【吃透龙虾】OpenClaw全攻略：从底层原理到本地部署实战，玩法 + 风险一次性讲透 OpenClaw保姆级教程 AI agent智能体进阶 卢菁#人工智能 #openclaw #agent
三句話摘要
以 OpenClaw（龍蝦）為教學案例，拆解 AI 智能體的核心原理：上下文工程、工具調用、子智能體繁殖與安全防護機制。 --- 龍蝦的能力上限由大模型與工具集共同決定，它本身只是精巧的上下文調度器；真正值得深入掌握的是其背後的架構思想——上下文工程、漸進式加載、子智能體繁殖——這些才是構建任何 AI 智能體的通用基礎。 1. 龍蝦的本質是調度器，不是 AI 本身
重點整理
重點- 1
1. 龍蝦的本質是調度器，不是 AI 本身
- 2
OpenClaw 不創造功能，它把大模型的推理能力與外部工具集串聯起來；若大模型較弱，龍蝦的表現就直接受限，這是理解其能力邊界的根本前提。
- 3
2. 大模型無狀態特性驅動了上下文工程的存在
- 4
大模型每次請求都是全新的「接紙張」行為，龍蝦必須將身份、性格、用戶資訊、記憶等五類 MD 文件與對話歷史全部組裝後一起發送，導致上下文隨對話輪數快速累積，直接推高 token 成本。
- 5
3. 工具調用通過命令行實現，開放性帶來安全隱患
- 6
大模型返回 JSON 格式工具調用字符串，龍蝦解析並執行 Linux Shell 指令，理論上能操作整台電腦；若不限制權限，惡意指令可導致刪除系統文件或資金轉移，而提示詞層級的防禦未必有效，人工確認雖安全但犧牲自動化。
- 7
4. 子智能體繁殖與漸進式加載是核心效率機制
- 8
可拆分的並行任務由大模型動態繁殖子龍蝦分頭執行，各自獨立消耗上下文後只回傳結果；Skills 只在確認需要時才載入完整文檔，避免無用 token 消耗與工具誤判，兩者共同壓低運行成本。
- 9
--
實用技巧與重點
乾貨- 具體數字
- 單次問「你是誰」消耗近 4,000 tokens（提示詞文件過長）
- 第三方 Skills 市場惡意注入比例約 12%
- 工具與平台
- 消息渠道：飛書、WhatsApp
- 底層執行：Linux Shell 命令行（read / write 等指令）
- 記憶系統底層：RAG（語義向量搜索）
- 工具封裝協議：MCP（Model Context Protocol）
- AI 自動生成工具：AI Coding（工具不足時大模型現場寫代碼並調用）
- 框架：OpenClaw（OpenCloud）
- 文件與架構
- 提示詞分五類 MD 文件：身份、性格、用戶資訊、記憶、環境配置
- Skills 文件結構：一行簡短描述（漸進式掃描入口）+ 完整工具說明文檔
- MCP 與 Skills 關係：MCP 是封裝好的接口工具，Skills 是使用說明書，上下游配合
- 方法與流程
- 工具調用流程：大模型返回 JSON 字符串 → 龍蝦識別特殊符號 → 執行 Shell 命令 → 結果回傳大模型 → 判斷下一步
- 上下文壓縮策略一：保留工具調用結果，刪除中間過程細節
- 上下文壓縮策略二：超過長度閾值後對歷史做 Summary 摘要壓縮
- 子智能體深度控制：寫死代碼禁止二代目繼續繁殖，防止層層外包導致指令失真
- 主動智能體機制：定時腳本（心跳）+ 排程文件，讓龍蝦定點自動執行任務
- 安全建議（四條）
- 權限最小化（不給支付、密碼等敏感權限）
- 環境隔離（專用設備運行）
- 審計機制（定期查看龍蝦在執行什麼）
- 在 MD 文件中明確寫入安全邊界
- --
結論
結論“龍蝦的能力上限由大模型與工具集共同決定，它本身只是精巧的上下文調度器；真正值得深入掌握的是其背後的架構思想——上下文工程、漸進式加載、子智能體繁殖——這些才是構建任何 AI 智能體的通用基礎。”
完整解析
詳細OpenClaw（龍蝦）是一套 AI 智能體框架，整體架構分為消息渠道（飛書、WhatsApp 等）、網關、智能體核心與工具集四層。講師在課程中將重點集中在智能體核心與工具調用兩個模塊，並反覆強調一個核心前提：龍蝦本身不是 AI，它是調度器，其能力的天花板由背後接入的大模型推理能力與掛載的工具集廣度共同決定。
要理解龍蝦的工作原理，必須先掌握大模型的「無狀態」特性。大模型每次接收請求時完全不記得之前的對話，因此龍蝦必須在每次請求時，將身份設定、性格描述、用戶資訊、對話歷史等全部組裝成提示詞一併發送。這些提示詞分別存放在五個本地 MD 文件中，可由用戶手動編輯，也可在對話中由智能體自動更新寫入。正因如此，僅僅問一句「你是誰」，就已消耗將近 4,000 tokens，且隨著對話輪數增加，上下文長度線性累積，運行成本急速攀升——這正是龍蝦依賴大模型長上下文能力突破的根本原因，也是兩年前同樣的架構無法落地的原因。
工具調用是龍蝦實現「操作電腦」能力的核心機制。大模型無法直接執行程序，只能回傳字符串；龍蝦識別到特殊格式的 JSON 字符串後，便解析並執行對應的 Linux Shell 命令。以「讀取一個問題文件並將答案寫入新文件」為例，整個流程需要兩次工具調用循環：每次調用結果都回傳大模型，由大模型判斷下一步，直到確認任務完成為止。這套機制理論上讓龍蝦能控制整台電腦，但也帶來嚴重安全風險——無限制的 Shell 權限可能被用於刪除系統或自動轉賬。講師指出有兩種防禦路徑：在提示詞中寫明操作限制（但大模型有自身判斷，未必照章執行）；或對每次工具執行要求人工二次確認（安全但犧牲自動化）。此外，當龍蝦所需工具不存在時，大模型可直接 AI Coding 現場生成工具代碼並調用，這種「工具自我繁殖」能力是未來極重要的方向。
在效率與架構設計上，龍蝦引入了兩項關鍵機制。第一是「漸進式加載」：系統只先掃描每個 Skill 的一行簡短描述，確認需要哪個工具後才載入完整使用說明，避免一次性將所有工具文檔塞入上下文，既節省 token 又降低誤判概率。第二是「子智能體繁殖」：當任務可拆分為彼此獨立的並行子任務時（例如同時讀取 A、B 兩篇論文做摘要），大模型繁殖出子龍蝦分頭執行，各自消耗獨立上下文，最終只把結果匯報父智能體——但需在代碼層面寫死深度限制，防止層層外包導致指令嚴重失真。記憶系統則以 RAG 為底層，重要資訊自動寫入記憶庫，下次調用時透過語義搜索撈出相關內容注入提示詞，在無狀態模型之上實現跨對話的長期記憶。上下文壓縮方面，龍蝦採取兩種策略：抹去工具調用中間過程只保留結果；或在歷史長度超過閾值時做 Summary 摘要壓縮，以「系統提示詞 + 摘要 + 最新問題」替代完整歷史，從根本上控制成本。
---
關鍵時刻
Pipeline v2帶時間戳的重點，會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。
事實查核
Pipeline v2說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。
