研究了 Clawdbot 的架构，包括它如何处理 Agent 执行、工具调用、浏览器操作等。对于 AI 工程师来说，这里有很多值得学习的地方。
深入了解 Clawd 的底层原理，能让你更好地理解这个系统的能力边界，最重要的是，搞清楚它擅长什么以及不擅长什么。
这篇文章始于我个人的好奇心：Clawd 是如何处理内存的？它的可靠性究竟如何？在此，我将带你揭开 Clawd 运作机制的表层。
Clawd 在技术上究竟是什么？
大家都知道 Clawd 是一个个人助理，你可以在本地运行，也可以通过模型 API 在手机上轻松访问。但它的本质是什么？
从核心来看，Clawdbot 是一个 TypeScript CLI 应用程序。它不是 Python，不是 Next.js，也不是一个网页应用。它是一个：
运行在你机器上的进程，并暴露一个 网关服务器（Gateway Server） 来处理所有频道连接（Telegram, WhatsApp, Slack 等）。调用 LLM API（Anthropic, OpenAI, 本地模型等）。在本地执行工具。根据你的指令操控电脑。
1. 频道适配器 (Channel Adapter)
适配器接收你的消息并进行预处理（标准化格式、提取附件）。不同的通讯软件和输入流都有对应的专用适配器。
2. 网关服务器 (Gateway Server)
网关服务器是任务/会话协调器，负责接收你的消息并将其分发到正确的会话中。它是 Clawd 的核心，能够处理多个重叠的请求。
为了使操作 序列化，Clawd 使用了一种 基于'泳道'（lane）的命令队列。每个会话都有其专属的泳道，而一些低风险的可并行任务（如定时任务 cron jobs）则在并行泳道中运行。
这与使用混乱的 async/await（异步逻辑乱象）形成了鲜明对比。过度并行会损害系统的可靠性，并带来海量的调试噩梦。
默认串行，显式并行
如果你开发过智能体（Agent），可能已经在某种程度上意识到这一点了。这也是 Cognition 在其《不要构建多智能体》（Don't Build Multi-Agents）博文中所表达的核心见解。
如果为每个智能体仅进行简单的异步设置，最终你会得到一堆交织在一起的垃圾信息。日志将变得不可读，而且如果它们共享状态，竞态条件（Race conditions） 将成为你在开发过程中必须时刻防范的恐惧。
'泳道'是对队列的一种抽象，它将 序列化 作为默认架构，而不是事后的补救措施。作为开发者，你只需编写逻辑代码，队列会自动为你处理竞态条件。
此时，你的心理模型将发生转变：从'我需要锁定（lock）什么？'变为'哪些任务是可以安全并行的？'。
3. Agent 运行器 (Agent Runner)
这是 AI 真正介入的地方。它负责确定使用哪个模型，挑选 API 密钥（如果所有密钥都失效，它会将该配置标记为'冷却'状态并尝试下一个），并在主模型失败时自动切换到备用模型。
智能体运行器会结合可用的工具、技能、记忆动态组装系统提示词（System Prompt），然后添加会话历史记录（来自 .jsonl 文件）。接着，这些内容会被传递给 上下文窗口守护者 (Context Window Guard)，以确保有足够的上下文空间。如果上下文空间即将填满，它要么会压缩会话（总结上下文内容），要么会优雅地报错并停止。
4. LLM API 调用
LLM 调用本身支持流式响应，并对不同的供应商进行了抽象层封装。如果模型支持，它还可以请求 深度思考 (Extended Thinking)。
5. 智能体循环 (Agentic Loop)
如果 LLM 返回了工具调用（Tool Call）响应，Clawd 会在本地执行该操作并将结果添加到对话中。这个过程会不断重复，直到 LLM 给出最终的文本回复，或者达到了最大轮次限制（默认为 20 轮左右）。
这也是奇迹发生的地方：
电脑操作 (Computer Use)：我稍后会详细介绍。
6. 响应路径 (Response Path)
这部分非常标准。响应通过频道（Channel）传回给你。同时，会话会持久化存储在一个基础的 .jsonl 文件中，每一行都是一个包含用户消息、工具调用、执行结果及模型响应的 JSON 对象。这就是 Clawd 的记忆方式（基于会话的记忆）。
以上涵盖了基础架构的内容。现在让我们深入探讨一些更为关键的组件。
Clawd 是如何'记住'的
如果没有完善的记忆系统，AI 助手就和金鱼没什么两样。Clawd 通过两个系统来处理记忆：
- 如前所述的 JSONL 格式会话转录文件。
- 存放在
MEMORY.md或memory/文件夹下的 Markdown 记忆文件。
在搜索方面，它采用了 向量搜索（Vector Search）与关键词匹配（Keyword Match）的混合模式。这兼具了两者的优点：
