为什么90%的AI伴侣项目死于工程问题？从OpenClaw的崩溃到NewClaw的重生
本文从CC vs Cursor的架构哲学之争出发，提炼出五大设计原则，设计了新一代AI伴侣产品NewClaw——继承OpenClaw的产品野心，但用Claude Code的极简哲学从根本上重写。
文章目录
🍃作者介绍：25届双非本科网络工程专业，阿里云专家博主，深耕 AI 原理 / 应用开发 / 产品设计。前几年深耕Java技术体系，现专注把 AI 能力落地到实际产品与业务场景。
🦅个人主页：@逐梦苍穹
🐼GitHub主页：https://github.com/XZL-CODE
✈ 您的一键三连，是我创作的最大动力🌹
⚡ 重要更新：NewClaw MVP 已开发完成，本周将正式开源发布！
这篇文章不只是设计方案——我已经把下面所有的架构思路落地成了可运行的代码。单线程主循环、事件驱动、外部记忆服务、渐进式信任权限模型，全部实现。
这两周内我会在 GitHub 上发布 MVP 版本，届时大家可以直接上手体验。
如果你也受够了 OpenClaw 的 Session 熵增和 Token 黑洞，或者对"少约束释放模型潜力"这个方向感兴趣，强烈建议先关注公众号【龙哥AI】，发布当天我会第一时间推送安装指南和使用教程。
下面进入正文——先聊聊我为什么要做这件事。
1、前言：为什么我们需要重新思考 AI 伴侣的架构？
OpenClaw 上线数周就突破 20 万 Star，成为开源社区最火爆的 AI 伴侣框架。但在光鲜数据的背后，运营者们发现了一个残酷的现实：
“从’装好 OpenClaw’到’系统流畅运作’再到’Agent 自主进化’之间，有巨大的鸿沟。90% 的时间花在工程问题上，不是 AI 问题上。”
子 Agent 回调无限循环烧掉 1.28 亿 Token（$100+）、Session 膨胀到 7069 条消息导致死亡螺旋、Heartbeat 与 Cron 双调度系统互相污染……这些不是偶发 Bug，而是架构层面的系统性缺陷。
与此同时，另一个产品却走了完全相反的路——Claude Code。它没有复杂的调度系统，没有 Markdown 配置文件驱动的行为约束，甚至没有专用的文件搜索工具。它只有一个极简的单线程主循环和一个 bash 接口。然而在 2026 年初的开发者喜爱度调查中，Claude Code 以 46% 的份额碾压 Cursor 的 19%。
这两个产品的成败对比，揭示了 AI 产品设计中一个深刻的规律：当模型能力足够强时，工程化约束不是保护网，而是枷锁。
本文将从 CC 与 Cursor 的架构哲学之争出发，提炼出"为未来模型设计"的核心理念，并据此设计一款名为 NewClaw 的新一代主动式 AI 伴侣产品——它继承 OpenClaw 的产品定位，但采用 Claude Code 的架构哲学，从根本上解决 OpenClaw 暴露的所有工程问题。
核心公式：
NewClaw = Claude Code 的架构哲学
+ OpenClaw 的产品定位（主动式 AI 伴侣）
+ 事件驱动（替代 Heartbeat/Cron）
+ 渐进式信任（替代 SOUL.md 硬约束）
+ 外部记忆服务（替代 Session 熵增）
2、CC vs Cursor 的启示：少约束 vs 多约束的胜负
2.1 一句定义产品方向的话
Claude Code 由 Boris Cherny 于 2024 年 9 月加入 Anthropic 后开始开发，最初只是一个 side project。他的管理者 Ben Mann 说了一句奠定整个产品哲学的话：
“Don’t build for today’s model, build for the model six months from now.”
