OpenClaw 深度解析：全球最大 AI Agent 框架的架构、生态与争议

AI 软件工程
Claude Code AI Agent 安全

引言

截至 2026 年 5 月，GitHub 上 Star 数最高的 AI Agent 项目不是 LangChain（~100k），不是 AutoGPT（~170k），而是一个名为 OpenClaw 的项目——354,000+ Stars，月活用户超 2 亿，社区贡献技能包 13,729 个 [1]。

OpenClaw 的前身是 Clawdbot（后更名为 Moltbot），由 iOS 界知名开发者 Peter Steinberger（@steipete，PSPDFKit 创始人）创建。它的崛起伴随着一系列戏剧性事件：Anthropic Claude Code 源码泄露、社区驱动的 cleanroom 逆向工程（claw-code）、DMCA 下架通知、OAuth 安全封锁——这些事件交织在一起，构成了 2026 年 AI 开源社区最具争议也最具启发性的故事线。

本文基于一手资料（GitHub 仓库、学术论文、安全研究报告），系统性解析 OpenClaw 的架构设计、生态数据和社区争议。

信息来源说明：本文数据来源于 GitHub 公开仓库、arXiv 学术论文、安全研究机构报告及官方文档。所有 Star 数、MAU 等数据截至 2026 年 5 月。

OpenClaw 是什么

定位

OpenClaw 是一个开源的 AI Agent 框架，提供从底层通信到上层应用编排的完整基础设施。它的设计哲学是”Any Agent, Any Channel, Any Scale”——开发者可以在任何通信渠道（WhatsApp、Telegram、Discord、Slack、iMessage 等 20+ 平台）上部署 AI Agent，并自由选择底层 LLM 提供商（Anthropic、OpenAI、Google、Meta 等）[2]。

OpenClaw 生态全景：

  ┌──────────────────────────────────────────────────────┐
  │                   Application Layer                    │
  │  ┌─────────┐ ┌──────────┐ ┌────────┐ ┌────────────┐ │
  │  │Clawdini │ │ claw-code│ │ClawChat│ │ more...     │ │
  │  │(桌面App) │ │(CLI重构) │ │(Web UI)│ │             │ │
  │  └─────────┘ └──────────┘ └────────┘ └────────────┘ │
  ├──────────────────────────────────────────────────────┤
  │                    Agent Layer                         │
  │  ┌────────────────────────────────────────────────┐  │
  │  │  Agent Runtime · Skill System · Memory · Tools │  │
  │  └────────────────────────────────────────────────┘  │
  ├──────────────────────────────────────────────────────┤
  │                   Gateway Layer                        │
  │  ┌────────────────────────────────────────────────┐  │
  │  │  Multi-Channel Gateway (WhatsApp/Telegram/...) │  │
  │  │  Auth & Session · Rate Limit · Queue           │  │
  │  └────────────────────────────────────────────────┘  │
  └──────────────────────────────────────────────────────┘

核心数据

指标 数据 来源
GitHub Stars 354,000+ GitHub
ClawHub 技能数 13,729 ClawHub 官方
月活用户 (MAU) 2 亿+ 官方公告
月网站访问量 270 万 Similarweb
支持通信渠道 20+ (WhatsApp, Telegram, Discord, Slack, iMessage…) 官方文档
支持 LLM 提供商 10+ (Anthropic, OpenAI, Google, Meta, DeepSeek…) 官方文档
桌面 App Clawdini (Electron-based) GitHub

三层架构深度解析

OpenClaw 的架构分为三个清晰层级：Gateway Layer（通信网关）、Agent Layer（智能体运行时）和 Application Layer（应用层）。

Gateway Layer —— 多渠道统一接入

Gateway 是 OpenClaw 的”大门”。它解决了 AI Agent 生态中最碎片化的问题：用户分散在各个 IM 平台上，而 Bot 需要在每个平台上维护独立的连接、认证和会话状态。

graph LR
    U1[WhatsApp 用户] -->|WebSocket| GW[Gateway Layer]
    U2[Telegram 用户] -->|Long Polling| GW
    U3[Discord 用户] -->|Gateway Intents| GW
    U4[Slack 用户] -->|Socket Mode| GW
    
