OpenClaw 技能解构：从 WhatsApp 谈天呆板人到 AI 使用体系

布局决定功能，汗青显现筹划。本文从用户视角出发，向底层追问"它是怎么做到的"。

OpenClaw 是什么？

你在任何谈天窗口给它发一条消息，它就能帮你使用电脑——实行下令、读写文件、欣赏网页、操控桌面应用、管理定时任务，乃至语音对话。
和常见的 AI 谈天呆板人差别，OpenClaw 运行在你自己的电脑上，不依赖云端服务器。它支持 WhatsApp、Telegram、Discord、Slack、Signal、iMessage 等外洋主流平台，也通过插件支持飞书、企业微信、qq等国内渠道。除了消息平台，尚有 macOS / iOS / Android 原生应用，以及终端下令行和 Web 控制台。
简单说：20+ 种入口，一个当地 AI 大脑，一套工具集。
graph TB    subgraph IN ["用户入口"]        MSG["消息渠道
WhatsApp · Telegram · Discord
Slack · Signal · iMessage
飞书 · LINE · Matrix ..."]        APP["原生应用
macOS · iOS · Android"]        CLI["终端与 Web
TUI 下令行 · Control UI"]    end    subgraph GW ["Gateway 网关"]        R["消息路由"] --- Q["消息队列"]        Q --- S["会话管理"]        S --- CR["Cron 调理"]        CR --- HK["Hook 体系"]        HK --- PL["lugin 注册"]    end    subgraph AG ["Agent 运行时"]        PI["i SDK agent loop"] --- PR["rovider 路由"]        PR --- FO["Model Failover"]        FO --- CE["Context Engine"]    end    subgraph TL ["工具集"]        T1["体系使用
exec · read · write · cron"]        T2["网络与感知
browser · web_search · memory"]        T3["多媒体与 GUI
peekaboo · canvas · tts"]    end    MSG --> GW    APP --> GW    CLI --> GW    GW --> AG    AG --> T1    AG --> T2    AG --> T3    style MSG fill:#bbdefb,stroke:#333    style APP fill:#bbdefb,stroke:#333    style CLI fill:#bbdefb,stroke:#333    style R fill:#fff9c4,stroke:#333    style Q fill:#fff9c4,stroke:#333    style S fill:#fff9c4,stroke:#333    style CR fill:#fff9c4,stroke:#333    style HK fill:#fff9c4,stroke:#333    style PL fill:#fff9c4,stroke:#333    style PI fill:#e8d5f5,stroke:#333    style PR fill:#e8d5f5,stroke:#333    style FO fill:#e8d5f5,stroke:#333    style CE fill:#e8d5f5,stroke:#333    style T1 fill:#c8e6c9,stroke:#333    style T2 fill:#c8e6c9,stroke:#333    style T3 fill:#c8e6c9,stroke:#333演化史

OpenClaw 历经 Warelay → Clawdis → Clawdbot → OpenClaw 四次更名，我们看看每次更名时的架构变革。
Warelay："一条管道"

项目名 warelay = WA Relay（WhatsApp 中继）。用户通过 WhatsApp 或短信给 AI 发消息，收到笔墨复兴。没有 Gateway、没有 Agent、没有会话管理——就是一个 webhook 脚本。
graph LR    A["Twilio / Baileys
吸收消息"] --> B["Express 路由"] --> C["AI API
天生复兴"] --> D["原路返回"]    style A fill:#f9f,stroke:#333    style D fill:#9f9,stroke:#333关键选择：用 Baileys（开源 WhatsApp 协议库）而非商业 API 收发 WhatsApp。利益是免费且不依赖第三方服务，代价是 Baileys 要求每台呆板只能维持一个 WhatsApp 会话。
Clawdis：最关键的跃迁