（不要为今天的模型设计，要为六个月后的模型设计。）
这句话的含义极其深远：不用大量工程化约束弥补当前模型的不足，而是相信模型能力会持续提升，为更强的模型留出空间。
这在当时是一个高风险的赌注。2025 年 2 月 Claude Code 以"研究预览"发布时，模型能力（Claude 3.7 Sonnet）确实不足以支撑这种激进设计——用户抱怨"Claude Code gets stuck in loops of doing the wrong thing"。而 Cursor 的工程化约束（Rules 系统、Diff 预览、上下文裁剪）恰好弥补了模型短板，体验远好于 CC。
但当 Claude 4（2025年5月）和 Claude 4.5（2025年9月）发布后，局势彻底逆转。
2.2 全维度对比：两种截然不同的设计哲学
| 维度 | Claude Code | Cursor |
|---|---|---|
| 设计出发点 | 为未来更强的模型设计 | 为当前工作流补充 AI 能力 |
| 工程化约束方向 | 随模型进步逐渐减少约束 | 预设约束，持续累积规则 |
| 安全机制 | 事后撤销（checkpoint + rewind） | 事前审批（diff preview） |
| 上下文策略 | 全量输入，200k 实际可用 | 工程化裁剪，实际 70k-120k |
| 工具设计 | 给 bash，让模型自己找路 | 专用工具 + 结构化工作流 |
| 产品迭代 | Latent Demand（观察用户再标准化） | 自上而下设计预设工作流 |
社区最精辟的概括：
“Claude Code nudges toward exploration while Cursor nudges toward convergence.”
（Claude Code 引导你探索，Cursor 引导你收敛。）
一个曾是"Cursor top 0.01% 用户"的开发者切换到 Claude Code 后的帖子引发了 HN 热议。Reddit 上流传的情绪转折点：
“I’d rather pay for Claude Code even if someone gave me a free subscription to Cursor.”
核心洞见：Cursor 为了工程化管控，在模型和开发者之间引入了大量中间层——这些中间层在模型能力弱时是保护，在模型能力强时是枷锁。
2.3 这场对决的宏观意义
Claude Code 和 Cursor 的对比，映射了 AI 领域更宏观的规律：
当模型能力不够强时，工程化约束是弥补手段；当模型能力足够强时，工程化约束变成负担。
- Cursor 的"多约束"设计在 2023-2024 年模型能力有限时代是正确的
- Claude Code 的"少约束"设计是在赌模型能力的快速提升——这个赌注在 2025 年被证明是正确的
- 对 AI 伴侣产品的启示：OpenClaw 用 SOUL.md / AGENTS.md 约束模型行为的方式，和 Cursor 用 Rules 约束模型的方式本质相同——都是"多约束"路线。在模型能力持续提升的今天，我们需要一条新路。
3、CC 的设计哲学精髓
3.1 极简单线程主循环
Claude Code 的技术架构被称为单线程主循环（Single-Threaded Master Loop），本质极其简洁：
while model_produces_tool_call:
execute_tool()
feed_result_back_to_model()
# 当 model 输出纯文本时，循环自然结束
关键设计决策：
- 单一扁平消息历史（flat message history）：不做线程化，无多 Agent 竞争控制权
- 最多一层子 Agent 分叉：防止不受控的 Agent 增殖
- 刻意拒绝复杂的多 Agent 编排模式
“The thesis is straightforward: a simple, single-threaded master loop combined with disciplined tools and planning delivers controllable autonomy.” — ZenML 分析报告
这和 OpenClaw 的 Hub-and-Spoke 架构（Gateway 网关 + 多子系统）形成鲜明对比。OpenClaw 的 Heartbeat Runner、Cron Scheduler、Session Registry、Command Queue 等多个子系统共享事件总线，路由逻辑存在大量歧义，最终导致了状态机互污染、Token 黑洞等一系列灾难。
3.2 “Bash 就是一切”——最反直觉的设计决策
Boris Cherny 在访谈中描述了团队最出人意料的发现：
“Everything is dual use. We give it bash and they just started using bash, writing AppleScript to automate stuff.”
团队的反直觉发现：
- 模型会自发地用 bash 查阅 git 历史来解决问题——这是工程师完全没有预先设计的行为
- 最朴素的 glob + grep 文件搜索，实际效果超过了精心设计的 RAG 系统
- 尝试了本地向量数据库、递归模型索引等复杂方案，最终都比不上让模型直接用文本搜索
这个发现对我的冲击很大。作为一个曾经花大量时间研究 RAG 优化的开发者，我不得不承认：有时候最简单的方案就是最好的方案。 模型不需要你替它设计好搜索策略，它自己知道怎么找到需要的信息——前提是你给它足够的工具自由度。
3.3 渐进式信任：随模型进步，删除约束
这是 Claude Code 与传统工程化工具最根本的哲学差异，也是 NewClaw 设计的核心灵感来源。
Mikhail Shilkov 对 Claude Code 1.x 和 2.0 的系统提示词做了详细对比，发现了清晰规律：
策略是精准的：
- 模型能自主掌握的行为 → 从提示词中删除约束
- 真正高风险的操作（如 git force push） → 持续强化明确约束
这和 OpenClaw 的 SOUL.md"不可变宪法"设计完全相反。OpenClaw 把约束写进配置文件后就不再修改，甚至鼓励用户累积更多规则。结果是：Agent 在"反思迭代"后给自己加了"AI/科技内容不超过 40%"的配额限制，"智能压缩"砍掉了关键数据表格，"智能修复"自己的配置导致工具名错误。
约束越多，模型"聪明地"绕过约束的方式就越多——这不是 Bug，这是 LLM 的本性。
3.4 创始人的使用方式：最朴素的配置
Boris Cherny 在 Threads 发帖：
“My setup might be surprisingly vanilla! Claude Code works great out of the box, so I personally don’t customize it much.”