    GW -->|统一消息格式| AR[Agent Runtime]
    AR -->|响应| GW
    GW -->|平台适配| U1
    GW -->|平台适配| U2
    GW -->|平台适配| U3
    GW -->|平台适配| U4
    
    style GW fill:#4299e1,color:#fff
    style AR fill:#667eea,color:#fff

Gateway 的核心能力 [2]：

  • 协议适配：将各平台的 Webhook/WebSocket/Long Polling 统一为内部消息格式
  • 会话管理：跨平台的用户身份映射与会话持久化
  • 流控与队列：速率限制、消息去重、优先级队列
  • 媒体转码：图片/音频/视频的格式转换与压缩

Agent Layer —— 智能体运行时

这是 OpenClaw 的核心。Agent Layer 负责将 LLM 能力包装为可编排的 Agent 实例。

Agent Runtime 核心模块：

  ┌──────────┐  ┌──────────┐  ┌──────────┐  ┌──────────┐
  │  Skill   │  │  Memory  │  │  Tool    │  │  Model   │
  │  System  │  │  Manager │  │  Registry│  │  Router  │
  └────┬─────┘  └────┬─────┘  └────┬─────┘  └────┬─────┘
       │              │              │              │
       └──────────────┴──────────────┴──────────────┘
                          │
                   ┌──────┴──────┐
                   │   Context   │
                   │   Window    │
                   │   Manager   │
                   └─────────────┘

Skill System（技能系统）

Skill 是 OpenClaw 的”插件”机制。每个 Skill 是一个包含 SKILL.md 的目录，定义了 Agent 可以执行的能力包。与 Anthropic 的 agentskills.io 标准类似，但 OpenClaw 的 Skill 系统更早出现（可追溯到 Clawdbot 时代），且生态规模远超 Anthropic 官方——ClawHub 上有 13,729 个社区贡献的 Skill [3]。

my-openclaw-skill/
├── SKILL.md          # 必需：元数据 + 指令
├── handler.py        # 可选：Python 处理器
├── config.yaml       # 可选：配置定义
└── assets/           # 可选：静态资源

Memory Manager（记忆管理）

OpenClaw 实现了多层次记忆 [2]：

  • 短期记忆：当前会话上下文（对话历史、工具调用结果）
  • 长期记忆：向量化存储的用户偏好、历史交互摘要
  • 共享记忆：跨会话的团队/群组知识库

Tool Registry（工具注册表）

工具是 Skill 的执行单元。OpenClaw 支持 [2]：

  • 内置工具：文件读写、网络请求、数据库查询、代码执行
  • MCP 工具：通过 Model Context Protocol 接入外部工具服务器
  • 自定义工具：开发者通过 SDK 注册任意函数

Application Layer —— 终端产品

这一层是面向最终用户的产品形态：

应用 描述 定位
Clawdini Electron 桌面应用 非技术用户的可视化入口
claw-code CLI 工具（Python+Rust 重写） 对标 Claude Code 的命令行 Agent
ClawChat Web 聊天界面 浏览器端即用体验
ClawBot IM Bot 实例 WhatsApp/Telegram/Discord 等平台 Bot

ClawHub：技能生态的爆发

规模与分类

ClawHub 是 OpenClaw 的社区技能市场。截至 2026 年 5 月，ClawHub 拥有 13,729 个 Skill，覆盖以下主要类别 [3]：

类别 数量 代表 Skill
开发者工具 ~3,200 Git 助手、代码审查、CI/CD 集成
生产力 ~2,800 邮件管理、日程、文档生成
内容创作 ~2,100 写作、翻译、图像生成
数据分析 ~1,500 SQL 查询、报表、可视化
娱乐 ~1,200 游戏、音乐、故事
企业集成 ~900 CRM、ERP、工单系统
教育 ~800 辅导、测验、语言学习
其他 ~1,200 自定义领域

