OpenCLAW 是一款开源的AI智能体，由彼得·斯坦伯格开发，核心定位是“可执行、可定制的数字助理”，区别于传统仅能对话的AI，它能真正落地执行各类任务，是企业降本增效、个人提升效率的实用工具。

1. 核心优势：零代码门槛、轻量化易部署，支持Windows、macOS、Linux等多系统本地私有化部署，数据隐私可控；可接入飞书、QQ、企业微信、Telegram等多平台，通过聊天指令即可下达操作，无需额外学习复杂操作界面。

2. 核心能力：以“网关-智能体-技能-记忆”四层架构为支撑，能自主执行重复性工作（如数据整理、报表生成、消息推送），可调用各类大模型，自主编写脚本、开发新技能，还具备持久记忆功能，能记住用户习惯与项目细节，越用越贴合需求。

3. 适用场景：覆盖企业办公、个人生活等多领域，企业端可替代人工完成机械重复的办公任务，个人端可作为私人AI管家处理日常事务，本次培训将重点聚焦企业实操场景，助力大家快速掌握其部署、接入与基础应用技巧，实现工作效率升级。

模块1：OpenCLAW 技术定位与架构拆解

• 核心定位：从”对话AI”到”执行型AI Agent”的范式跃迁，官方定位为 AI Agent 运行时环境（真正能做事的AI）
• 核心架构三要素：
  • Gateway（统一入口/网关）：请求路由、认证鉴权、负载均衡
  • Agent（智能执行核心）：任务拆解、决策调度、上下文管理
  • Workspace（工作环境）：文件系统隔离、环境变量、持久化存储
• 与传统AI/RAG的核心差异：
  • 无状态文本交互 → 有状态 Agent Loop（感知→决策→行动→记忆）
  • 被动响应 → 主动执行（工具调用、文件操作、代码运行）
• 技术栈全景：TypeScript 核心、LLM 适配层（OpenAI/Anthropic/本地模型）、MCP 协议层、Skill 插件层、向量存储层

模块2：Agent 核心原理与开发范式

• 核心定义：驱动系统思考的核心单元，负责任务拆解、上下文管理、决策调度
• Agent Loop 全流程深度解析：
  • 输入解析（自然语言→结构化意图）
  • 上下文组装（系统提示 + 历史会话 + 记忆检索 + 技能描述）
  • 模型推理（LLM 调用与响应解析）
  • 工具调用（Skill 匹配与参数提取）
  • 结果持久化（记忆更新、文件写入、状态同步）
• 记忆系统架构：
  • MEMORY.md：长期记忆存储格式（Markdown 结构化）
  • 记忆检索机制：向量相似度搜索 + 时间衰减权重
  • 记忆写入策略：自动摘要 vs 关键信息提取
• 会话隔离机制：
  • 线程级隔离（Thread ID）
  • 上下文窗口管理（Token 限制与压缩策略）
  • /compact 指令：智能上下文压缩实现原理
• 开发范式详解：
  • AGENTS.md：Agent 行为定义规范（目标描述、能力边界、禁止事项）
  • SOUL.md：人格边界定义（语气风格、价值观约束、安全红线）
  • System Prompt 注入规范：层级优先级与覆盖规则
• 实操任务：
  • 基于模板创建首个 Agent
  • 配置基础上下文与记忆规则
  • 调试 Agent Loop 执行流程（查看每一步的输入输出）

模块3：MCP 协议精要

• 核心定位：Model Context Protocol（模型上下文协议），统一 AI 与外部工具通信标准
• 核心机制：
  • 双向 RPC 通信（JSON-RPC 2.0）
  • 工具发现（ListTools）与调用（CallTool）
  • 传输层支持：stdio（本地进程）、SSE（远程服务）
• 与 Skill 的关系：
  • MCP 是”通用接口协议”，Skill 是”具体业务实现”
  • MCP 承载 Skill 的执行通信，Skill 通过 MCP 暴露能力
• 快速接入实操：
  • 启动本地 MCP Server（文件系统工具）
  • 完成工具注册与调用测试
  • 查看 MCP 通信日志（请求/响应追踪）