- 当搜索'身份验证漏洞（authentication bug）'时，既能找到提到'登录问题（auth issues）'的文档（语义相关），也能匹配到包含精确词组的内容（关键词匹配）。
在技术实现上，向量搜索使用的是 SQLite，而关键词搜索使用的是 FTS5（这也是一个 SQLite 扩展）。此外，嵌入模型（Embedding）的供应商是可配置的。
它还受益于 智能同步（Smart Synching） 功能，该功能由文件监控器（File Watcher）在探测到文件更改时触发。
这些 Markdown 文件是由智能体（Agent）本身使用标准的'写入文件'工具生成的。并没有专门的'记忆写入 API'，智能体只是简单地向 memory/*.md 写入内容。当新对话开始时，一个钩子（Hook）会抓取之前的对话内容，并写下一份 Markdown 格式的摘要。
Clawd 的记忆系统简单得令人惊讶，与我们在 @CamelAIOrg 中作为'工作流记忆（Workflow Memories）'实现的方式非常相似。它 没有记忆合并，也没有月度或周度的记忆压缩。
这种简洁性视视角不同，既可能是优势也可能是陷阱，但我始终更倾向于 '可解释的简洁'，而非复杂的'意大利面式'乱麻架构。
在这种机制下，记忆会永久保存，且旧记忆与新记忆的权重基本相等，可以说它 不存在'遗忘曲线'。
Clawd 的利爪：它如何操控你的电脑
这是 Clawd 的 护城河 (MOAT) 之一：你直接给它一台电脑，并允许它使用。那么它是如何操控电脑的呢？基本上和你想象的差不多。
Clawd 赋予了智能体极高的电脑访问权限（风险由用户自担）。它使用一个 exec 工具在以下环境中运行 Shell 命令：
- 沙箱 (Sandbox)：这是默认设置，命令在 Docker 容器中运行。
- 宿主机：直接在你的主机上运行。
- 远程设备：在远程机器上运行。
除此之外，Clawd 还拥有：
- 文件系统工具：支持读取、写入和编辑。
- 浏览器工具：基于 Playwright 开发，并使用'语义快照'。
- 进程管理 (Process tool)：用于处理后台长期运行的命令、终止进程等。
安全性（或者说，真的有吗？）
与 Claude Code 类似，Clawd 拥有一个 允许列表 (Allowlist)，用于存放用户想要批准的命令（支持'允许一次'、'始终允许'或'拒绝'等用户提示）。
// ~/.clawdbot/exec-approvals.json
{
"agents": {
"main": {
"allowlist": [
{"pattern":"/usr/bin/npm","lastUsedAt":1706644800},
{"pattern":"/opt/homebrew/bin/git","lastUsedAt":1706644900}
]
}
}
}
- 安全命令：如
jq,grep,cut,sort,uniq,head,tail,tr,wc等，已经预先获得了批准。 - 危险的 Shell 结构：默认情况下会被拦截（例如重定向、命令替换或子 Shell 等操作）。
# these get rejected before execution:
npm install $(cat /etc/passwd) # command substitution
cat file > /etc/hosts # redirection
rm -rf / || echo "failed" # chained with ||
sudo rm -rf / # subshell
这里的安全机制与 Claude Code 的设计非常相似。
其核心理念是：在用户允许的范围内，赋予智能体尽可能高的自主权。
浏览器：语义快照 (Semantic Snapshots)
浏览器工具并不主要依赖截图，而是使用 语义快照。这是一种基于文本的页面 可访问性树（Accessibility Tree / ARIA） 的表示形式。
因此，智能体（Agent）看到的页面结构如下：
- button "Sign In" [ref=1]
- textbox "Email" [ref=2]
- textbox "Password" [ref=3]
- link "Forgot password?" [ref=4]
- heading "Welcome back"
- list
- listitem "Dashboard"
- listitem "Settings"
这带来了四个显著优势。正如你可能已经猜到的，浏览网页的行为本质上并不一定是一项视觉任务。
- 体积差异：一张截图的大小可能有 5 MB，而语义快照通常不到 50 KB。
- 成本极低：其消耗的 Token 开销 仅为处理图像所需成本的一小部分。
- 精准度：相比于在像素图像上定位坐标，直接操作文本节点引用的成功率更高。
- 速度：纯文本的解析速度远快于计算机视觉（CV）对图像的理解。