# Karpathy 提出 Claws 架构：LLM Agent 的工程化新范式 > 解析 Andrej Karpathy 提出「Claws」概念的架构思路，探讨 LLM Agent 在控制平面与数据平面分离、多模型编排方面的工程化实践。 ## 元数据 - 路径: /posts/2026/02/21/karpathy-claws-architecture-llm-agent/ - 发布时间: 2026-02-21T18:31:34+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 站点: https://blog.hotdry.top ## 正文 当我们谈论 LLM Agent 的进化时，Andrej Karpathy 在 2026 年 2 月提出的「Claws」概念提供了一个清晰的坐标。这个术语并非指某个具体的 GitHub 仓库，而是 Karpathy 对一类新型 AI Agent 系统架构的命名——它们是运行在用户本地设备上的持久化智能体，具备调度、编排、工具调用和状态保持能力，本质上是在传统 LLM 调用之上新增了一层「管理层」。理解 Claws 的架构设计，对于把握 2026 年 AI Agent 的工程化方向具有重要参考价值。 ## 从 LLM 到 Claws 的演进逻辑 Karpathy 将 AI 能力的发展划分为三个递进层次：最底层是单纯的 LLM 调用，即输入提示词获得文本回复；中间层是 LLM Agent，赋予模型目标导向和工具使用能力；最顶层则是 Claws——一种持久化、嵌入式、可跨会话保持状态的智能实体。这一划分揭示了一个核心趋势：AI 正在从响应式的文本生成器转变为持续运行的状态机。传统的 LLM 调用本质上是 stateless 的，每次交互都是独立事件；而 Claws 则要求维护长期记忆、配置文件和执行上下文，这与现代软件系统的服务化架构极为相似。 Claws 的另一个关键特征是「local-first」设计理念。与云端托管的 Agent 服务不同，Claws 强调数据驻留在用户本地设备上，通过消息应用（如 WhatsApp、Telegram、Slack）作为交互入口。这种架构选择既回应了隐私关切，也契合了 Karpathy 一直倡导的「个人 AI」愿景——一个真正属于用户本人的数字助手，而非某家公司的云服务。在这一理念下，OpenClaw（由 Peter Steinberger 创建的开源项目）成为 Claws 概念的典型实现，其在 GitHub 上迅速积累了超过二十万星标，足以说明社区对这类架构的认可程度。 ## 控制平面与数据平面的分离设计 2026 年初围绕 Claws 架构讨论最多的设计模式是「控制平面（Control Plane）与数据平面（Data Plane）的分离」。这一概念借鉴了网络系统中路由与转发的经典分离模型，旨在解决 Agent 系统的安全性和可控性问题。在原始的 OpenClaw 实现中，「大脑」与「双手」位于同一高度特权的进程内——LLM 负责决策，工具负责执行，两者共享全部权限。这种设计虽然功能强大，却带来了相当大的安全风险：一旦 Agent 被攻破或产生意外行为，攻击者可以无限制地访问系统资源。 分离后的架构将智能决策与具体执行解耦。控制平面扮演「传达室」角色，接收用户原始请求后进行验证、清洗和安全策略检查，然后生成确定性的「工作票据」（Work Ticket），明确指定允许执行的操作及参数。数据平面则仅负责按照工作票据调用具体工具——发送消息、读写数据、触发工作流——以受限权限运行，可被独立替换而不影响上层逻辑。这种设计的优势在于：即使数据平面被攻破，攻击者也只能在预定义的受限范围内操作，无法绕过控制平面的安全策略。工程实践中，建议为不同功能域（如日程、通讯、财务）配置独立的执行器，每个执行器使用最小权限凭证，实现彻底的权限隔离。 ## 模型无关的核心与可观测状态 Claws 架构的另一个核心原则是「模型无关性」。在 Karpathy 的描述中，一个 Claw 的「大脑」可以是任意主流 LLM——Claude、GPT-4/5、 Gemini——根据任务类型或用户偏好动态选择。这意味着架构设计必须与具体模型解耦，核心逻辑专注于任务分解、状态管理和工具调度，而非嵌入特定模型的提示词链。实现层面，标准化的内部工作票据格式是关键：通过定义统一的任务描述规范，可以在不同模型之间切换而不改变控制平面和数据平面的代码。 可观测性是 Claws 架构的第三个支柱。每个 Agent 维护人类可读的持久状态存储，通常采用 Markdown、YAML 或 JSONL 格式，而非隐藏的向量数据库。这种设计理念与 Karpathy 倡导的「可解释 Agent」一脉相承——用户应能查看 Agent 的目标、记忆和决策依据，而非面对一个黑盒。具体实践上，可以在项目根目录放置 `SOUL.md` 等配置文件，声明 Agent 的角色、能力和行为约束；执行过程中的中间状态写入本地数据库，供调试和审计使用。