这是变革最剧烈的阶段——三件大事同时发生：
引入 Pi SDK：Pi 是一个外部 agent 框架，提供了"消息 → prompt → 调大模子 → 剖析工具调用 → 实行 → 循环"的焦点 agent 循环（架构详见后文 Pi Agent Runtime 一节）。OpenClaw 以后不再是"收到消息调一次 API"，而是一个真正的 AI agent。
2 周内接入 5 个渠道：Telegram、Discord、Signal、iMessage、WhatsApp——每个平台的消息格式、API 风格、群组概念都差别。多渠道的差别催生了 Adapter 模式和 Channel Dock（同一注册中央），每个渠道只实现它必要的接口子集（详见后文通道适配器一节）。
Gateway 诞生：从一个 CLI 下令行工具变为常驻背景服务，全部客户端通过 WebSocket 同一接入，内含消息路由、队列、会话管理、Cron 调理、Hook 体系和 Plugin 注册。
Clawdbot → OpenClaw：生产化与平台化

焦点思绪是让新功能通过插件生长，焦点代码库不再膨胀。为此落地了三层扩展机制：
插件体系：Plugin SDK + jiti

社区开发插件时，导出一个 register(api) 函数即可声明本事——可注册的范例包罗：

• 渠道（registerChannel）—— 接入新的消息平台
  
• 工具（registerTool）—— 给 AI 新的使用本事
  
• 钩子（registerHook）—— 在消息流水线的特定节点插入逻辑
  
• HTTP 路由 / CLI 子下令 / 背景服务 —— 扩展 Gateway 和下令行
  

Node.js 生态的模块格式分裂（ESM vs CJS）是插件加载的重要停滞。OpenClaw 用 jiti（运行时 TypeScript 编译加载器）同一处置惩罚：插件不必要预编译，写完直接安装即可运行。现在 40+ 个扩展（飞书、LINE、Matrix、Twitch、语音通话……）都以插件情势存在。
当地影象：sqlite-vec

让 AI 拥有跨会话的恒久影象。文本切片后转为向量，存入当地 SQLite，用 sqlite-vec 扩展做余弦相似度检索。搜刮采取肴杂计谋——向量语义匹配 + BM25 关键词匹配——分身"意思相近"和"关键词掷中"。全部数据留在当地磁盘，也可通过 MCP 桥接对接外部知识库。
技能市场：ClawHub

插件办理了渠道和工具的扩展，但 AI 的运动模式怎么共享？ClawHub（clawhub.ai）是公开的技能注册中央。技能本质是注入 system prompt 的声明文件，形貌 AI 在特定场景下该怎么做（比如"操控 macOS 桌面"、"天生代码后自动运行测试"）。

