OpenClaw 的核心组件是什么？

如果把 OpenClaw 看成一个 AI 员工，那么真正让 Agent 能够完成任务的，不只是大模型。

它背后可以抽象成几个核心能力：

                 LLM
              Agent 大脑
                  │
                  ↓
             Agent Loop
          思考 / 决策 / 执行
                  │
       ┌──────────┼──────────┐
       ↓          ↓          ↓
   Task Plan    Tools      Skills
   任务规划     工具执行     技能扩展
       └──────────┼──────────┘
                  ↓
          Memory / Context
           记忆与上下文

一、LLM：Agent 的“大脑”

LLM 负责最核心的语言理解和推理。

比如用户说：

“帮我查一下今天上海的天气，再告诉我适不适合出门。”

模型首先要理解用户到底想干什么，然后决定下一步需要哪些能力。

OpenClaw 可以接入不同的模型 Provider，例如 GPT、Claude、GLM 等。

但要注意：

LLM 负责思考，不代表所有事情都由 LLM 自己完成。

查天气、操作文件、访问数据库这些事情，还得交给工具。

二、Agent Loop：真正的执行循环

Agent 的关键并不是“问一次模型，返回一次答案”。

复杂任务往往会形成一个循环：

用户提出任务
     ↓
LLM 理解需求
     ↓
决定下一步做什么
     ↓
需要工具？
  ↙       ↘
是         否
↓           ↓
调用工具    直接回答
↓
拿到结果
↓
再次交给 LLM 判断
↓
继续执行 / 完成任务

这就是常说的 Agent Loop。

比如：

“帮我查天气”

理解需求
   ↓
决定调用天气工具
   ↓
获取天气数据
   ↓
分析结果
   ↓
组织自然语言
   ↓
回复用户

所以 Agent 和普通聊天机器人的一个重要区别，就是它不仅能“说”，还能够根据任务决定下一步做什么。

三、Tools：Agent 的“手脚”

模型本身不能凭空读取你的数据库，也不能凭空操作服务器。

这些实际动作需要通过 Tools 完成。

例如：

搜索网页
读取文件
调用 API
查询数据库
执行 Shell
操作其他系统

可以简单理解成：

LLM 负责决定做什么，Tool 负责真正执行。

例如：

LLM：
“我需要查询数据库。”

        ↓

Tool：
执行 SQL

        ↓

返回查询结果

        ↓

LLM：
分析结果并回复用户

这样模型的推理能力才能真正连接现实世界。

四、Memory / Context：Agent 的“记忆”

如果没有上下文，每次聊天 Agent 都会像第一次见你一样。

因此还需要 Memory / Context：

Session
→ 当前会话上下文

Memory
→ 需要长期保留的信息

比如：

用户：我这个项目用的是 MySQL。

过了一会儿：

用户：帮我写个建表语句。

Agent 能理解这里应该优先按照 MySQL 来写，就是因为前面的信息进入了当前上下文或相应记忆。

所以：

LLM 决定 Agent 聪不聪明，Memory 决定 Agent 能不能“接着聊”。

五、Skills：把能力封装起来

Skills 可以理解成给 Agent 准备好的能力包/操作说明。

一个 Skill 往往围绕某类任务组织相关指令、流程以及可使用的工具。

例如：

代码审核 Skill
数据分析 Skill
文档处理 Skill
运维 Skill

这样 Agent 不需要把所有业务规则全部塞进一个巨大 Prompt。

需要处理某类任务时，再使用对应能力。

可以简单记成：

Tool 是一个具体工具，Skill 更像一套“怎么完成某类任务”的能力说明。

六、这些组件到底怎么配合？

一条复杂任务可以抽象成：

用户指令
   ↓
Gateway / Channel
   ↓
Agent
   ↓
LLM 理解任务
   ↓
Agent Loop 决策
   ↓
┌───────────────┐
│ Tools         │ → 执行具体操作
│ Skills        │ → 提供专业能力
│ Context       │ → 提供当前上下文
│ Memory        │ → 提供必要记忆
└───────────────┘
   ↓
LLM 综合结果
   ↓
生成最终回复
   ↓
Gateway
   ↓
用户

因此，OpenClaw 的核心不能简单理解成：

OpenClaw = 大模型。

更准确的理解是：

LLM 是大脑，Agent Loop 是决策循环，Tools 是手脚，Memory 是记忆，Skills 是能力扩展，Gateway 则负责把外部消息送进来、再把结果送出去。

把这几个组件搞清楚以后，OpenClaw 的整体架构基本就串起来了。

下一步再理解 Agent 到底怎么运行、为什么会不断“思考 → 调工具 → 看结果 → 再思考”，就会非常顺。