Open Claw 框架技术剖析：AI Agent 执行层架构详解

第 4 层：执行层（Execution Layer）

职责：安全沙盒内的操作执行

执行类型：

1. 文件操作：读/写/删/移动（带版本控制）
2. 命令执行：Bash/PowerShell（沙盒内）
3. 代码解释：Python/Node.js 即时执行
4. API 调用：HTTP 请求、数据库查询

第 5 层：反馈层（Feedback Layer）

职责：结果验证与状态更新

• 输出解析：从原始输出提取关键信息
• 错误诊断：分析失败原因（语法错误？权限不足？）
• 记忆持久化：将新信息写入长期记忆
• 人机确认：不确定时请求用户介入

三、四大核心技术支柱

1. MCP（Model Context Protocol）

开放工具集成标准（Anthropic 提出，现已成为事实标准）

┌─────────────┐ MCP 协议 ┌─────────────┐
│ Agent       │ ←────────────────→ │ Tool Server │
│ (Client)    │ stdio / SSE        │ (GitHub/DB 等)│
└─────────────┘ └─────────────┘

能力：

• 工具发现（动态获取可用工具列表）
• 双向通信（工具可请求用户确认）
• 跨平台（任何语言实现的工具都可接入）

2. Sandbox（沙盒隔离）

安全执行的关键

安全策略：

• 文件系统：只读挂载工作目录，/tmp 可写
• 网络：默认阻断，白名单制开放
• 资源：CPU/内存/时间配额限制
• 审计：完整操作日志记录

3. Memory Architecture（记忆架构）

持久化上下文管理

工作记忆（Working Memory） ↓ 筛选重要信息
短期记忆（Short-term） ↓ 持久化存储
长期记忆（Long-term）
├─ 情节记忆：对话历史、项目里程碑
├─ 语义记忆：用户偏好、编码风格
└─ 程序记忆：常用工作流、Skills

实现技术：

• 向量数据库：语义检索（Chroma/Milvus）
• 知识图谱：关系推理（Zep/Mem0）
• 传统数据库：精确事实（SQLite/PostgreSQL）

4. ACP/Agent Protocol（智能体协议）

标准化 Agent 行为（如 Kimi 提出的 Agent Communication Protocol）

• 状态机定义：Agent 的生命周期（Idle/Planning/Executing/Waiting）
• 消息格式：标准化 Observation/Action 格式
• 安全边界：定义哪些操作必须人工确认

四、安全与权限模型

三层防御体系

权限审批策略

# 权限决策逻辑
def check_permission(operation, target):
    if operation in whitelist["auto_approve"]:
        return "EXECUTE"
    elif operation in blacklist["deny"]:
        return "REJECT"
    elif risk_score(operation, target) > threshold:
        return "ASK_USER" # 弹出确认对话框
    else:
        return "EXECUTE"

YOLO 模式（高级用户）：

• 通过配置文件关闭确认（--dangerously-skip-permissions）
• 适用于自动化流水线，但风险自负

五、主流实现对比

六、开发范式与最佳实践

1. 渐进式执行（Claude Code 模式）

• 每一步执行前展示计划（Todo List）
• 用户可随时干预（Ctrl+C 暂停、修改指令）
• 失败时自动重试或降级

2. 工具即代码（Skills）

将常用工作流封装为可复用 Skills：

# deploy_skill.yaml
name: "deploy_to_vercel"
description: "构建并部署到 Vercel"
steps:
  - run: "npm run build"
  - run: "vercel --prod"
  - confirm: "部署完成，是否打开预览？"

3. 人机协作回路（Human-in-the-loop）

• 关键决策点：删除文件、网络请求、敏感数据操作必须确认
• 异常处理：执行失败时提供选项（重试/跳过/修改计划）

七、总结：Open Claw 的本质

Open Claw = LLM（大脑）+ MCP（工具手）+ Sandbox（安全笼）+ Memory（经验库）

它不是简单的"命令行包装器"，而是一个认知 - 执行闭环系统：

1. 理解：将模糊的人类意图转化为结构化计划
2. 执行：在受控环境中安全地操作物理世界（代码/文件/系统）
3. 记忆：从交互中学习，形成个性化能力
4. 进化：通过 Skills 和 MCP 不断扩展能力边界

这类框架代表了 AI 从Advice-Giving（给建议）到 Action-Taking（去执行）的范式转移，是未来 AI Agent 操作系统的核心架构。