（四）OpenClaw具体的运行流程是什么？

上面是OpenClaw功能性的介绍。OpenClaw本质上是一个软件，它有一个可以一步步精确理解的运行过程，了解具体的运行流程能更好的理解原理。

一个传统软件或者算法运行，其流程是“接收输入、调用工具、返回响应”。互联网服务或者手机APP等程序就是这样做的，人们用得很熟。OpenClaw也是一个软件，也有同样的流程。

但是，OpenClaw与传统软件最大的不同，是运行时有智能。它的流程是“接收输入、检索记忆、推理决策、调用工具、更新记忆、返回响应”，加了一些智能相关环节。这个过程是写在OpenClaw的Node.js程序代码里的，是开源的，并不神秘。

让OpenClaw火遍全球的，是它与传统算法的区别：

传统软件，接收的输入是明确的指令，由输入与交互界面确定，不是模糊的自然语言；OpenClaw可以理解用户的自然语言，指令一下泛化了。先不说能不能做好，传统算法能“被要求”做的事，极为有限，接收输入死板；而OpenClaw是完全开放的，想象力完全打开，可以接收无数种输入，用户可以提出各种合理或者不合理的要求。

传统算法，调用的工具极为有限，是事先确定的，算法都是写死的。即使复杂到微信这么大的程序，功能也是有限的；OpenClaw能够调用的工具数量无上限，它有许多整理好的skills套路可用，还可以搜索到可用的互联网服务，还能自己写程序开发工具，理论上的能力无上限。

传统算法的记忆功能非常有限，只是定死的数据库、更新数据库，或者一些选项设置。OpenClaw的记忆是开放的，它可以按日期记下与用户的互动，作为后面交互的参考，框架是开放的。

传统算法只能执行固定套路，少数程序有定时执行功能，意义不大。OpenClaw可以记下极多用户交待的事，定期执行。框架是开放的，每天可以做许多事，是能力强大的“AI助理”，等于许多软件功能可以一起跑。

从上面的分析可知，OpenClaw是一个彻底打开想象力的开放性软件，与传统算法完全不是一回事，最大的特点就是开放性。人们通过宣传、实际跑样例，很快就能发现OpenClaw的强大与创新。黄仁勋说OpenClaw是“有史以来最重要的软件发布”，就是这个意思。

但是，这么好的事，必须有大模型帮助才能实现。许多人都有和大模型聊天的经验，能明白大模型的能力：

大模型会去看对话框里的上下文，对话是有关联的，这就是有“检索记忆”。

大模型会去网络搜索收集信息，增加信息，不只用训练时截止日期之前的信息。

大模型会有思考地分许多步去完成任务，这就是在“推理决策”。

大模型会写程序，能开发工具。

OpenClaw不是大模型，但通过API来调用大模型。接收输入后，OpenClaw检索记忆，将它作为上下文，调用大模型进一步明白用户的意图，不用重复交待；大模型接着进行“推理决策”，根据用户意图生成“工作计划”，这是2025年大模型Agent开发的典形任务；OpenClaw调用工具后，看返回的结果，根据成败推进工作计划，调用更多工具；工作计划完成后（失败也是一种完成结果），OpenClaw调用大模型生成总结更新记忆，将最终结果组织成用户能接受的形式输出，返回响应。

从上面的描述可知，大模型对OpenClaw等AI智能体类软件非常重要，这大家都知道。但还有一个叫“记忆”的东西，有点迷糊。这就涉及OpenClaw核心框架的三大组件：Skill system、Agent Runtime、Memory。

Skill system可以模糊理解为一大堆“AI技能包”，可以扩展的。这其实不难理解，就当是有一堆子程序可供调用，传统编程里就有许多库函数。Skill system可以当作是AI类库函数，每个有SKILL.md这样的给AI看的“使用说明书”。

但让OpenClaw跑起来，还需要其它两个重要组件：Agent Runtime、Memory。

Memory系统相对容易理解，就是“记忆”，它是OpenClaw需要的会话上下文、短期与长期日志、用户偏好人格等等，会分门别类放在相关文件里。“记忆”并不玄虚，直观理解就是一些文件把用户交待的话、用户与OpenClaw的互动，用文件记下来。我用的KimiClaw是在Linux虚拟机的“/root/.openclaw/workspace/”目录里，用四个关键的.md文件，把用户相关的事记下来。还有每天的工作日志，KimiClaw是存在/root/.openclaw/workspace/memory目录里，每天有一个日志文件。这不少常规软件也有，不难理解。

需要注意的是，这些记忆相关文件的内容，是AI整理的。不是事无巨细都记，也不是原样记，而是理解了以后摘要、汇总记忆，是智能记忆。如果一堆事太长，就汇总一下。其实人也不是什么都记，重要的事记住，细节放文件里。OpenClaw的记忆也是如此，重要的事放用户核心记忆文件里，细节放在日志里，出事了闹不清就去查日志。所以Memory也是和大模型有关的。

Memory相关的文件非常重要。我的KimiClaw出了一次大问题，不知道为何memory目录都没了，MEMORY.md也变成空的了，就发现任务执行胡编乱造，傻子一样，根本没法用了。我让它修复，才又好起来。