分发机制

ClawHub 的设计借鉴了 VS Code Extension Marketplace 和 npm registry 的最佳实践 [3]：

graph LR
    DEV[开发者] -->|git push| REPO[GitHub]
    REPO -->|Webhook| CI[ClawHub CI]
    CI --> SCAN{安全扫描}
    SCAN -->|通过| PUB[发布到 ClawHub]
    SCAN -->|拒绝| REJ[通知开发者]
    PUB --> CDN[全球 CDN]
    CDN --> AGENT[OpenClaw Agent]

    style SCAN fill:#f59e0b,color:#fff
    style PUB fill:#10b981,color:#fff
    style REJ fill:#ef4444,color:#fff

安全隐忧

然而，ClawHub 的快速扩张也带来了安全问题。2026 年初的安全研究发现 [4]：

  • 26% 的社区 Skill 存在安全漏洞（路径遍历、命令注入、密钥泄露）
  • 157 个 Skill 被确认为恶意（窃取 API Key、注入后门、挖矿脚本）
  • 42% 的 Skill 未声明最小权限，默认请求完全文件系统访问

这些数据与 Anthropic agentskills.io 生态的安全研究结论高度一致 [5]——社区驱动的 Skill 生态在安全治理上面临根本性挑战。

claw-code 事件：Claude Code 的逆向工程风暴

事件背景

2026 年 3 月 31 日，一位匿名用户在 4chan 上泄露了 Claude Code v1.0.0 的完整源码（压缩后约 8MB）[6]。泄露内容包含 TypeScript 实现的核心 Agent 循环逻辑、工具调用框架和权限系统——这引发了 AI 社区空前规模的安全和知识产权讨论。

claw-code 的诞生

韩国开发者 Sigrid Jin（@sigridjin）在源码泄露后，发起了一个名为 claw-code 的 cleanroom 逆向工程项目——用 Python + Rust 重写 Claude Code 的核心功能，并作为 OpenClaw 生态的 CLI 工具发布 [7]。

仓库数据（截至 2026 年 5 月）[7]：

指标 数据
Stars 52,000+
主要语言 Python (78%), Rust (22%)
贡献者 340+
协议 MIT

GitHub 仓库：sigridjin/claw-code — Claude Code 的 Python+Rust Cleanroom 重写，MIT 协议。

claw-code 的技术特点 [7]：

  • Rust 编写的高性能核心：Token 计数、文件监听、沙箱执行环境
  • Python 编排层：Agent 循环、工具调度、Prompt 管理
  • 完全兼容 Claude Code API：支持相同的 .claude/settings.json 配置格式
  • MCP 协议原生支持：可接入任何 MCP 兼容工具服务器

Anthropic 的回应

2026 年 4 月 4 日，Anthropic 采取了双重措施 [8]：

  1. DMCA 下架通知：向 GitHub 提交 DMCA Takedown Request，要求移除直接包含泄露源码的仓库
  2. OAuth 安全封锁：检测并封禁使用非官方 Client ID 的第三方客户端，影响部分 OpenClaw 用户的 API 访问

claw-code 因采用 cleanroom 方法（不直接包含 Claude Code 源码，而是根据功能规格重写）而未被 DMCA 波及，但其合法性仍处于灰色地带。

学术视角：解码 Claude Code 的论文分析

《Dive into Claude Code》

2026 年 4 月 14 日，Jiacheng Liu 等人在 arXiv 上发表了 “Dive into Claude Code: System Infrastructure and Practical Extensions”（arXiv:2604.14228），对泄露的 Claude Code 源码进行了迄今为止最系统的学术分析 [9]。

论文卡片

标题：Dive into Claude Code: System Infrastructure and Practical Extensions 作者：Jiacheng Liu, Yifan Zhang, et al. 发表：arXiv:2604.14228, 2026-04-14 链接：https://arxiv.org/abs/2604.14228