• 安装：clawhub install
  
• 加载优先级：workspace > 当地 > 内置
  
• 社区管理：点赞、品评、举报，有独立考核机制
  

项目标 VISION.md 明确要求：新技能应先发布到 ClawHub，不要默认参加焦点堆栈。
焦点子体系拆解

Pi Agent Runtime：OpenClaw 的大脑

OpenClaw 的 agent 本事不是从零自研——它站在 Pi SDK 的肩膀上。Pi 是一个 7 包 monorepo，从底向上分三层：
graph TB    subgraph PI_AI ["pi-ai · LLM 抽象层"]        direction LR        PROV["rovider 注册
Anthropic · OpenAI · Google
Mistral · Bedrock 等 16+"]        MODEL["Model 注册表
340KB 自动天生
资本 · 窗口 · 本事"]        STREAM["EventStream
同一流式协议
text / thinking / toolcall"]        PROV --- MODEL --- STREAM    end    subgraph PI_AGENT ["pi-agent-core · Agent 运行时"]        direction LR        LOOP["Agent Loop
prompt → stream → parse
→ execute → loop"]        TOOL["Tool 体系
TypeBox schema 校验
流式进度回调"]        EVENT["事故总线
turn_start · message_update
tool_execution_end ..."]        STEER["Steering + FollowUp
运行中插入新指令
列队后续任务"]        LOOP --- TOOL --- EVENT --- STEER    end    subgraph PI_APP ["pi-coding-agent · SDK 层"]        direction LR        SDK["createAgentSession()
工具 · 钩子 · 会话一站式初始化"]        SESS["SessionManager
JSONL 树形长期化
分支 · 规复 · 压缩"]        CTX["Context 管线
transformContext 裁剪注入
convertToLlm 格式转换"]        SDK --- SESS --- CTX    end    PI_AI --> PI_AGENT --> PI_APP    style PROV fill:#e8d5f5,stroke:#333    style MODEL fill:#e8d5f5,stroke:#333    style STREAM fill:#e8d5f5,stroke:#333    style LOOP fill:#d5e8f5,stroke:#333    style TOOL fill:#d5e8f5,stroke:#333    style EVENT fill:#d5e8f5,stroke:#333    style STEER fill:#d5e8f5,stroke:#333    style SDK fill:#c8e6c9,stroke:#333    style SESS fill:#c8e6c9,stroke:#333    style CTX fill:#c8e6c9,stroke:#333pi-ai（LLM 抽象层） 把 16+ 家模子供应商同一成一个 stream(model, context) 调用。每个供应商实现一个 StreamFunction，把各家私有的流式相应转成标准事故序列（text_delta、thinking_delta、toolcall_start/end）。模子注册表是自动天生的，包罗每个模子的资本、上下文窗口、支持的输入范例（文本/图片）和推理本事。
pi-agent-core（Agent 运行时） 提供焦点循环：用户消息进入 → 流式调用 LLM → 剖析工具调用 → 按序实行工具 → 效果返回 LLM → 继承循环直到 end_turn。工具用 TypeBox 界说参数 schema，运行时自动校验。。
pi-coding-agent（SDK 层） 提供 createAgentSession() 工厂方法，一次性组装工具集、上下文钩子和会话存储。SessionManager 用 JSONL 文件存储对话树（每条消息有 id + parentId），支持分支、规复和压缩。上下文管线分两步：transformContext() 在 AgentMessage 层面裁剪/注入（比如删掉过旧的消息），convertToLlm() 再把自界说消息范例转成 LLM 能明确的标准格式。
OpenClaw 在 Pi 之上包了六部分，让它从一个通用 agent 框架变成多渠道 AI 助手：
graph LR    subgraph PI ["i SDK"]        PA["agent 循环引擎"]        PB["LLM 流式推理"]        PC["SessionManager
会话长期化"]    end    PI --> L1 & L4    subgraph OC1 ["OpenClaw 包装 — 调理层"]        L1["rovider 路由
适配差别 LLM 供应商"]        L2["Model Failover
主模子挂了自动切备用"]        L3["Context Engine
长对话不丢上下文"]    end    subgraph OC2 ["OpenClaw 包装 — 接入层"]        L4["工具注册
exec / browser / memory ..."]        L5["rompt 构建
体系指令 + Skills"]        L6["会话订阅
流式回调给渠道"]    end    style PI fill:#e8d5f5,stroke:#333    style OC1 fill:#fff3e0,stroke:#333    style OC2 fill:#fff3e0,stroke:#333消息全链路：从收到到复兴

