OpenClaw解析
OpenClaw解析
https://zhuanlan.zhihu.com/p/2000850539936765122
记忆系统尤其关注下
本博客所有文章除特别声明外，均采用 CC BY-NC-SA 4.0 许可协议。转载请注明来源 Roger-Lv's space！
相关推荐
2026-02-04
OpenClaw记忆系统分析
OpenClaw记忆系统深度解析：构建AI代理的长期记忆能力 摘要 OpenClaw作为一个多通道AI代理平台，其核心能力之一就是为AI代理提供长期记忆功能。本文深入分析OpenClaw记忆系统的架构设计、实现原理和技术细节，涵盖从本地向量存储到外部记忆系统集成的完整技术栈。 1. 记忆系统架构概览 OpenClaw的记忆系统采用分层架构设计，主要包含以下核心组件： 1.1 核心架构图 graph TB A[记忆系统] --> B[MemoryIndexManager] B --> C[嵌入向量层] B --> D[存储引擎层] B --> E[搜索算法层] C --> C1[OpenAI嵌入] C --> C2[Gemini嵌入] C --> C3[本地模型] D --> D1[SQLite向量存储] D --> D2[FTS5全文检索] D --> D3[文件系统索引] E --> E1[混合搜...
2026-07-13
SkillClaw技能集体进化框架深度代码解析
SkillClaw 技能集体进化框架深度代码解析 摘要 SkillClaw（arXiv:2604.08377）提出了一种让 LLM Agent 的技能在多用户环境中持续进化的框架，核心洞察是：当前 Agent 系统（如 OpenClaw）的技能在部署后基本静态，不同用户重复踩同样的坑、重复发现相似工作流。SkillClaw 把跨用户、跨时间的交互轨迹作为信号，通过"自主 evolver"自动识别模式并更新共享技能库，实现"一次改进，全系统受益"的累积式能力提升。 本文不重复论文摘要，而是直接对照项目源码，回答一篇针对该论文的评审所提出的若干关键疑问：evolver 的算法到底是什么？是否引入了外部验证器作为"认识论锚点"？更新频率和粒度如何控制？技能冲突如何仲裁？错误累积与隐私隔离如何处理？技能库规模增大后检索效率如何保障？ 读完本文你会发现：代码基本印证了评审基于摘要的推测，并把其中几个"摘要未说明"的点坐实了——evolver 是 LLM 反思式自举而非 RL，默认路径无外部锚点，冲突仲裁极浅，无...
2026-07-20
Claude Code Harness 设计精读——从源码看 Agent 运行时
Claude Code Harness 设计精读——从源码看 Agent 运行时 本文基于 Claude Code 的 TypeScript 源码（src/）精读，讲清一个核心问题：“harness” 到底是什么、它由哪些子系统构成、它们怎么协作把"一次用户输入"变成"一串工具调用 + 最终回答"。 注：参考的某篇中文专栏文章无法访问，本文以源码为唯一事实来源，结构上覆盖 harness 的全部关键面。 一、什么是 harness——Agent 的"操作系统层" 在 Agent / LLM 工程语境里，harness 指包在模型之外的运行时——模型本身只会"输入文本→输出文本"，但一个能干活的 Agent 需要： 维护对话历史和上下文窗口（长了要压缩） 把模型输出的 tool_use 解析出来、调度执行、把结果喂回模型 控制工具的并发/串行、权限、安全 在出错、超 token、被打断时正确恢复 管子代理、计划模式、hooks、内存、技能、任务 这些"模型不管的工程事"加起...
2026-07-21
LLM Agent 安全——攻击面、代表性论文与防御体系
LLM Agent 安全——攻击面、代表性论文与防御体系 本文是 LLM Agent 安全方向的论文调研综述。目标：让你在面试时能讲清"agent 安全和纯 LLM 安全有什么本质区别"“indirect prompt injection 为什么是 agent 的头号威胁”“instruction hierarchy / spotlighting / sandbox 这些防御各自的边界在哪”“为什么 prompt injection 至今没有银弹”。 内容基于公开论文与 OWASP LLM Top 10 等。每节标注代表性论文，便于顺藤摸瓜深读。 一、为什么 Agent 安全是全新量级的问题 纯 LLM（聊天机器人）最坏也就"说了不该说的话"。Agent 不一样：它会调工具、读写文件、发邮件、花钱、改系统。攻击面从"文本输出"扩到"真实世界副作用"，量级跳升。 Agent 和纯 LLM 安全的三点本质差异： 有动作、有副作用：Agent 拿着 API key、shell、浏览器、信用卡。一次被...
2026-07-21
MCP 安全与 Prompt Injection 攻防实战
MCP 安全与 Prompt Injection 攻防实战 本文是《LLM Agent 安全》篇的补充实战篇，聚焦两个最该会落地的子题：MCP（Model Context Protocol）生态的 tool poisoning 风险与防护、以及 Prompt Injection 的真实 payload 案例 + 防御代码级落地（Spotlighting / Instruction Hierarchy / 参数校验 / human-in-the-loop）。读完你能回答"MCP 工具描述怎么藏毒"“Rug pulling 是什么”“spotlighting 代码怎么写”“为什么 base64 编码也能防一阵”。 前置：攻击面分类、indirect PI、无银弹根因见《LLM Agent 安全》篇。本文不重复理论，只讲实战形态与落地。 一、MCP 为什么是新的高危攻击面 MCP（Model Context Protocol）让 agent 能像装浏览器扩展一样接外部工具/数据源——stdio、HTTP、SSE 本地或远程 server 暴露 tools/...
2025-08-13
MCP-Zero：LLM智能体主动工具发现的新范式
MCP-Zero：LLM智能体主动工具发现的新范式 转自：https://zhuanlan.zhihu.com/p/1928760473630798292 引言 大语言模型（LLMs）在处理复杂任务时，通常需要借助外部工具来扩展其能力范围。然而，当前 LLM 智能体与工具集成的主流范式存在显著局限性：它们往往将预定义的工具模式注入到系统提示中，导致模型扮演被动选择者的角色，而非主动发现所需能力。这种方法不仅造成了巨大的上下文开销，也限制了模型的决策自主性。 为了解决这些问题，本文引入了 MCP-Zero，一个旨在恢复 LLM 智能体工具发现自主性的主动框架。MCP-Zero 的核心思想是，智能体能够主动识别自身能力差距，并按需请求特定工具，从而将自身从大规模检索器转变为真正的自主智能体。该框架通过三大核心机制运行：主动工具请求、分层语义路由和迭代能力扩展。这些机制共同作用，使得 MCP-Zero 能够在最小化上下文开销和保持高准确性的前提下，动态构建多步工具链。 图：LLM 智能体的工具选择范例比较。(a) 基于系统提示的方法将所有 MCP 工具模式注入上下文，导致提示过长，...
评论