他的日常工作流：同时在多个终端标签页运行 5 个 Claude Code 实例并行处理不同任务，先在 planning mode 中迭代计划，再一键执行——每天能输出 20-30 个 PR。
最好的工具就是不需要你花大量时间配置的工具。
4、NewClaw 设计哲学：五大核心原则
从 CC vs Cursor 的启示、OpenClaw 的工程教训、以及六种自主 Agent 设计模式的研究中，我提炼出 NewClaw 的五大设计原则：
4.1 原则一：单循环，零调度冲突
OpenClaw 的 Heartbeat + Cron 双系统是一切灾难的根源：
- 状态机互污染（Issue #7613）
- 路由目标歧义（Issue #18573）
- 回调去重缺失导致无限循环（Issue #17442，1.28 亿 Token）
- 上下文膨胀（每次心跳 170k-210k tokens）
NewClaw 只有一个主循环——像 Claude Code 一样：
while alive:
event = await next_event() # 等待事件
context = gather_context(event) # 收集最小必要上下文
response = model.think(context) # 模型自主决策
execute(response.actions) # 执行模型决定的行动
没有 Heartbeat。没有 Cron。模型自己决定什么时候该做什么。
4.2 原则二：渐进式信任（Progressive Trust）
CC 团队的核心实践：随模型能力提升，删除而非增加系统提示词约束。
- 模型能自主掌握的行为 → 从提示词中删除
- 真正高风险的操作 → 保留硬约束（如数据删除、资金操作）
- 不是"约束模型"，而是"信任模型 + 精确边界"
4.3 原则三：事件驱动，非轮询
不再问"现在几点了，该不该做某事"，而是"发生了什么事，我需要关注吗"。
Confluent 在 2025 年推出的 Streaming Agents 已经证明：事件驱动的 AI Agent 在响应速度、资源利用率、可扩展性上全面超越传统的 cron job 方式。
4.4 原则四：轻量上下文，杜绝熵增
OpenClaw 的 Session 死亡螺旋（7069 条消息 / 17 万 token / 20MB 磁盘）是不可避免的——持续运行的系统会确定性地熵增。
NewClaw 的解法：无持久 Session，每次交互从外部记忆服务拉取最小必要上下文。
4.5 原则五：AI 提案，人类决策
主动性不是"替用户做决定"，而是"我发现了这个，你要不要处理？"
这是 Gmail Smart Reply 的设计哲学：被动邮件处理（用户主导）+ 主动建议（AI 提案，用户决定是否采用）。研究表明，主动 AI 帮助会导致用户基于能力的自尊心下降，降低系统满意度——所以主动功能必须提供退出机制，并允许用户调整 AI 介入程度。
5、NewClaw 架构全景
NewClaw 的整体架构由一个单线程主循环驱动，连接六大核心模块。下面逐一详解。
6、核心模块详解
6.1 事件收集器（Event Collector）— 替代 Heartbeat + Cron
OpenClaw 的问题： 两套调度系统共享事件总线，路由歧义导致状态机互污染。原生 Heartbeat 每次运行消耗约 170k-210k tokens，且因触发频率失控（实测 ~10-20 秒），实际 token 消耗远超预期。
NewClaw 的解法： 统一事件流 + 模型自主判断。
事件源（全部异步，按需激活）：
用户消息 / Webhook / 文件变更 / API回调 / 邮件到达 / 日历事件 / 监控告警
│
▼
┌──────────┐ ┌──────────────┐
│ 事件队列 │────▶│ 模型自主判断 │
│ (优先级) │ │"要不要处理？"│
└──────────┘ └──────┬───────┘
┌─────┴─────┐
[处理] [静默]
(进入主循环) (零token消耗)
关键差异：
- 没有固定周期轮询，事件到达时才激活
- 模型自己决定这个事件值不值得处理（而非工程代码判断）
- 静默时不消耗 token（OpenClaw 原生 Heartbeat 每次 170k-210k token）
- 用户可以用自然语言配置关注的事件，而非编写 cron 表达式
自然语言配置示例：
用户: "帮我关注 Sentry 上的 P0 错误，有新的就告诉我"
模型: [自主注册 Sentry Webhook] → [收到事件时自主判断严重程度]