模块4：Skill 开发规范与实战

• 核心定义：Agent 可调用的”工具包”，基于 Markdown 声明式配置
• 三级加载体系：
  • 工作区技能（Workspace）：项目级定制，优先级最高
  • 本地技能（Local）：用户级共享，跨项目复用
  • 捆绑技能（Built-in）：系统内置，基础能力保障
  • 覆盖规则解析：同名技能的加载优先级与合并策略
• SKILL.md 开发规范深度解析：
  • 必选字段：name、description、version、author
  • 元数据配置：
    • bins：外部二进制依赖声明与自动安装
    • env：环境变量要求与默认值
    • permissions：文件系统权限、网络访问权限
  • 输入输出定义：
    • JSON Schema 参数校验
    • 输出格式约定（文本/JSON/文件路径）
    • 错误码规范与异常信息标准化
• 实战任务1：基础 Skill 开发
  • 开发文件读取 Skill（带编码自动检测）
  • 配置元数据与权限声明
  • 完成 Agent 调用联调与边界测试
• 实战任务2：进阶 Skill 开发
  • 开发 API 调用 Skill（RESTful 集成）
  • 实现请求签名、超时控制、重试机制
  • 集成 MCP 协议实现跨服务通信
• 实战任务3：复杂 Skill 开发
  • 开发”代码分析与重构”Skill
  • 实现多步骤流水线（解析→分析→生成→验证）
  • 状态机管理与中间结果缓存
• 最佳实践：
  • 技能隔离：沙箱执行与资源限制
  • 异常捕获：分层错误处理（业务错误/系统错误/超时错误）
  • 版本管理：语义化版本与向后兼容
  • 安全校验：密钥脱敏、命令注入防护、路径遍历防护

模块5：全链路协同与问题排查

• 完整协同流程图解：

• → Gateway → Agent（决策）→ MCP 协议 → Skill（执行）→ 工具层 → 结果回流 → 记忆持久化 → 响应输出
• 核心调试手段：
  • 日志体系：Gateway 访问日志、Agent 决策日志、Skill 执行日志、MCP 通信日志
  • 上下文详情：/context detail 指令查看完整上下文组装过程
  • 技能加载校验：--debug-skill 模式查看加载顺序与覆盖情况
  • 链路追踪：Trace ID 贯穿全链路，定位延迟瓶颈
• 故障排查实战：
  • 场景1：MCP 连接失败（进程启动/端口占用/协议版本不匹配）
  • 场景2：Skill 加载异常（语法错误/依赖缺失/权限不足）
  • 场景3：上下文超限（Token 计算/压缩策略/历史清理）
  • 场景4：记忆写入错误（存储权限/格式校验/并发冲突）
• 性能优化要点：
  • Agent Loop 延迟分析
  • 上下文缓存策略
  • Skill 冷启动优化

模块6：场景化实战与架构设计

• 综合实战：开发”智能代码助手”组合技能
  • 需求分析 Skill：解析自然语言需求为技术任务
  • 代码生成 Skill：基于模板生成业务代码
  • 文档整理 Skill：自动生成 API 文档与注释
  • 质量检查 Skill：静态分析与测试用例生成
  • 完成端到端执行闭环演示
• 企业级部署要点：
  • 私有化 LLM 接入（本地Ollama/第三方服务提供商配置）
  • 安全加固：网络隔离、密钥管理、审计日志
  • 高可用架构：Gateway 集群、Agent 状态外置
• 核心知识回顾：
  • Agent 决策逻辑与记忆机制
  • MCP 协议的定位与边界
  • Skill 开发规范与安全实践
• 资源与生态：
  • 官方文档与 API 参考
  • GitHub 开源仓库与贡献指南
  • ClawHub 技能市场与社区最佳实践