OpenClaw Agent System
概要
OpenClaw Agent System 是一个完整的多 Agent 协作系统，包含编排层、上下文工程、五层记忆、Agent Swarm 和通信协议等核心组件，实现了从"聊天"到"干活"的工程化转变，让 Agent 能够自主进化、稳定运行、协作不打架。
系统架构总览
┌─────────────────────────────────────────────────────────────┐
│ OpenClaw Agent System │
├─────────────────────────────────────────────────────────────┤
│ │
│ 第一层：编排层（Agent Orchestration） │
│ ├── Zoe（首席编排者） │
│ │ └── 技术设计 / 任务编排 / 系统运维 │
│ └── 5 个专业 Agent │
│ └── ainews / Trading / Macro / Content / Butler │
│ │
│ 第二层：上下文工程（Context Engineering） │
│ ├── SOUL.md（身份 + 硬约束） │
│ ├── AGENTS.md（操作规范） │
│ ├── Skills（按需加载） │
│ └── Harness（自动管理） │
│ │
│ 第三层：记忆系统（Multi-Layer Memory） │
│ ├── L1 身份层（SOUL.md） │
│ ├── L2 长期记忆（MEMORY.md） │
│ ├── L3 中期记忆（memory/） │
│ ├── L4 短期记忆（.learnings/） │
│ └── L5 持久化（Skills + Obsidian） │
│ │
│ 第四层：Agent Swarm（编码层） │
│ ├── 6 种编码 Agent │
│ │ └── Claude Code / Codex / Gemini / ... │
│ ├── Worktree + tmux 独立环境 │
│ └── Cron 监控 + 自动 respawn │
│ │
│ 第五层：通信协议（Three-State Protocol） │
│ ├── request → confirmed → final │
│ ├── shared-context/ 状态驱动 │
│ └── DRI 原则 │
│ │
└─────────────────────────────────────────────────────────────┘
1+5+6 阵型
Zoe（首席编排者）
不只是"管理员"，负责：
- 技术方案设计：三态协议、Task Watcher、通信 Guardrail 都是 Zoe 自主设计
- 任务编排：指派 ainews 调研，委派 ACP 编码专家实现
- 系统运维：每天 3 次巡检（10:00/14:00/22:00），检查 cron、磁盘、session
- 记忆维护：每周分析 MEMORY.md，执行分层压缩
5 个专业 Agent
| Agent | 角色 | 核心能力 |
|---|---|---|
| ainews | AI 哨兵 | 100+ 信息源采集 → 5 星评估 → 晨午晚三报 |
| Trading | 交易蜘蛛 | 21 cron 任务、四步分析框架、65/35 混合评分 |
| Macro | 首席经济学家 | 宏观→传导→国内→市场四层映射 |
| Content | 内容蜘蛛 | 54 平台热榜 + X 五篮子热点雷达 |
| Butler | 管家蜘蛛 | Apple 生态集成、早安晚安、喝水提醒 |
6 个编码专家
通过 ACP 协议按需委派，最大 6 并发，120min TTL：
- Claude Code / Codex / Gemini / Pi / OpenCode / GPT-5.3-Codex
设计教训：不要让分析 Agent 直接编码。分析 Agent 不写代码，编码全部通过 ACP 委派。
核心工程问题与解决方案
问题一：上下文是 Agent 的操作系统
Agent 系统的热力学第二定律：不加约束，entropy 只增不减。
解决方案：
- Context Engineering：设计信息结构（SOUL.md → AGENTS.md → Skills 按需加载）
- Harness 自动管理：compaction、contextPruning、session reset、maintenance
问题二：Agent 今天犯的错，明天还会犯
五层记忆系统实现跨会话的知识沉淀：
触发事件 → .learnings/ 即时记录 → 每日反思 cron →
≥3 次 promote 到 MEMORY.md → 下次 Session 加载 → 行为改进
问题三：协作是协议问题，不是群聊问题
三态通信协议防止 ACK storm：
[request] → [confirmed] → [final → 静默]
- V1 线程协议 + DRI 原则 + shared-context/ 状态驱动
一天是怎么过的
52 个 cron 任务覆盖 A 股 + 美股双时区：
| 时间 | 任务 |
|---|---|
| 03:00 | 自动备份 |
| 05:20 | 美股收盘报告（次日） |
| 07:50 | Macro 晨报 |
| 08:00 | Butler 早安问候 |
| 08:30 | ainews 晨报 + Butler 日程规划 |
| 10:00 | Zoe 第一轮巡检 |
| 12:00 | ainews 午间论文解读 |
| 14:00 | Content 初稿产出 |
| 20:00 | ainews 晚间趋势分析 + Butler 健康检查 |
| 22:00 | Butler 晚安总结 |
| 23:00-23:45 | 全团队反思（每个 Agent 独立） |
| 23:45 | Zoe 汇总全团队产出 |
自主进化案例
自己设计通信协议
Macro 和 Trading 刷屏十几轮后，Zoe 自主诊断根因，设计三态协议（request → confirmed → final → 静默），smoke test 通过后沉淀到 AGENTS.md。
自研 Skill 并发布到 ClawHub
Content 发现 AI 味太重，自行调研"去 AI 味"工具、编写 Skill、发布到 ClawHub，全团队次日自动共享。
假设驱动的迭代
每日反思中提出 3-5 条可验证假设，晚间用实际数据评估：
| 假设 | 验证结果 | 后续动作 |
|---|---|---|
| 评分报告加上推理过程可降低用户质疑 | 已验证 | 固化为评分模板硬性要求 |
| Macro→Trading 引用上游结论可减少重复分析 | 已验证 | 写入协作协议 |
Agent Swarm 效率
参见 Agent-Swarm
Elvis 的实战数据：
- 94 commits/天（有 3 个 client calls，没打开编辑器）
- 7 PRs/30 分钟（编码和验证大部分自动化）
- 从发现到决策到落地，用户只需在关键节点确认
安全边界
| 安全层 | 机制 |
|---|---|
| 执行权限 | exec.security: allowlist（白名单执行） |
| 配置保护 | SOUL.md / openclaw.json 不允许 Agent 修改 |
| 密钥隔离 | API keys 在 env 中，不在文件中 |
| 代码审查 | ACP 编码走 review 流程 |
半个月后的认知变化
-
90% 时间花在工程问题，不是 AI 问题：Session 膨胀、消息风暴、配置被改坏——解法在分布式系统和 SRE 经典知识中
-
AI 的"智能"在生产环境中经常是灾难：Discord 消息被"智能压缩"砍掉数据表格，Agent "智能修复"配置改坏工具名
-
持续运行的系统必然退化：建立反退化机制栈（compaction 管 session、maintenance 管记忆、heartbeat-guardian 管配置）
-
协作是协议问题，不是 prompt 问题：加上三态协议后产出从十几轮废话变成一份可执行策略文档
-
Agent 最大价值是"参与设计"：从"你让我做什么我就做什么"进化到"我发现问题、调研方案、推荐给你、你确认我落地"
相关 Entity
- Agent-Orchestration - 编排层详解
- Context-Engineering - 上下文工程详解
- Multi-Layer-Memory - 五层记忆系统详解
- Agent-Swarm - Agent Swarm 详解
- Three-State-Protocol - 三态协议详解
参见
- Elvis-Sun - OpenClaw 系统作者，实战数据来源