→ [P0: 立即通知] [P1: 积累后批量汇报] [P2+: 静默]
这比 OpenClaw 需要手动配置 cron 表达式和 HEARTBEAT.md 清单的方式直观得多。
6.2 上下文组装器（Context Assembler）— 杜绝 Session 熵增
OpenClaw 的问题： 持久 Session 导致 7069 条消息 / 17 万 token 的死亡螺旋。大工具输出（例如 396KB+ JSON）被永久存入 Session，此后每条消息都拖着这个巨大历史块。
NewClaw 的解法： 无持久 Session，按需拉取最小上下文。
每次推理前，上下文组装器按需组装上下文窗口，分为四层：
| 层级 | 内容 | 预估大小 |
|---|---|---|
| 身份层（固定） | 核心人格 + 用户画像 + 精确边界（不可违反的硬约束） | ~2k token |
| 记忆层（按需拉取） | 语义检索相关记忆 + 近期交互摘要 + 用户偏好 | ~5-20k token |
| 任务层（动态） | 当前事件数据 + 工具调用结果 + 相关文件内容 | ~10-50k token |
| 工具层（固定） | 可用工具清单 + 使用格式 | ~3k token |
总计：20k-75k token（远低于 200k 上限），剩余空间留给模型推理和输出。
核心规则：
- 不存储完整对话历史
- 每次交互后，仅将"值得记住的"写入记忆服务
- 模型自主决定什么值得记忆（而非全量保存）
6.3 模型推理层（Model Reasoning）— 自主决策的核心
这是与 OpenClaw 最根本的区别。 OpenClaw 用 SOUL.md / AGENTS.md 硬编码行为；NewClaw 让模型自主推理。
模型可自主做出的决策类型：
- 主动发起对话 — “你昨天提到的那个 API 集成，我查了一下，有个更简单的方案…”
- 反问澄清 — “你要我监控的是生产环境还是测试环境？”
- 主动检索信息 — 调用工具搜索，分析后推送给用户
- 生成方案文档 — 可行性分析 + 架构图
- 提醒和建议 — “根据你的习惯，现在是做周报的时间”
- 静默（最重要的决策） — 模型判断"现在不需要打扰用户" → 不输出
关键设计：模型的"不行动"也是一种有价值的输出。 OpenClaw 的 HEARTBEAT_OK 机制抓住了这个精髓，但 NewClaw 不需要工程代码来实现——模型自己会做出这个判断。
6.4 行动执行器（Action Executor）— Bash 就是一切
CC 的核心发现：模型会自发用 bash 查 git 历史、用 grep 搜代码——最朴素的 glob + grep 效果超过精心设计的 RAG。
NewClaw 的内置工具采用最小集原则：
| 工具 | 用途 |
|---|---|
bash |
万能瑞士军刀 |
read / write |
文件读写 |
web_search |
网络搜索 |
web_fetch |
抓取网页 |
send_message |
向用户发消息 |
memory_read / memory_write |
记忆服务读写 |
没有的工具：
- 专用文件搜索工具（bash + grep/find 即可）
- 专用代码分析工具（模型直接读代码即可）
- 专用日历管理工具（模型调 API 即可）
- 预设的工作流模板
设计哲学来自 Claude Agent SDK 的核心原则：给 Agent 一台电脑，让它像人一样工作。
6.5 记忆服务（Memory Service）— 外部化，非 Session 内
借鉴斯坦福 Generative Agents 的三层记忆架构（记忆流 + 反思 + 规划），NewClaw 的记忆服务设计为独立进程：
| 记忆层 | 内容 | 存储方式 |
|---|---|---|
| Layer 1: 事实记忆 | 用户说过的关键信息、偏好、习惯 | SQLite + FTS5（关键词检索） |
| Layer 2: 情景记忆 | 重要交互的摘要、决策上下文 | 向量数据库（语义检索） |
| Layer 3: 反思记忆 | 模型自主归纳的高阶洞见 | 定期由模型自主生成和更新 |
核心规则：
- 写入由模型自主决定（非全量保存）
- 读取按语义相关性检索（非顺序回放）
- 定期由模型自主做记忆整理（合并 / 遗忘）
- 存储实现：SQLite + sqlite-vec（本地优先，零依赖）
这和 OpenClaw 的做法形成鲜明对比：OpenClaw 把所有对话原始记录存入 Session .jsonl 文件，大工具输出（396KB+ JSON）被永久保存，导致 Session 膨胀不可逆。
