agent 架构的核心不是提示词技巧,而是状态、控制流和评估器的设计。围绕 Reflection、Tool Use、ReAct、Planning、PEV、多 Agent、记忆、搜索、模拟和安全闸门等 17 种模式,系统拆解它们解决的问题、拓扑结构、适用场景和工程代价。
OpenClaw 的核心价值不只是个人 AI 助理形态,而是它在提示词动态组装、上下文压缩、分层记忆、工具约束和安全护栏上的工程设计。围绕 Prompt、Context、Harness 三个维度,可以拆出一套可迁移到 Agent 系统里的架构方法。
OpenClaw 和 Hermes Agent 都属于通用 Agent 系统,但架构重心不同:OpenClaw 更偏本地优先的 Gateway 控制面,Hermes 更偏会沉淀经验的学习型 Runtime。这里从系统分层、Skills、Memory、安全、安装和迁移几个角度讲清两者的差异与选型思路。
init-skill 是一个用于初始化 Claude Code 项目上下文体系的开源 skill。它通过 CLAUDE.md、专用子智能体、路径规则、工作流和记忆机制,让 AI 在项目中持续积累约束、偏好和经验,减少重复犯错。
Agent 记忆模块不能只把聊天记录塞进数据库。合理的设计需要区分工作记忆、情景记忆、语义记忆和程序记忆,并围绕写入、检索、反思、遗忘和存储架构做工程取舍。
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”。
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 自动持续进化的核心不是反复手工调 prompt,而是建立评估、反馈、记忆、错误归因、自动修复和发布审核的闭环。只有把真实任务中的成功、失败、纠偏和人工干预沉淀下来,Agent 才能稳定地从使用数据中更新策略。
Context Engineering 关注在调用大语言模型前,如何把指令、知识、工具结果和记忆组织进有限上下文窗口。围绕 LLM OS 类比、上下文失败模式、记忆分类和工程实践,系统讲清 LLM 应用为什么不能只靠提示词。