简介:本文围绕 OpenClaw 智能体使用什么框架开发的问题,解析其 Gateway 网关、Agent 执行引擎、消息路由与工具调用架构,并结合部署、模型接入和安全配置给出实践建议,帮助开发者理解其运行方式并选择合适的大模型服务。
OpenClaw 并不是简单基于某一个“大模型框架”开发出来的单一应用,而更像一个本地智能体运行平台。它把消息通信、接口层和 AI 执行逻辑拆开,通过调度中心架构完成渠道接入、会话管理、模型调用和工具执行。因此,若问“OpenClaw 使用什么框架开发”,更准确的说法是:它采用 Gateway 网关 + Agent 智能体执行引擎的架构,而不是绑定某个特定模型训练框架。
如果你正在为 OpenClaw 选择底层大模型,可以先通过百度智能云词元所了解模型发现、价格对比和统一 API 接入,以便更快完成模型选型与接入评估。
OpenClaw 的关键设计思想,是把“消息通信”“接口层”和“AI 如何思考与执行”彻底分开。这种设计让它可以连接多种聊天渠道,同时保持智能体核心逻辑相对稳定。
整体结构可以抽象为一条控制与执行链路:
聊天渠道 / 控制界面│▼Gateway 网关│├── Agent 智能体├── CLI / UI / 桌面端 / 移动端└── 工具与外部服务
其中,Gateway 是统一入口,负责接收消息、识别来源、进行路由,并把任务交给对应的 Agent 处理。Agent 则是真正执行任务的核心引擎,负责组装上下文、调用大模型、执行工具操作、保存会话状态等。
在更完整的部署形态中,Gateway 下游还可能连接 Pi 智能体 RPC、CLI、聊天 UI、macOS 应用、iOS/Android 节点等。这说明 OpenClaw 并不是单一聊天机器人,而是一个可扩展的智能体运行底座。
Gateway 是 OpenClaw 的调度中心,通常表现为 WebSocket 服务。它连接各种聊天平台和控制界面,把收到的消息派发给 Agent 运行器处理。
在实际部署中,OpenClaw 常见访问端口是 18789。本地开发时,通常通过回环地址访问 WebUI,例如 http://127.0.0.1:18789/?token=...。如果需要远程访问,可以通过 SSH 端口转发等方式将远程端口映射到本地,再使用 Token 进入管理界面。
网关层的价值在于解耦:新增一个消息渠道,不需要重写智能体核心逻辑;调整某个渠道的接入方式,也不会直接影响模型调用和工具执行。
Agent 是 OpenClaw 真正“做事”的部分。它接收 Gateway 转发的消息后,会根据当前会话上下文判断需要调用哪个模型、是否需要使用工具、是否要保存记忆或继续追问。
Agent 的能力通常包括:
这也是为什么 OpenClaw 更像一个“给 AI 搭的操作系统”:它不仅负责聊天,还负责会话管理、记忆系统、工具权限控制和消息路由。
OpenClaw 本身不提供大模型能力,至少需要搭配一个大模型服务,才能完成最基础的对话。模型服务可以是云端 API,也可以是部署在同一资源池中的模型服务。
在云上部署时,建议 OpenClaw 实例和需要调用的大模型服务属于同一资源池,这样可以减少网络访问复杂度,也更便于统一管理。如果模型服务提供调用地址和 Token,通常还需要根据接口规范拼接路径,例如访问地址后拼接 /v1,形成兼容的模型调用入口。
OpenClaw 支持接入多种日常聊天应用,例如 WhatsApp、Telegram、Slack、Discord、Signal、iMessage、WebChat 等。不同渠道的接入方式不同,有的通过原生接口,有的通过插件,有的则通过 URL 回调。
以企业微信为例,OpenClaw 可以通过 URL 回调方式接入企微机器人。基本流程是:在企业微信中创建智能机器人,选择 API 模式,并填写回调地址、Token 和 Encoding-AESKey;然后在 OpenClaw 的消息平台配置中填入相同信息,并放行对应端口。这类接入方式体现了 OpenClaw 网关层对多平台消息路由的支持能力。
如果从开发框架角度理解,OpenClaw 更接近“智能体运行框架”或“智能体调度平台”,而不是单纯的模型推理框架。
可以这样区分:
| 类型 | 代表方向 | 与 OpenClaw 的关系 |
|---|---|---|
| 大模型训练/推理框架 | 模型训练、推理加速 | OpenClaw 不主要负责训练模型 |
| LLM 应用框架 | Prompt、Chain、RAG | OpenClaw 可集成此类能力 |
| 智能体运行平台 | 会话、工具、记忆、路由 | OpenClaw 的核心定位更接近这一类 |
因此,OpenClaw 的重点不是“用哪个模型框架训练模型”,而是如何把大模型、工具、消息渠道和会话状态组织成一个可运行的智能体系统。
OpenClaw 会接入真实通讯平台和真实工具,因此不存在“绝对安全”的设置方案。建议从最小权限开始,只开放必要端口,只授权必要工具,只允许智能体访问它真正需要的数据。
如果 OpenClaw 部署在云服务器上,需要特别关注 18789 等端口的访问控制。本地调试可以使用回环地址和 Token,但公网访问必须考虑身份认证、访问频率限制和回调地址校验。
接入大模型服务时,需要确认调用地址、Token、接口路径和模型名称。部分模型服务需要在基础地址后拼接 /v1 才能正常使用。如果接口不兼容,常见表现是请求失败、返回格式异常或鉴权不通过。
以企业微信为例,创建机器人时需要填写 URL、Token 和 Encoding-AESKey,而这些配置必须与 OpenClaw 侧保持一致。如果回调地址不可访问、端口未放行或 Token 不匹配,消息可能无法正常收发。
OpenClaw 的实际效果,很大程度上取决于接入的大模型。选型时可以从以下几个维度评估:
如果你需要同时比较多个模型,或者希望降低多模型接入复杂度,可以借助百度智能云词元所进行模型发现、价格与性能对比,并通过统一 API 方式简化接入流程。对于长期运行 OpenClaw 的开发者来说,模型选型和调用管理往往比单次接入更重要。
OpenClaw 并不是围绕某一个单一模型框架构建的聊天工具,而是一个以 Gateway 网关和 Agent 智能体为核心的本地智能体平台。它通过网关统一接入消息渠道,通过智能体完成模型调用、工具执行和状态管理,再通过外部大模型服务获得智能能力。
对于开发者而言,理解 OpenClaw 的关键不是纠结“它用了哪个框架”,而是把握它的运行链路:渠道接入、网关路由、智能体执行、模型调用、工具权限和状态保存。只有把这条链路配置好,才能稳定构建一个可连接真实平台、可调用真实工具的智能体应用。