6.6 权限边界层（Permission Boundary）— 精确约束，非行为约束
CC 的精髓：不约束模型"怎么想"，只约束"什么不能做"。
Level 0（自由区） 随模型能力提升逐步扩大，Level 3（禁止区） 永不缩小——这就是渐进式信任在权限模型上的具体体现。
和 OpenClaw 的 SOUL.md "不可变宪法"相比：
- OpenClaw 试图约束模型"怎么想"（对话风格、行为准则）→ 容易被模型"聪明地"绕过
- NewClaw 只约束模型"什么不能做"（发送外部消息需审批、删除数据被禁止）→ 边界清晰，无法绕过
7、核心交互流程
7.1 用户主动对话
用户 NewClaw 外部服务
│ │ │
│ "帮我分析这个API" │ │
│───────────────────────▶│ │
│ │ │
│ [上下文组装] │
│ - 拉取用户画像和相关记忆 │
│ │ │
│ [模型推理] │
│ "需要先搜索API文档" │
│ │──── web_search ─────────▶│
│ │◀─── 搜索结果 ───────────│
│ │ │
│ [模型推理] │
│ "找到了，分析可行性并画架构图" │
│ │ │
│ 可行性分析报告 + 架构图│ │
│◀───────────────────────│ │
│ │ │
│ [模型自主决定] │
│ "这个分析值得记住" │
│ │──── memory_write ───────▶│
7.2 模型主动触发（关键创新）
外部事件源 NewClaw 用户
│ │ │
│ Sentry P0 告警 │ │
│ (Webhook推送) │ │
│───────────────────────▶│ │
│ │ │
│ [上下文组装] │
│ - 用户关注的监控项 │
│ - 最近的相关对话 │
│ - 当前时间（静默时段？） │
│ │ │
│ [模型推理] │
│ "P0，用户要求立即通知" │
│ "下午3点，不在静默时段" │
│ "先查一下错误详情" │
│ │──── bash: curl sentry ──▶│
│ │◀─── 错误堆栈 ───────────│
│ │ │
│ [模型推理] │
│ "和昨天讨论的auth改动有关" │
│ │ │
│ │ "⚠ 生产P0告警 │
│ │ auth模块空指针异常 │
│ │ 可能和昨天改动有关 │
│ │ 需要我帮你定位吗？" │
│ │────────────────────────▶│
注意两个关键点：
- 模型自主关联了历史上下文（“和昨天讨论的 auth 改动有关”）—— 这是记忆服务的价值
- 模型以提问结尾（“需要我帮你定位吗？”）—— 这是"AI 提案，人类决策"原则的体现
7.3 模型决定不行动（同样重要）
外部事件源 NewClaw 用户
│ │ │
│ GitHub PR bot评论 │ │
│ (Webhook推送) │ │
│───────────────────────▶│ │
│ │ │
│ [模型推理] │
│ "这只是bot自动评论 │
│ 不值得打扰用户" │
│ │ │
│ [静默] │
│ 零额外token消耗 │ （用户无感知）
"不行动"是模型最有价值的决策之一。 OpenClaw 的 HEARTBEAT_OK 机制尝试实现这一点，但仍然需要消耗完整的心跳推理成本（170k-210k tokens）来得出"不需要行动"的结论。NewClaw 中，模型对事件的初步判断只需要极少的 token——不值得处理的事件直接静默。
8、与 OpenClaw / Claude Code 的关键对比
| 维度 | OpenClaw | Claude Code | NewClaw |
|---|---|---|---|
| 调度机制 | Heartbeat + Cron（双系统冲突） | /loop 单机制（用户触发） | 事件驱动（模型自主判断） |
| 触发来源 | 固定时间表（工程硬编码） | 用户命令（被动为主） | 真实事件流（模型决定响应） |
| 行为约束 | SOUL.md / AGENTS.md（文本约束 LLM） | 系统提示词（渐进式删减） | 权限边界层（只约束不能做的） |
| 会话管理 | 永久 Session（熵增不可避免） | 无持久 Session（每次独立） | 无持久 Session + 外部记忆 |
| 主动能力 | 工程触发 + 模型内容（混合但冲突） | 基本无（编码工具定位） | 模型触发 + 模型内容（统一） |