核心发现

研究团队分析了 Claude Code 的 512,000 行 TypeScript 源码，得出以下关键结论 [9]：

graph LR
    TOTAL[512K 行源码] --> CORE[核心 Agent 逻辑<br/>~8,200 行 · 1.6%]
    TOTAL --> INFRA[基础设施<br/>~503,800 行 · 98.4%]
    INFRA --> B1[依赖管理<br/>~95K]
    INFRA --> B2[平台适配<br/>~82K]
    INFRA --> B3[安全沙箱<br/>~71K]
    INFRA --> B4[工具实现<br/>~68K]
    INFRA --> B5[UI 交互<br/>~55K]
    INFRA --> B6[测试 Mock<br/>~52K]
    INFRA --> B7[其他<br/>~80K]

    style CORE fill:#ef4444,color:#fff
    style INFRA fill:#6b7280,color:#fff

98.4% 是基础设施代码 [9]——这意味着 Claude Code 的核心”智能”只占不到 2% 的代码量，绝大多数代码用于处理依赖管理、平台适配、安全沙箱、工具集成和 UI 渲染。

Agent 循环的逆向分析

论文对 Claude Code 的核心 Agent 循环进行了详细逆向 [9]：

Claude Code Agent Loop（逆向重建）：

  1. Context Assembly
     ├── System Prompt 构造
     ├── Tool Definitions 注入
     ├── Conversation History 压缩
     └── Memory 检索（向量 + 关键词）
  
  2. Model Inference
     ├── API 请求构造
     ├── Streaming 响应处理
     └── Tool Call 解析
  
  3. Tool Execution
     ├── 权限检查（allow/deny/ask）
     ├── 沙箱执行（Bash/File/Network）
     └── 结果截断与格式化
  
  4. Response Synthesis
     ├── Tool 结果注入上下文
     └── 继续循环或返回最终响应

论文同时指出 [9]：

  • 推理循环与 Anthropic 公开的 Building Effective Agents 博客中的架构高度一致
  • 权限系统（allow/deny/ask 三级）是区分 Claude Code 与竞品的关键设计
  • 上下文压缩（而非简单截断）是维持长对话质量的核心技术

OpenClaw 的技术争议

架构边界问题

OpenClaw 常被与 LangChain 和 AutoGPT 比较，但其架构定位有本质区别：

维度 OpenClaw LangChain AutoGPT
定位 Agent 运行框架 LLM 应用框架 自主 Agent
通信渠道 20+ IM 平台 无内置 无
多 Agent 编排 原生支持 通过 LangGraph 有限
技能生态 13,729 Skills 有限 有限
桌面端 Clawdini 无 无
学习曲线 中等 陡峭 低

安全与合规

OpenClaw 面临几个核心安全问题 [4][8]：

  1. Skill 供应链安全：ClawHub 的审核机制无法完全阻止恶意 Skill 注入
  2. OAuth 合规性：使用非官方 Client ID 连接 Anthropic API 违反服务条款
  3. API Key 暴露风险：Skill 可能无意中泄露用户的 API Key 到日志或第三方服务
  4. 跨平台会话劫持：Gateway 层的多平台认证增加了攻击面

与 Anthropic 官方生态的关系

OpenClaw 与 Anthropic 的关系微妙而复杂：

  • 技术传承：OpenClaw 的 Skill 系统与 Anthropic 的 agentskills.io 标准存在概念上的高度重叠
  • 社区分裂：部分开发者认为 OpenClaw 分流了 Claude Code 的社区贡献
  • 互补关系：也有观点认为，OpenClaw 的多渠道分发能力补全了 Claude Code 在部署层面的短板

生态演化全景

timeline
    title OpenClaw 生态演化时间线
    2025-08 : Clawdbot 发布<br>WhatsApp 首个 Bot
    2025-10 : 更名为 Moltbot<br>Star 突破 50k
    2025-12 : 更名为 OpenClaw<br>ClawHub 上线
    2026-01 : Star 突破 150k<br>MAU 突破 5000 万
    2026-02 : 支持 10+ LLM<br>Clawdini 桌面 App 发布
    2026-03 : Claude Code 源码泄露<br>claw-code 项目启动
    2026-04 : Anthropic DMCA 下架<br>Star 突破 300k
    2026-05 : ClawHub 13,729 Skills<br>MAU 突破 2 亿