一条消息从进入体系到收到复兴，颠末如许的流水线：
graph TD    A["1 收到原始消息"] --> B["2 归一化
差别渠道的消息同一成雷同格式"]    B --> C["3 去重"]    C --> D    subgraph D ["4 Hook + 路由"]        direction LR        D1["触发插件钩子
如自动翻译、日记"] -.- D2["路由剖析
确定交给哪个 Agent"]    end    D --> E    subgraph E ["5 媒体明确"]        direction LR        E1["语音转笔墨"] -.- E2["图片天生形貌"]    end    E --> F    subgraph F ["6 入队计谋"]        direction LR        F1["eager
立刻处置惩罚"] -.- F2["batch
短时间多条归并处置惩罚"] -.- F3["debounce
等用户克制输入再处置惩罚"]    end    F --> G    subgraph G ["7 Agent 实行"]        direction LR        G1["i SDK 循环"] -.- G2["Steering 转向"]    end    G --> H    subgraph H ["8 复兴调理"]        direction LR        H1["包管次序"] -.- H2["仿人打字隔断"]    end    H --> I["9 投递到渠道"]    style A fill:#bbdefb,stroke:#333    style B fill:#bbdefb,stroke:#333    style C fill:#bbdefb,stroke:#333    style D fill:#fff9c4,stroke:#333    style E fill:#fff9c4,stroke:#333    style E1 fill:#fff9c4,stroke:#333    style E2 fill:#fff9c4,stroke:#333    style F fill:#fff9c4,stroke:#333    style F1 fill:#fff9c4,stroke:#333    style F2 fill:#fff9c4,stroke:#333    style F3 fill:#fff9c4,stroke:#333    style G fill:#e8d5f5,stroke:#333    style G1 fill:#e8d5f5,stroke:#333    style G2 fill:#e8d5f5,stroke:#333    style H fill:#c8e6c9,stroke:#333    style H1 fill:#c8e6c9,stroke:#333    style H2 fill:#c8e6c9,stroke:#333    style I fill:#c8e6c9,stroke:#333两个值得留意的筹划：

• Steering（转向）：agent 正在天生复兴时，你又发了一条消息。平凡体系会让你等上一条处置惩罚完。OpenClaw 通过 session.steer() 把新消息及时注入当前 agent 运行，AI 会立刻调解复兴方向——就像你跟人语言时补了一句"等等，我改主意了"。
  
• 仿人延长：复兴不是一次性弹出，而是分块发送，块间插入随机隔断，模拟真人打字节奏。在微信、Telegram 这类即时通讯里，这让对话体验更自然。
  

通道适配器：怎样同一 20+ 种渠道

WhatsApp 有"已读回执"，Telegram 有"群组管理 API"，Discord 有"权限体系"，Signal 险些什么管理接口都没有——每个平台的本事完全差别。
OpenClaw 的做法不是筹划一个大而全的接口让每个通道都实现，而是拆成 10 种细粒度 Adapter，每个通道只实现它必要的子集：
graph TB    DOCK["Channel Dock 注册中央
渠道发现 · 生命周期管理"] --> A_TG["Telegram"]    DOCK --> A_DC["Discord"]    DOCK --> A_WA["WhatsApp"]    DOCK --> A_MORE["..."]    subgraph IFACE ["Adapter 接口（按需实现）"]        direction LR        subgraph LIFE ["生命周期"]            direction LR            IF1["Setup"] -.- IF2["Config"] -.- IF6["Status"] -.- IF8["Heartbeat"]        end        subgraph MSG ["消息收发"]            direction LR            IF4["Messaging"] -.- IF3["Outbound"] -.- IF10["Media"]        end        subgraph PERM ["权限与管理"]            direction LR            IF7["Security"] -.- IF9["Auth"] -.- IF5["Group"]        end    end    A_TG --> IFACE    A_DC --> IFACE    A_WA --> IFACE    A_MORE --> IFACE    style DOCK fill:#d5e8f5,stroke:#333    style IFACE fill:#eef4fb,stroke:#333    style LIFE fill:#e8f5e9,stroke:#a5d6a7    style MSG fill:#fff3e0,stroke:#ffcc80    style PERM fill:#fce4ec,stroke:#ef9a9a

• WhatsApp 实现了 HeartbeatAdapter（Baileys 毗连不稳固，必要心跳保活）
  
• Discord 实现了 SecurityAdapter（有复杂的权限体系）
  
• Signal 不必要 GroupAdapter（没有群管理 API）
  

社区开发新渠道插件（比如飞书、LINE）时，用 Plugin SDK 实现同样的接口即可接入，不必要改动 OpenClaw 焦点代码。
Peekaboo Bridge：让 AI 瞥见并操控 macOS 桌面

