深度解析 OpenClaw 在 Prompt / Context / Harness 三个维度中的设计哲学与实践
深度解析 OpenClaw 在 Prompt / Context / Harness 三个维度中的设计哲学与实践
来源类型： 微信公众号文章
日期： 2026-06-02
标签： AI, OpenClaw, 记忆系统, 办公效率, 网络安全, 编程, 区块链, 机器人, 大模型
原文链接： https://mp.weixin.qq.com/s/JycTfNd7EnmWCnJK-QCf0Q
摘要
阿里妹导读 本文的核心思路是从Prompt、Context和Harness这三个维度展开，分析OpenClaw的设计思路，提炼出其中可复用的方法论，来思考如何将这些精华的设计哲学应用到我们自己的Agent系统设计和业务落地中去。（文章内容基于作者个人技术实践与独立思考，旨在分享经验，仅代表个人观点。） 背景 2026年伊始，OpenClaw一下子就成为了AI圈“最靓的仔”了，彻底出圈，火遍了大江南北，除了科技界，很多非技术人员都参与了进来，掀起了一股全民的“养虾热”🦞。从各大厂纷纷推出基于OpenClaw或类似架构的产品，在“百模大战”之后，又出现了“百虾大战”，再到各社区里层出不穷的“养...
核心内容
阿里妹导读
本文的核心思路是从Prompt、Context和Harness这三个维度展开，分析OpenClaw的设计思路，提炼出其中可复用的方法论，来思考如何将这些精华的设计哲学应用到我们自己的Agent系统设计和业务落地中去。（文章内容基于作者个人技术实践与独立思考，旨在分享经验，仅代表个人观点。）
背景
2026年伊始，OpenClaw一下子就成为了AI圈“最靓的仔”了，彻底出圈，火遍了大江南北，除了科技界，很多非技术人员都参与了进来，掀起了一股全民的“养虾热”🦞。从各大厂纷纷推出基于OpenClaw或类似架构的产品，在“百模大战”之后，又出现了“百虾大战”，再到各社区里层出不穷的“养虾攻略”、“499安装OpenClaw之后再花299卸载”，这场狂欢可谓是盛况空前。然而，在这场热闹的“龙虾狂欢”背后，我更想地是要冷静下来，通过对OpenClaw源码进行剖析去思考它的设计思路，去探讨我们究竟应该从中学习什么，而不是仅仅停留在“跟风养只虾”或者“跑通一个Demo”的层面。所以，OpenClaw火了这几个月，我没有着急写文章，而是先去翻阅了它在Github官方库里的核心源码[1]及相关技术文章。本质上讲，OpenClaw并不是一个突然“凭空诞生”的全新物种，它更像是将近年来Agent发展过程中沉淀的各种关键技术进行了一次系统性的集成与升华：无论是Prompt的动态组装、Context的压缩机制、Memory的管理、Agent Skills的模块化复用和渐进式披露、灵活的Hook机制、安全的Guardrail设计，还是强大的工具调用能力，尤其是将其权限边界扩展到了个人设备层面（Computer Use），都体现了这一趋势。正所谓，量变引起质变，当一些最新技术的集大成者结合到一起，会出现一些之前意想不到的效果（18年的BERT、22年底的ChatGPT、25年初的DeepSeek也是类似的情况）。而现在，这个质变的“点”变成了OpenClaw这只“小龙虾”🦞，之所以突然火出圈，还是因为它相比之前涌现出了更智能的感觉，也能做更多的事情了，让AI开始从一些普通的ChatBot或者单任务、垂类Agent一下子进化到了全面自主的、更私人助理化的强大Agent，带来了更大的“想象空间”。同时，它在Prompt Engineering（提示词工程）、Context Engineering（上下文工程）以及新兴的Harness Engineering（驾驭工程/脚手架工程）等维度上也做了很多可值得学习和落地的工作。Prompt Engineering → Context Engineering → Harness Engineering也是现代AI系统的三大关键阶段，分别聚焦于“如何说”、“让AI看什么”以及“构建怎样的运行环境”，三者层层递进，共同致力于提升大模型在复杂任务中的可靠性与可控性，下图展示了三者的关系[2]。我近些时间一直在做Agent，所以我的关注重点一直是在“如何设计一个好用的Agent系统”，因此，我我不会把过多重点放在完整的项目前后端工程实现上，比如网页端、Channel、Gateway之类的内容我就不去细讲了，相关的技术架构文章也非常多，大家可以去搜索阅读。我的核心思路是从Prompt、Context和Harness这三个维度展开，分析OpenClaw的设计思路，提炼出其中可复用的方法论，来思考如何将这些精华的设计哲学应用到我们自己的Agent系统设计和业务落地中去。毕竟，技术浪潮总有起伏，在大潮来时，我们要敢于直面浪潮；而在大潮退去之时，我们更要能留下沉淀，汲取这场火热盛宴背后那些更本质、更长效的核心价值。
Prompt Engineering：动态组装与文件驱动
首先，我们先看OpenClaw最基础的Prompt Engineering（提示词工程）部分。关于“如何写好提示词”这个话题，早在2023年就已经是各大技术社区的老生常谈了，相关的最佳实践文章数不胜数。但在今天，当我们审视像OpenClaw这样成熟的Agent系统时，会发现Prompt Engineering的内涵已经发生了质的变化：它不再仅仅是撰写一段固定的System Prompt，而是一套复杂的、动态的Prompt组装机制。虽然从广义上讲，这些动态组装的内容都属于“Context Engineering”的范畴，但我之所以单独将Prompt Engineering拎出来分析，是因为OpenClaw在这一层的设计哲学非常值得借鉴——它将原本模糊的指令结构化、模块化，并通过外部机制实现了高效的动态注入。
System Prompt的结构化动态组装
现在的Agent系统中，System Prompt不再是直接书写的一段文本，虽然最终给到大模型的仍然是一个完整的System Prompt，但实际上这些Prompt是在运行的时候通过各种前置判断之后进行动态拼装而来的，其实是一个高度结构化组装而成的信息集合体。在OpenClaw源代码src/agents/system-prompt.ts里面，我们可以看到System Prompt的细节实现，它由核心函数buildAgentSystemPrompt()构建，这个函数接收几十个参数，然后按照固定顺序，将一个个模块像搭积木一样「拼」在一起构建。它清晰地给Agent定义了：你是谁？你的行为准则是什么？你拥有哪些可用Tools？Skills系统如何运作？必须遵守的Safety Guidelines和安全红线是什么？当前的Workspace（工作区）在哪里？沙箱状态、文档链接、系统时间等上下文信息如何加载？以及Memory Recall如何触发？长期记忆如何读取等等。OpenClaw定义了三种提示词模式（PromptMode），适用于不同场景：
- full（完整模式）：用于主Agent 与用户直接对话，所有模块全部加载
- minimal（精简模式）：用于子Agent 执行独立任务，只保留核心模块（工具、工作区、运行时信息）
- none（极简模式）：极简场景，基本上只有一行身份标识为什么要做区分呢？因为 AI 的上下文窗口总归是有限的，根据不同的场景要求进行区分。下面我将System Prompt的组装的模块大概有23个模块，完整拼接起来还是挺长的，给大家看看：
System Prompt组装过程
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
...(内容截断，完整内容请查看原文)
本页由自动化脚本生成，待人工审核补充