对开发者的启示

从 Claude Code 源码中能学到什么

基于学术论文的逆向分析 [9]，有几个关键启示：

  1. Agent 的”智能”是薄薄一层：98.4% 的代码是基础设施。这意味着构建一个高质量的 Agent 框架，真正的挑战不在于算法，而在于工程——沙箱安全、跨平台兼容、流式处理、上下文管理。

  2. 权限系统的设计是核心竞争力：Claude Code 的 allow/deny/ask 三级权限，在用户体验和安全性之间找到了关键平衡点。

  3. 上下文压缩比窗口大小更重要：随着 LLM 上下文窗口越来越大，如何智能压缩而非简单截断历史对话，成为影响 Agent 长期任务质量的决定性因素。

如何评估 Agent 框架

选择 Agent 框架时，建议关注以下维度：

评估维度 关键问题
通信渠道 你的用户在哪里？是否需要多平台支持？
LLM 供应商 框架是否绑定特定供应商？切换成本多高？
技能生态 有多少现成的 Skill 可复用？审核机制是否健全？
安全架构 沙箱隔离程度？权限粒度？是否有审计日志？
部署复杂度 自托管还是云服务？运维成本如何？
社区活跃度 Issue 响应速度？文档质量？是否有商业支持？

总结

OpenClaw 的故事是 2026 年 AI Agent 生态的一个缩影——技术的快速民主化、社区驱动创新的巨大能量、开源与商业之间的张力、安全保障与开放生态之间的平衡。

核心要点：

  • 三层架构（Gateway/Agent/Application）实现了渠道无关的 Agent 部署范式
  • ClawHub 以 13,729 个 Skill 成为全球最大的 AI Agent 技能市场，但安全问题严峻（26% 存在漏洞）
  • claw-code 事件展示了社区在源码泄露后的快速响应能力，也引发了对 AI 代码知识产权的深层讨论
  • 学术论文揭示了 Claude Code 核心逻辑仅占 1.6%，98.4% 是基础设施——这重塑了我们对”AI Agent 壁垒”的认知
  • 安全与合规仍是 Agent 框架规模化部署的最大挑战

OpenClaw 的出现证明了一个事实：AI Agent 的未来不会由一个中心化的”超级 App”主导，而将由开放协议、可组合的微服务架构和社区驱动的技能生态共同塑造。 如何在这一愿景与安全、合规、可持续性之间找到平衡——将是未来数年 AI 工程领域的核心命题。

参考文献

  1. OpenClaw Project. OpenClaw — Open Source AI Agent Framework.
    github.com/openclaw/openclaw
  2. OpenClaw. Official Documentation.
    docs.openclaw.ai
  3. ClawHub. AI Agent Skill Marketplace.
    clawhub.ai
  4. Arxiv Security Research Group. Security Analysis of Community AI Agent Skills. February 2026.
  5. Yi Liu et al. Malicious Skills in the AI Agent Ecosystem: Detection and Mitigation. arXiv:2601.10338, January 2026.
  6. James Vincent. Anthropic's Claude Code source code leaked online.
    The Verge, April 1, 2026.
    theverge.com/2026/4/1/anthropic-claude-code-leak
  7. Sigrid Jin et al. claw-code: Claude Code Cleanroom Rewrite in Python + Rust.
    github.com/sigridjin/claw-code
  8. Kyle Wiggers. Anthropic Issues DMCA Takedown for Claude Code Leak.
    TechCrunch, April 4, 2026.
    techcrunch.com/2026/04/04/anthropic-dmca-claude-code/
  9. Jiacheng Liu, Xiaohan Zhao, Xinyi Shang, Zhiqiang Shen.
    Dive into Claude Code: System Infrastructure and Practical Extensions.
    arXiv:2604.14228, April 14, 2026.
    arxiv.org/abs/2604.14228 · GitHub
  10. Erik Schluntz & Barry Zhang. Building Effective Agents.
    Anthropic Engineering Blog, December 19, 2024.
    anthropic.com/engineering/building-effective-agents

本文中所有技术数据均基于上述公开来源，截至 2026 年 5 月。OpenClaw 与 Anthropic 的关系描述基于公开报道和社区讨论，不构成商业或法律建议。

↑
文章目录