你在 WhatsApp 里说"帮我看看屏幕上是什么"，AI 就能截屏、明确画面内容、告诉你答案。你说"点击登录按钮"，它就能找到按钮并点击。你说"打开 Safari 访问某个网址"，它能启动应用、导航页面、在输入框里打字。
这背后是 Peekaboo——一个 macOS 桌面自动化工具，让 AI 拥有"眼睛"和"手"：

• 看：截屏、录屏、标注 UI 元素（给每个按钮/输入框分配 ID），共同 AI 视觉分析明确画面
  
• 使用：点击、打字、按键组合、滚动、拖拽，支持定位到具体 UI 元素
  
• 管理：启动/切换/关闭应用，管理窗口巨细和位置，切换 macOS 空间，读写剪贴板
  

典范工作流是：截屏标注 → AI 辨认元素 ID → 点击/输入 → 再截屏确认效果，全程在谈天窗口完成。
Peekaboo 内部分为五层：
graph TB    subgraph CONSUMER ["消耗层"]        direction LR        CLI["peekaboo CLI
Commander 框架"]        APP["macOS App
SwiftUI"]        MCP["MCP Server
供外部 AI 调用"]        AGENT["内置 Agent
Tachikoma 驱动"]    end    subgraph BRIDGE ["Bridge IPC 层"]        direction LR        CLIENT["BridgeClient
毗连 UNIX Socket"]        HOST["BridgeHost
监听 Socket"]        VERIFY["代码署名验证
Team ID 白名单"]        CLIENT --> HOST        HOST --> VERIFY    end    subgraph ORCH ["服务编排层"]        UAS["UIAutomationService
同一调理入口"]        SNAP["SnapshotManager
元素状态缓存"]        VIS["Visualizer
点击动画 · 高亮反馈"]        UAS --- SNAP        UAS --- VIS    end    DET["ElementDetection
AX 树遍历 · 元素分类
B1/T1 编号"]    CAP["ScreenCapture"]    CLK["Click · Type
Scroll · Hotkey"]    APPCTL["App · Window
Space · Menu"]    AX["Accessibility
AXorcist 封装"]    SCK["ScreenCaptureKit"]    CG["CGEvent
鼠标 · 键盘"]    AS["AppleScript
应用管理"]    CLI --> BRIDGE    APP --> ORCH    MCP --> BRIDGE    AGENT --> ORCH    BRIDGE --> ORCH    ORCH --> DET & CAP & CLK & APPCTL    DET --> AX    CAP --> SCK    CLK --> CG    APPCTL --> AS    style CLI fill:#bbdefb,stroke:#333    style APP fill:#bbdefb,stroke:#333    style MCP fill:#bbdefb,stroke:#333    style AGENT fill:#bbdefb,stroke:#333    style CLIENT fill:#fff9c4,stroke:#333    style HOST fill:#fff9c4,stroke:#333    style VERIFY fill:#fff9c4,stroke:#333    style UAS fill:#e8d5f5,stroke:#333    style SNAP fill:#e8d5f5,stroke:#333    style VIS fill:#e8d5f5,stroke:#333    style DET fill:#c8e6c9,stroke:#333    style CAP fill:#c8e6c9,stroke:#333    style CLK fill:#c8e6c9,stroke:#333    style APPCTL fill:#c8e6c9,stroke:#333    style AX fill:#ffe0b2,stroke:#333    style SCK fill:#ffe0b2,stroke:#333    style CG fill:#ffe0b2,stroke:#333    style AS fill:#ffe0b2,stroke:#333几个关键筹划：
Bridge 权限署理：macOS 的屏幕录制和辅助功能权限是按应用授予的，但 AI agent 调用的是下令行工具 peekaboo。办理方案是 Bridge 架构——CLI 通过 UNIX Socket 毗连到 OpenClaw.app 内的 BridgeHost 进程，BridgeHost 先验证调用方的代码署名和 Team ID，通过后才借出 app 已得到的权限实行使用。用户只需在体系设置里授权一次 OpenClaw.app。
元素检测与编号：see 下令截屏时同步遍历 Accessibility 树（通过 AXorcist 封装），把每个可交互元素按范例编号——按钮 B1、B2，输入框 T1、T2。遍历有严酷限定（深度 8 层、子节点 200 个、150ms 超时），检测效果缓存 1.5 秒制止重复遍历。后续 click B1 就能直接定位到目标元素。
内置 Agent 模式：Peekaboo 自带基于 Tachikoma 的 agent 循环（支持 OpenAI / Anthropic / Ollama 等模子），可以独立实行多步桌面任务——不颠末 OpenClaw，直接 peekaboo agent "打开备忘录写一条待办" 就能截屏→分析→点击→输入→确认，循环直到完成。
Skill 注入：Peekaboo 在 OpenClaw 中不是代码依赖，而是一个 Skill——通过声明文件标注"仅限 macOS、必要 peekaboo 下令"，运行时按需注入到 AI 的 system prompt 中。非 macOS 用户完全不会感知到它的存在。
Cron 调理器：不但是定时器

