平平无奇的源码，竟藏着 Agent 的核心秘密？

📌 一句话摘要

本文通过分析 OpenClaw 源码，深入拆解了 Agent 系统的核心设计：System Prompt 的分层拼装、Skill 的按需加载机制以及 Agent 运行循环，揭示了 Agent 架构的关键工程实践。

📝 详细摘要

文章以腾讯云开发者公众号的形式，对 OpenClaw 这一 Agent 系统的源码进行了深度解读。作者将 Agent 架构概括为「三件套」：System Prompt、Agent 运行循环和 Skill 机制。文章详细分析了 System Prompt 的分层结构，展示了其如何像「乐高积木」一样由多个独立模块（工具、安全、技能、记忆等）按需拼装而成。核心亮点在于 Skill 机制，它通过「按需加载」策略，仅在 System Prompt 中注入技能的名称和描述（约 100 token/个），当 LLM 判断需要时再通过 read 工具读取完整的 SKILL.md 文件，从而避免了将所有技能内容一次性注入导致的 token 浪费。此外，文章还介绍了 SkillSnapshot 机制，用于防止上下文压缩导致技能目录丢失。文章还涵盖了 Agent 运行循环、心跳机制、子 Agent 机制、Silent Reply 以及上下文引擎等关键设计。整体上，这是一篇高质量的源码分析文章，为开发者理解 Agent 系统的工程实现提供了宝贵的参考。

💡 主要观点

- Agent 的 System Prompt 采用分层乐高式拼装，而非单一硬编码字符串。 通过 buildAgentSystemPrompt() 函数，将工具、安全、技能、记忆等模块独立构建并拼接，支持 full/minimal/none 三种模式，实现按需启用，提升了灵活性和 token 效率。

Skill 机制的核心是按需加载，极大节省了初始 token 消耗。 传统做法将所有技能内容注入 prompt，而 OpenClaw 仅在 prompt 中注入技能名称和描述（约 100 token/个），LLM 判断需要时再通过 read 工具读取完整 SKILL.md，相比传统方式可节省约 98% 的初始 token。

SkillSnapshot 机制解决了上下文压缩导致技能目录丢失的问题。 每次 Agent 运行时，会重新构建或使用已有的 SkillSnapshot 注入 prompt，确保即使经过多轮对话和上下文压缩，Agent 始终知道有哪些技能可用。

💬 文章金句

- 大模型就一个输入变量。再怎么封装都是在拼 string。

System Prompt 是剧本，Skill 是剧本的扩展包，Agent Loop 是演员按剧本行动。
传统做法：把所有 Skill 内容全放 System Prompt → 20 个 Skill × 5000 token = 100，000 token（每次都花）。OpenClaw 做法：Phase 1（每次都有）: 只放 name + description ≈ 100 token/个。

📊 文章信息

AI 初评：88

来源：腾讯云开发者

作者：腾讯云开发者

分类：人工智能

语言：中文

阅读时间：18 分钟

字数：4458

标签： Agent, OpenClaw, System Prompt, Skill 机制, 源码分析

阅读完整文章

平平无奇的源码，竟藏着 Agent 的核心秘密？

🤖 問 AI