简介:Moltbot(前身 Clawdbot)的底层架构可以一句话概括:一个常驻运行的本地 Gateway 控制面 + 可插拔的 Agent Runtime + 一层把各类软件"Agent 化"的工具适配器。它不是云端 SaaS 那种无状态的"请求—响应"服务,而是长期在线、带状态、能主动发起动作的运行环境。也正因为大模型调用几乎是它唯一的外部依赖,模型选型与调用成本直接变成了架构问题——如果你打算自建同类系统,不妨先用[百度智能云词元所](https://cloud.baidu.com/product-s/token_exchange.html?from=article)横向对比不同模型的成本、上下文长度与工具调用能力,再决定哪些环节交给云端模型。
$$## 一、四层结构:从一条消息到一个真实动作
原文提到的那串”开源项目清单”,实际对应的是四个各司其职的层次。把它们当成一个整体看,”缝合怪”就变成了分工明确的系统。
| 层次 | 核心职责 | 关键设计取向 |
|---|---|---|
| 通道层 Chat Channels | 接入 WhatsApp / Telegram / Discord / Slack / iMessage 等 | 每种渠道一个适配器,把异构消息格式归一化为统一事件 |
| 控制面 Gateway | 会话路由、节点管理、状态维护 | 长驻进程 + WebSocket 控制平面协议 |
| 运行时 Agent Runtime | 上下文组装、模型决策、工具调度 | Pi 系列 runtime,形成可观察的 agent loop |
| 工具与持久化 | 文件、Shell、浏览器、API、记忆存储 | 把”只能人点来点去”的能力包装成模型可调用的工具 |
通道层的价值在于 统一入口 :用户不需要打开新的 App,在自己天天用的聊天软件里就能指挥助理。控制面则承担”操作系统内核”的角色——它维护会话与设备节点,UI、CLI、自动化脚本、移动端都作为节点接入同一条 WebSocket 控制平面,因此指令来源可以是人,也可以是定时任务或另一个程序。
Gateway 内部(或调用)的 agent runtime,把一次交互拆成一条闭环流水线:
消息 → 上下文组装 → 模型推理 → 工具调用 → 结果回填 → 回复/动作 → 持久化
用伪代码表达会更直观:
while True:event = gateway.recv() # 来自任意通道/节点的统一事件ctx = memory.build(event.session) # 拼装系统提示 + 历史 + 长期记忆decision = model.invoke(ctx, tools=TOOLS) # 模型决定"回答"还是"调工具"if decision.tool_calls:for call in decision.tool_calls:result = dispatch(call) # 真正落到文件系统/Shell/浏览器/HTTPctx.append(tool_result(result)) # 结果回填,进入下一轮推理continue # 未收敛则继续循环gateway.reply(event.channel, decision.text)memory.commit(event.session, ctx) # 落盘,跨会话可恢复
这条循环解释了两个常被误解的现象。第一, 为什么它”能干活”而不只是聊天 :模型输出被当作待执行的调用意图,真正的副作用由工具层完成。第二, 为什么它必须常驻 :会话状态、记忆和部分任务需要跨进程、跨天存活,重启即失忆的短生命周期服务撑不起”助理”这个定位。
原文提到大量底层依赖基于 Swift、聚焦 Apple 系,这确实是关键原因。Moltbot 的能力半径很大程度取决于它能调用哪些 本机原生能力 ——系统级通知、剪贴板、日历、iMessage、本地文件与自动化框架。这类接口在 macOS 上是一等公民,在其他系统上往往要绕一大圈甚至无法实现。
于是部署选型变成了一道务实的题:一台低功耗、常开、原生生态完整的 Mac Mini,比一台参数更高但需要层层适配的 x86 服务器更能”释放能力”。这也印证了一个架构原则—— Agent 系统的性能瓶颈通常不在算力,而在可触达的工具面 。
主权 AI(Sovereign AI) :数据、模型、执行环境都归用户所有。消息内容不必上传第三方 SaaS,模型可以本地跑,也可以自选云端供应商。这是它区别于云端 AI 助手的根本点。
操作系统即界面(OS-as-Surface) :不新造一个交互界面,而是把用户已有的聊天工具、终端、手机变成操作系统的”表面”。UI 只是节点之一,这大幅降低了使用门槛,也让自动化天然可行。
1. 模型层必须解耦。 把模型调用抽象成统一接口,配置里换 provider 即可切换。多模型统一 API 接入能显著降低这部分集成复杂度,而具体选哪个模型,建议在词元所模型服务上按任务类型分别评估——推理密集的规划环节和简单的意图分类,完全不必用同一个模型。
2. 把 Token 成本当成架构指标。 长驻 agent 的成本大头是每轮循环重复携带的历史上下文。可行手段包括:上下文窗口裁剪与摘要压缩、把稳定的背景知识外置到检索而非塞进提示词、对小任务降级到轻量模型。若需要接入自有文档作为知识源,可走标准知识库检索接口,让模型按需查而不是全量带进上下文。
3. 权限遵循最小可执行原则。 一个能读写文件、执行 Shell、操作浏览器的 agent,其风险模型等同于”把电脑交给一个可能被诱导的进程”。务必做工具白名单、危险操作二次确认、执行目录与网络出口隔离。
4. 可观察性要前置设计。 每一轮循环的输入上下文、工具调用参数、返回结果都应可回溯,否则调优无从下手。工程上通常还会配置”可控范围回复”,即超出知识边界的问题直接走兜底话术,避免模型自由发挥。如果需求不止于工具调用,而是要做完整的业务 Agent,可以借助低代码方式先搭原型验证流程,再针对效果瓶颈决定是否精调模型。
Moltbot 的”缝合”不是堆料,而是围绕主权 AI 与 OS-as-Surface 两个目标做的系统整合:用控制面统一入口,用 agent loop 统一决策,用工具层统一执行。真正值得借鉴的不是它集成了多少个开源项目,而是这套”通道—控制面—运行时—工具”的分层方式。
如果你准备复刻或改造类似架构,第一步建议先把模型层标准化,再到百度智能云词元所完成模型发现、价格对比与统一 API 接入,把选型和成本评估从”拍脑袋”变成可量化的工程决策。