OpenClaw 的定时任务不是简单的 setInterval，而是一个生产级调理体系：

• SHA256 Stagger：如果设了 100 个"天天早上 9 点"的定时任务，不会同时触发——用每个任务 ID 的 SHA256 哈希做确定性偏移（默认在 5 分钟窗口内分散），制止全部任务同一秒涌入，导致 CPU 和 API 调用刹时过载
  
• 两种实行模式：systemEvent（把消息注入主会话，像用户发了一条消息）和 agentTurn（启动独立的 agent 运行，互不干扰）
  
• 容错：失败后指数退避重试（30 秒 → 1 分钟 → 5 分钟 → 15 分钟 → 1 小时），连续失败触发告警，临时 session 自动采取
  

Context Engine：长对话不丢影象

大模子有上下文窗口限定（比如 200K token），聊久了上下文就超出。Pi SDK 提供了底层的两步上下文管线（transformContext 裁剪 + convertToLlm 格式转换），OpenClaw 在此底子上实现了自己的 Context Engine，界说了 5 个生命周期钩子：
bootstrap（初始化）→ ingest（新消息进入）→ assemble（组装发给模子的上下文）→ compact（上下文太长时压缩）→ afterTurn（一轮对话竣过后整理）
默认实现用 token 计数 + LLM 择要来压缩汗青对话。但整个 Context Engine 是可插拔的——社区可以写一个完全差别的实现（比如基于向量检索的恒久影象），更换进去不必要改一行焦点代码。
结语

阿瑟·克拉克在《2001：太空环游》里写过一个场景：猿人玉轮观察者捡起一块石头，第一次意识到自己的手可以延伸。从那一刻起，工具就不再是身段之外的东西——它是意志的投射。
我们本日拆解的这些——Gateway、Adapter、Bridge、Agent Loop——本质上都是同一件事的差别切面：让意图穿透介质。用户在 WhatsApp 里打一行字，意图穿过消息协议、穿过归一化流水线、穿过 LLM 的概率空间、穿过工具调用，终极变成屏幕上的一次点击、磁盘上的一个文件、终端里的一行输出。中央的每一层抽象，都是为了让这条路径上的摩擦再少一点。
这让人想起维纳在《控制论》里的判定：智能的本质不是盘算，而是与情况之间有效的信息互换。OpenClaw 做的事变，与其说是"让 AI 用工具"，不如说是在收缩人的意图与天下的状态之间的隔断。

免责声明：如果侵犯了您的权益，请联系站长及时删除侵权内容，谢谢合作！qidao123.com:ToB企服之家，中国第一个企服评测及软件市场,开放入驻,技术点评得现金.