这种将 Agent 内部状态外部化的做法，大幅降低了信任门槛，也是工程团队评估是否采用 Claws 架构的重要考量因素。 ## 工程落地的关键参数与监控要点 如果团队计划构建 Claws 架构的 Agent 系统，以下参数和监控点值得关注。权限控制层面，建议实施四级最小权限模型：系统级（操作系统资源）、应用级（消息平台 API）、功能级（特定工具如日历或邮件）、操作级（单次具体动作）。每次工具调用前必须通过权限检查器，审计日志需记录完整调用链。状态管理层面，采用事件溯源模式记录 Agent 的所有决策节点，支持任意时刻回放和诊断；同时设置状态快照周期，防止长时间运行导致的状态膨胀。 监控指标应覆盖三个维度：延迟指标（控制平面决策耗时、数据平面执行耗时、总端到端响应时间）、成功率指标（工作票据完成率、工具调用成功率、用户确认率）以及异常指标（权限拒绝次数、安全策略触发次数、超时未完成任务数）。建议为每个指标设置基线告警阈值，例如控制平面决策超过五秒或单日权限拒绝超过十次时触发告警。容错设计方面，数据平面应实现幂等操作和自动重试机制，控制平面需支持工作票据的持久化队列，防止进程异常导致任务丢失。 Karpathy 将 Claws 描述为「人类与 AI 的 dyad」——一种紧密协作的双向关系，而非传统的命令-执行模式。这意味着架构设计不仅要关注技术实现，还需考虑人机交互的体验设计。Agent 应具备渐进式披露能力：初始阶段仅展示能力名称和描述，匹配到具体任务时才展现完整实现细节；关键操作前主动请求人类确认，尤其是涉及财务或隐私数据的操作。唯有将工程严谨性与交互设计相结合，才能真正释放 Claws 架构的潜力。 ## 资料来源 本文核心观点参考 Andrej Karpathy 2026 年 2 月在社交媒体对「Claws」概念的阐述，以及 OpenClaw 项目在 GitHub 的架构实现讨论。 ## 同分类近期文章 ### [NVIDIA PersonaPlex 双重条件提示工程与全双工架构解析](/posts/2026/04/09/nvidia-personaplex-dual-conditioning-architecture/) - 日期: 2026-04-09T03:04:25+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 摘要: 深入解析 NVIDIA PersonaPlex 的双流架构设计、文本提示与语音提示的双重条件机制，以及如何在单模型中实现实时全双工对话与角色切换。 ### [ai-hedge-fund：多代理AI对冲基金的架构设计与信号聚合机制](/posts/2026/04/09/multi-agent-ai-hedge-fund-architecture/) - 日期: 2026-04-09T01:49:57+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 摘要: 深入解析GitHub Trending项目ai-hedge-fund的多代理架构，探讨19个专业角色分工、信号生成管线与风控自动化的工程实现。 ### [tui-use 框架：让 AI Agent 自动化控制终端交互程序](/posts/2026/04/09/tui-use-ai-agent-terminal-automation/) - 日期: 2026-04-09T01:26:00+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 摘要: 详解 tui-use 框架如何通过 PTY 与 xterm headless 实现 AI agents 对 REPL、数据库 CLI、交互式安装向导等终端程序的自动化控制与集成参数。 ### [tui-use 框架：让 AI Agent 自动化控制终端交互程序](/posts/2026/04/09/tui-use-ai-agent-terminal-automation-framework/) - 日期: 2026-04-09T01:26:00+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 摘要: 详解 tui-use 框架如何通过 PTY 与 xterm headless 实现 AI agents 对 REPL、数据库 CLI、交互式安装向导等终端程序的自动化控制与集成参数。 ### [LiteRT-LM C++ 推理运行时：边缘设备的量化、算子融合与内存管理实践](/posts/2026/04/08/litert-lm-cpp-inference-runtime-quantization-fusion-memory/) - 日期: 2026-04-08T21:52:31+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 摘要: 深入解析 LiteRT-LM 在边缘设备上的 C++ 推理运行时，聚焦量化策略配置、算子融合模式与内存管理的工程化实践参数。