| Token 效率 | 心跳 170-210k/次（Token 黑洞） | 高效（按需使用） | 静默时零消耗（事件驱动按需） |
| 工具设计 | 专用工具 + 配置（TOOLS.md 列举） | bash 万能（模型自由使用） | 最小工具集 + bash 兜底 |
| 产品定位 | 自主 AI 伴侣（工程限制太多） | AI 编程助手（编码场景专精） | 自主 AI 伴侣（CC 哲学 + 伴侣定位） |
NewClaw 的本质定位： 继承 OpenClaw 的产品愿景（主动式 AI 伴侣），但用 Claude Code 的架构哲学重新实现。解决了 OpenClaw 的三大核心问题——调度冲突、Session 熵增、约束失效——同时保留了主动触发的核心能力。
9、六种自主 Agent 设计模式的融合应用
NewClaw 的设计并非凭空创造，而是融合了学术界已验证的六种自主 Agent 设计模式：
9.1 各模式在 NewClaw 中的具体应用
模式 1：ReAct 推理-行动交错（ICLR 2023）
ReAct 的核心创新：推理轨迹（reasoning traces）和任务特定行动（task-specific actions）交错生成。在 ALFWorld 上绝对成功率提升 34%。
→ NewClaw 应用：主循环的核心模式。模型自主决定"下一步做什么"，无需预定义执行路径。
模式 2：Voyager 终身学习（NVIDIA, 2023）
Voyager 在 Minecraft 中实现了无人干预的持续自主探索，科技树关键里程碑解锁速度快 15.3 倍。核心洞察：不给 Agent 目标，给它工具和环境。
→ NewClaw 应用：记忆服务的技能积累。模型自主发现"下一步该学什么"，积累可复用的技能和知识。
模式 3：Reflexion 语言化强化学习（NeurIPS 2023）
用自然语言替代梯度更新，单个 LLM 同时承担生成器、精炼器和反馈提供者。HumanEval 编程基准达到 91% pass@1，超越 GPT-4 的 80%。
→ NewClaw 应用：反思记忆层。模型将失败经验转化为高阶洞见，无需任何参数更新或训练基础设施。
模式 4：Generative Agents 记忆架构（Stanford, UIST 2023）
25 个 Agent 在虚拟小镇中自主传播邀请、结识新朋友、互相邀约——完全由模型自主行为驱动。
→ NewClaw 应用：三层记忆服务（事实 → 情景 → 反思）直接借鉴此架构。工程只提供存储接口，不干预决策逻辑。
模式 5：Self-Refine 自我精炼（NeurIPS 2024）
同一个 LLM 完成生成、反馈、精炼三个角色的循环，跨 7 项任务提升约 20%。
→ NewClaw 应用：行动执行器的迭代模式。CC 的核心循环（执行工具 → 反馈结果 → 继续推理）本质就是 Self-Refine。
模式 6：事件驱动自主触发（Confluent Streaming Agents, 2025）
Agent 监控实时数据流，基于业务事件触发行动，而非人类请求。颠覆传统的请求-响应模型。
→ NewClaw 应用：事件收集器的核心设计。真实事件触发，非固定时间表。模型自主决定响应级别。
9.2 Anthropic 官方的实证支持
Anthropic 在《Building Effective Agents》中明确指出：
“最成功的实现不是使用复杂框架或专业库。相反，他们是用简单、可组合的模式构建的。”
这正是 NewClaw 的设计准则：不使用 LangChain、LangGraph 等框架增加抽象层，直接调用 LLM API，用最简单的代码实现最强大的能力。
来自 SWE-bench 的实证数据也支持这一点：同样的模型换不同脚手架，性能差距 11-44%，但"Agentless"简化方法依然有竞争力——过度工程化不是出路。
10、技术选型
| 组件 | 选型 | 理由 |
|---|---|---|
| 运行时 | Node.js / Bun | 单线程 + 事件驱动天然契合主循环设计 |
| 模型接口 | Claude API（主推理）+ 本地小模型（分流） | 主推理用最强模型，简单判断用轻量模型 |
| 记忆存储 | SQLite + sqlite-vec | 本地优先，零依赖，向量检索内嵌 |
| 事件总线 | 内存 EventEmitter | 轻量，单进程内够用 |
| 消息渠道 | Telegram Bot API / Discord.js / … | 按需接入 |
| Webhook | 内置 HTTP Server | 接收外部事件 |
