Agent 循环

Agent 循环（Agent Loop）是 OpenClaw 处理每条消息的核心机制。它实现了 ReAct（Reasoning + Acting）模式——AI 不只是回答问题，而是通过推理 → 行动 → 观察的循环，自主完成复杂任务。

核心区别

OpenClaw 和传统 AI 的本质区别：

维度	传统 AI（ChatGPT）	OpenClaw
交互模式	一问一答	任务驱动
工具使用	模拟或建议	真实调用执行
错误处理	需要用户手动修复	自动重试和调整
记忆	单次对话	持久化长期记忆
运行方式	在线服务	本地运行 / 自托管

核心区别：ChatGPT 是顾问，OpenClaw 是执行者。

ReAct 循环流程

收到消息
   ↓
构建上下文（历史 + 系统提示词 + 工作区文件 + 记忆）
   ↓
调用 AI 模型（推理 Reasoning）
   ↓
模型输出
   ├── 文本回复 → 发送给用户，循环结束
   └── 工具调用（行动 Acting）
         ↓
       执行工具
         ↓
       将结果附加到上下文（观察 Observation）
         ↓
       再次调用模型 → 继续推理...

工具调用可以多轮进行，直到模型认为已有足够信息生成最终回复。整个过程中 Agent 会进行自我检查：结果是否正确？格式是否符合要求？如果某一步失败，会自动重试或调整策略。

典型执行流程

以「生成周报并发送给团队」为例：

1. 任务分解：读取本周 Git 提交 → 获取任务完成情况 → 生成周报 → 发送邮件
2. 逐步执行：读取 Git log 发现 23 次提交 → 调用 Jira API 获取 5 个已完成任务
3. 生成结果：使用 Markdown 格式生成周报 → 验证收件人地址
4. 自检发送：检查周报是否完整 → 发送邮件 → 返回状态

四大核心工具

OpenClaw 的设计哲学是 Unix 风格的极简主义——只有 4 个核心基础工具：

工具	说明
Read	读取文件内容
Write / Edit	写入或编辑文件
Bash	执行 shell 命令
Browser	浏览器自动化操作

通过这 4 个工具的组合，加上 Skills 扩展，OpenClaw 可以完成几乎任何任务。

多 Agent 协作

OpenClaw 支持多 Agent 架构，主 Agent 可以派出 Sub-agent 并行执行子任务：

场景	适合拆分	适合单一 Agent
代码库搜索	✅ 低耦合
信息收集	✅ 各自独立
核心编码		✅ 需完整上下文
架构设计		✅ 高耦合

Token 成本

Anthropic 的实践数据：普通聊天消耗 1x Token，单 Agent 约 4x，多 Agent 系统达 15x。拆分前权衡成本和收益。

系统提示词

系统提示词通过工作区文件定义 Agent 的行为、身份和约束。详见 系统提示词 章节。

记忆机制

OpenClaw 支持多层记忆系统。详见 记忆系统 章节。