你有没有注意到，ChatGPT 的回复是一个字一个字"打"出来的，而不是等全部生成完再一次性显示？这不是什么视觉特效，而是 AI 模型的底层工作方式——它本来就是一个 token 一个 token 生成的。但从模型吐出第一个 token，到用户在手机屏幕上看到第一个字，中间发生了什么？这中间有一条完整的流式输出链路：模型 → API → Agent 运行时 → Gateway → 客户端。每一个环

上一篇我们俯瞰了 OpenClaw 的整体架构，知道了 Gateway 是系统的神经中枢。今天我们下探一层，聚焦 Gateway 最核心的基础设施——WebSocket 长连接。为什么选 WebSocket 而不是 REST？多个客户端（macOS App、CLI、手机节点）如何同时接入同一个 Gateway？设备配对是怎么防止非法接入的？这篇文章逐一拆解。先回答一个根本问题：Gateway 为什

本文总结了构建AI Agent框架OpenClaw的核心挑战与经验教训。主要难点包括：LLM输出的不确定性导致传统测试方法失效，需采用行为约束测试；上下文管理需要分层设计而非简单堆积；网络不可靠性和工具执行的幂等性对可靠性提出高要求。设计上需要在简单与功能完备间平衡，采用"约定优于配置"原则。Prompt应被视为代码进行版本控制和DRY管理。作者反思应更早建立测试框架、减少配置

如果说 Gateway 是 AI Agent 框架的"神经网络"，负责消息的传递与路由，那么 Agent 运行时（Runtime）就是这个框架的"大脑"——它决定了 AI 如何记忆过去、理解现在、响应未来。会话（Session）是什么？如何定义一次对话的边界？上下文如何持久化？进程重启后，对话历史怎么恢复？如何在有限的上下文窗口内，塞进最有价值的信息？本文将深入 OpenClaw 的 Agent

OpenClaw AI Agent框架的工具系统解析 摘要： 本文深入探讨了OpenClaw框架中的工具调用系统，揭示了AI如何从"语言生成"转变为"行动执行"的关键机制。工具系统包含三大核心组件：工具定义（元数据描述、输入规范和权限）、工具注册表（权限管理和工具分发）以及执行引擎（安全验证、错误处理和结果反馈）。通过标准化流程，LLM可以安全地请求执行各类

想象一个场景：你有一个个人助手 Agent，同时你还部署了一个专门处理代码审查的 Agent，以及一个管理家庭自动化的 Agent。它们需要接入同一个 Telegram 账号，但各自有独立的"大脑"和记忆。这就是多 Agent 路由一个 Gateway，多个 AI 大脑，消息如何精准投递？路由看起来简单，但实现起来有不少细节：怎么区分消息属于哪个 Agent？跨 Agent 的消息怎么传递？不同

本文总结了构建AI Agent框架OpenClaw的核心挑战与经验教训。主要难点包括：LLM输出的不确定性导致传统测试方法失效，需采用行为约束测试；上下文管理需要分层设计而非简单堆积；网络不可靠性和工具执行的幂等性对可靠性提出高要求。设计上需要在简单与功能完备间平衡，采用"约定优于配置"原则。Prompt应被视为代码进行版本控制和DRY管理。作者反思应更早建立测试框架、减少配置

OpenClaw AI Agent框架的工具系统解析 摘要： 本文深入探讨了OpenClaw框架中的工具调用系统，揭示了AI如何从"语言生成"转变为"行动执行"的关键机制。工具系统包含三大核心组件：工具定义（元数据描述、输入规范和权限）、工具注册表（权限管理和工具分发）以及执行引擎（安全验证、错误处理和结果反馈）。通过标准化流程，LLM可以安全地请求执行各类

想象一个场景：你有一个个人助手 Agent，同时你还部署了一个专门处理代码审查的 Agent，以及一个管理家庭自动化的 Agent。它们需要接入同一个 Telegram 账号，但各自有独立的"大脑"和记忆。这就是多 Agent 路由一个 Gateway，多个 AI 大脑，消息如何精准投递？路由看起来简单，但实现起来有不少细节：怎么区分消息属于哪个 Agent？跨 Agent 的消息怎么传递？不同

你有没有注意到，ChatGPT 的回复是一个字一个字"打"出来的，而不是等全部生成完再一次性显示？这不是什么视觉特效，而是 AI 模型的底层工作方式——它本来就是一个 token 一个 token 生成的。但从模型吐出第一个 token，到用户在手机屏幕上看到第一个字，中间发生了什么？这中间有一条完整的流式输出链路：模型 → API → Agent 运行时 → Gateway → 客户端。每一个环