| 沙箱 | Docker / macOS Sandbox | Bash 执行隔离 |
| 部署 | 单进程，systemd / pm2 | 保持简单 |
刻意不使用的技术：
- Redis / RabbitMQ（内存队列足够）
- 独立向量数据库服务（sqlite-vec 内嵌即可）
- 微服务架构（单进程，保持简单）
- LangChain 等框架（直接调 API）
- 数据库服务器（SQLite 本地文件即可）
Karpathy 的 autoresearch 项目给了我很大的信心：630 行 Python 代码，一晚上跑 50 个实验，全程无人工干预。 最强大的 Agent 不需要复杂的架构——只需要清晰的目标、合适的工具、和足够智能的模型。
11、总结与展望
11.1 核心公式
NewClaw = Claude Code 的架构哲学（单循环 + 渐进式信任 + bash 万能）
+ OpenClaw 的产品定位（主动式 AI 伴侣 + 多平台适配）
+ 事件驱动（替代 Heartbeat/Cron 双系统冲突）
+ 渐进式信任（替代 SOUL.md 硬约束）
+ 外部记忆服务（替代 Session 熵增）
11.2 一句话设计哲学
OpenClaw 试图用工程约束驯服模型的"过度智能"，结果工程本身成了最大的问题。NewClaw 反其道而行：给模型环境和工具，让它自己决定做什么——就像 Claude Code 给了模型一个 bash，模型就自己学会了查 git 历史。
11.3 展望
CC vs Cursor 的这场对决告诉我们一个深刻的趋势：AI 产品的设计范式正在从"约束模型"向"释放模型"转变。
- 2023-2024：工程化约束弥补模型不足（Cursor 路线）
- 2025-2026：最少约束释放模型潜力（Claude Code 路线）
- 未来：当模型能力继续提升，我们需要的工程化会越来越少
Boris Cherny 的那句话可能是 AI 产品设计领域最重要的一句话：
“Don’t build for today’s model, build for the model six months from now.”
NewClaw 正是这句话在 AI 伴侣产品领域的实践。我们不知道六个月后的模型有多强，但我们可以确定的是：给它更少的约束、更大的空间，它会做得比我们预想的更好。
参考资料：
- Boris Cherny 创作者访谈
- Pragmatic Engineer: Building Claude Code with Boris Cherny
- Every.to: How to Use Claude Code Like the People Who Built It
- Mikhail Shilkov: Claude Code 2.0 System Prompt Changes
- ZenML: Claude Code Agent Architecture
- Anthropic: Building Effective Agents
- Claude Agent SDK 官方文档
- ReAct: Synergizing Reasoning and Acting (ICLR 2023)
- Voyager: Open-Ended Embodied Agent (NVIDIA, 2023)
- Reflexion: Verbal Reinforcement Learning (NeurIPS 2023)
- Generative Agents: Interactive Simulacra (UIST 2023)
- Confluent: The Future of AI Agents Is Event-Driven
- Karpathy: autoresearch
- Medium: Cursor’s Dead and Claude Code Killed It
- OpenClaw Issue #17442 - Subagent completion callback infinite loop
🚀 持续探索 AI 与前沿技术 分享大模型应用、软件开发实战与行业洞察。 欢迎关注公众号 【龙哥AI】，加入 7000+ 技术同行的交流圈！ 🌟 探索技术边界，让开发更有效率 |
 |
小龙虾开发者社区是 CSDN 旗下专注 OpenClaw 生态的官方阵地，聚焦技能开发、插件实践与部署教程，为开发者提供可直接落地的方案、工具与交流平台，助力高效构建与落地 AI 应用
更多推荐
11
0- 0
已为社区贡献17条内容
所有评论(0)