【龙虾大脑核心揭秘-1】OpenClaw处理流程链路解析
一句话概括
京东科技技术说的 OpenClaw 处理流程图解，给出”四层架构”（模型 / 技能 / 工作流 / 执行）+ “十大消息处理步骤” 的标准化叙事框架，并用”感知—决策—执行”三层闭环抽象总结 OpenClaw 的工作机制。比起阿里腾讯的源码级深度解析，这一篇更适合做”OpenClaw 工作原理一图通”。
实践内容
四层架构（原文 1.1）
| 层级 | 比喻 | 职责 |
|---|---|---|
| 模型层 Model | 大脑 | 理解用户意图、逻辑规划 |
| 技能层 Skills | 双手 | 具体执行模块、工具 |
| 工作流层 Workflow | 神经系统 | 编排多个技能形成任务链 |
| 执行层 Execution | 身体 | 在真实环境落地 |
十大消息处理步骤（原文 2.1）
- 系统启动与初始化：扫描
./skills/下所有 YAML/JSON 描述文件，注入 system prompt，建立 WebSocket - 消息接收与预处理：多渠道（Telegram/WhatsApp/CLI）→ 统一格式 → 安全检查
- 会话上下文加载：从 Memory 加载历史会话，构建对话上下文
- 意图识别与任务分解：LLM 拆分子任务，确定要调用的 Skill
- ReAct 推理循环启动：Thought → Action → Observation
- 技能匹配与参数准备：匹配 Skills、参数验证
- 权限检查与安全沙箱：RSA 签名 + 沙箱启动
- 技能执行与系统调用：调用 Python/TypeScript 脚本
- 结果整合与反馈：格式化为 Observation，更新会话状态
- 响应生成与返回：生成最终响应、原渠道返回、更新持久化
三层闭环
感知层（接收多平台触发信号、统一消息格式）
↓
决策层（Gateway → LLM 生成结构化指令）
↓
执行层（依据指令调用对应 Skill 脚本完成实际动作）
↑
反馈回到感知层
摘录
OpenClaw 作为一款开源的 AI 智能体（Autonomous Agent）框架，自 2026 年 1 月开源以来迅速成为 AI 领域的现象级产品。它的核心价值在于将大语言模型的推理能力与本地系统操作深度结合，实现了从”对话式 AI”到”行动式 AI”的跨越。本文将深入解析 OpenClaw 的处理流程链路，揭示其背后的技术架构和工作原理。
OpenClaw 采用分层架构设计，主要包括以下四个核心层级：模型层（Model Layer）智能体的”大脑”，负责理解用户指令的真实意图并进行逻辑规划；技能层（Skills Layer）智能体的”双手”，提供具体的执行模块和工具；工作流层（Workflow Layer）智能体的”神经系统”，负责编排多个技能形成任务链；执行层（Execution Layer）智能体的”身体”，确保任务在真实环境中落地执行。
OpenClaw 严格遵循 ReAct（Reasoning + Acting）范式，通过以下循环实现智能决策：基于当前状态进行推理；选择合适的行动；观察行动结果；根据结果调整后续策略。这个循环允许智能体在每一步动作之后重新校准——不是从一开始规划好所有步骤再执行，而是边走边看。
涉及实体
- OpenClaw —— 父系统
涉及主题
（积累 ≥5 篇同议题来源后聚合）
我的评注
- 本文最有用的不是源码细节（比阿里腾讯版浅），而是**“十步走”的标准叙事框架**——讲给非工程出身的人听 OpenClaw，用这十步比讲架构图清楚
- 三层闭环（感知—决策—执行）是个克制的抽象，省略了大量细节，但作为”白板讲解”足够
- “龙虾大脑”是 OpenClaw 的一个昵称（OpenClaw / 龙虾爪），系列文章命名有玩心