Agent Runtime看名词不太好理解，但它是OpenClaw真正的核心，需要仔细解释。Agent就是AI业界流行了一段时间的“智能体”，这是说OpenClaw是一个有智能的软件，能“代理”一样替人做事。Runtime是程序员熟悉的专用名字，可以类比理解成Windows、手机操作系统开机时的运行状态、运行环境，是个动态的概念。关机了就没有Runtime，跑起来了就有一堆东西活跃起来，配合做事，整个氛围叫Runtime。

OpenClaw跑起来以后，整个相关运行环境，就是Agent Runtime，负责管理AI代理的完整生命周期，有多种相关功能。如“会话管理”，维护与用户的对话上下文，处理多轮对话状态；再如“消息路由”，接收来自不同渠道的消息，路由到对应会话，飞书还是网页聊天框来的分清楚；“工具编排”，解析用户意图，调用适当的工具并管理执行流程；“安全沙盒”，控制工具访问权限，区分内部操作和外部调用。这些都是OpenClaw的代码实现的，是其代码真正对应的功能。

可以用“运动员比赛追踪”的案例，来具体说明OpenClaw运行一个任务的过程。我在飞书上（或者KimiClaw网页上聊天也可以），要求“更新下六个运动员的跟踪信息”。这六个运动员是郑钦文、王欣瑜、赵心童、王曼昱、孙颖莎、王楚钦，是之前交待的，放在Memory文件里了。

1.接收输入（系统层）

用户消息："更新下六个运动员的跟踪信息"

这步不涉及大模型，OpenClaw Gateway 接收并路由到Agent Runtime。

2.检索记忆（工具调用）

Action: memory_search(query="运动员追踪 郑钦文 王欣瑜...")

这步也不涉及大模型，直接读取文件系统返回记忆片段。

3.推理决策（大模型介入 - 第1次大模型API调用）

输入给模型的上下文：

User: "更新下六个运动员的跟踪信息"

Memory: [陈经关注投资、体育、媒体内容创作]

Available tools: [kimi_search, web_fetch, sports-tracker Skill]

模型推理输出：

意图分析：用户要求更新运动员追踪信息

记忆匹配：USER.md 显示关注6位运动员（郑钦文、王欣瑜...）

工具选择：

优先使用 sports-tracker Skill（已配置，准确性高）

辅助使用 kimi_search 验证实时比分

执行计划：

 - 先执行 /root/.openclaw/workspace/skills/sports-tracker/scripts/tracker.py

 - 然后针对有比赛的选手使用 kimi_search 获取具体比分

 - 最后整理报告

4.调用工具（执行层）

子步骤4a：执行 tracker.py

cd /root/.openclaw/workspace

python3 skills/sports-tracker/scripts/tracker.py

子步骤4b：kimi_search（根据模型决策）

Action: kimi_search(query="孙颖莎 朱芊曦 WTT重庆冠军赛 3月12日 结果 比分")

搜索引擎API直接返回结果

子步骤 4c：读取结果并整理

读取 tracker.py 输出 + kimi_search 结果

这步不涉及大模型，是工具调用、网络搜索、数据整合

5.更新记忆（大模型介入 - 第2次 API 调用）

输入：原始追踪结果（长文本）

模型任务：提炼关键信息，生成简洁记忆

输出："孙颖莎3-0胜朱芊曦，王楚钦待比赛19:40"

结果写入memory目录里的日志文件2026-03-12.md，上图是我在终端里直接查看到的日志内容，是有用大模型总结的。

6.返回响应（大模型介入 - 第3次API调用）

输入给模型：

工具执行结果：

- tracker.py: "6位运动员中，孙颖莎、王楚钦今日有比赛..."

- kimi_search: "孙颖莎 3-0 朱芊曦（11-5, 13-11, 11-8）..."

任务：生成给用户的回复

要求：简洁、结构化、突出关键信息

模型生成响应：

【运动员追踪报告】3月12日（14:20更新）

...

孙颖莎（乒乓球）

- 今日比赛已结束

- 比分：3-0 胜朱芊曦（11-5, 13-11, 11-8）

- 状态：晋级16强

王楚钦（乒乓球）

- 待比赛：19:40 vs 弗朗西斯卡

这里调用了大模型 API，将工具结果转化为自然语言。

注意上面的流程中有个kimi_search，它不是skills也不是大模型，而是KimiClaw内置的网络搜索工具。

无论多么神奇的OpenClaw功能，都可以拆解。OpenClaw核心、记忆检索、大模型调用、Skills工具调用与网络搜索、记忆更新等多种模块组合，就能完成无数种任务。

可以看出，这个组合极为灵活，能完成的任务想象力完全打开。其中大模型的能力是关键，有了它，才能理解要干什么事、如何执行任务、如何输出给用户，所以完成一个任务要多次调用大模型。有些客户发现用OpenClaw太花钱了，比大模型APP问答花钱多了，就是因为“一个任务多次调用”的特性，大模型回答问题就是一次调用。

智能体能长时间不断调用大模型推进任务，是智能进步的标志，已经从几十分钟进步了到几小时甚至更长。有些任务OpenClaw可以跑很长时间不出错最终完成，但它基本是一个智能体在跑。现在AI前沿已经发展到十几个智能体分工配合一起完成任务，开源社区也有让多个OpenClaw分工互相通信协作的尝试，但还不是太突出。