# Karpathy's Claws 架构：LLM Agent 的工具调用层与持久化基础设施 > 解析 Andrej Karpathy 提出的 Claws 架构：LLM Agent 的新型工具调用层设计与实现路径，探讨三层 AI 栈中的持久化基础设施层。 ## 元数据 - 路径: /posts/2026/02/23/karpathy-claws-architecture-agent-infrastructure/ - 发布时间: 2026-02-23T00:17:45+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 站点: https://blog.hotdry.top ## 正文 在 LLM 应用的技术演进中，Andrej Karpathy 最近提出了一个引人深思的概念：**Claws**。这一概念指向了 AI 技术栈中尚未被明确定义的第三层——一个位于 LLM Agent 之上的持久化基础设施层。本文将深入解析这一架构的设计理念、分层职责，并给出可落地的工程参数与实现路径。 ## 从模型调用到 Agent 再到 Claws：三层技术栈的演进 理解 Claws 的定位，需要回顾 AI 应用开发范式的演进过程。最初，开发者直接调用 LLM 的 chat completion API，仅利用模型的下一个 token 预测能力生成文本。这一阶段的特征是：无状态、单轮交互、每次请求都需要携带完整的上下文。 随后，LLM Agent 的出现改变了这一局面。Agent 本质上是一个循环结构，它维护工作上下文（包括 system prompt、scratchpad 和短期记忆），在每一次迭代中执行「思考→行动→观察」的闭环。Agent 能够调用外部工具——无论是 API、代码执行器、搜索引擎还是数据库查询——来实现更复杂的目标。这种架构使得 AI 从被动响应转向主动规划与执行。 然而，Karpathy 敏锐地观察到，仅有 Agent 仍然不够。当我们需要构建「个人数字助手」类型的应用时——它们需要全天候运行、能够通过多种渠道（Slack、Discord、Email、Webhook）与人交互、需要跨会话保持状态、需要调度定时任务——原有的 Agent 架构就显得力不从心。这正是 Claws 层的价值所在：**它位于 Agent 之上，提供持久化、编排、调度和工具路由的能力，让 Agent 能够像后台服务一样可靠运行。** ## 工具调用究竟属于哪一层：澄清一个关键误解 在理解 Claws 架构时，一个常见的混淆是：工具调用（tool calling）本身究竟属于 Agent 层还是 Claws 层？根据 Karpathy 的定义，**工具调用发生在 Agent 层，而非 Claws 层**。 具体而言，Agent 循环负责决定何时调用工具、调用哪个工具、以及传递什么参数。这些决策基于 Agent 的内部推理和目标分解。Claws 层则聚焦于 Agent 循环之外的一切：启动和停止 Agent 实例、在多个 Agent 之间路由消息和事件、序列化和恢复 Agent 状态以实现断点续传、管理跨会话的队列和并发保证、以及处理外部集成的安全边界和通道规范化。 这种职责划分具有重要的工程意义：它保持了 Agent 的「大脑」轻量且可移植，同时将可靠性、正常运行时间和生态系统集成的复杂性隔离到独立的 Claws 层中处理。 ## Claws 层的核心职责：四个关键维度 根据 OpenClaw 参考实现和社区讨论，Claws 层承担以下核心职责： **第一，调度与编排。** Claws 负责管理一个或多个 Agent 的生命周期，包括定时任务（类似 cron 的工作流）、多 Agent 通信和状态转换。它可以是单实例运行，也可以是多租户集群部署。 **第二，长上下文与记忆管理。** Claws 维护跨会话的持久状态：对话历史、日志、向量存储的记忆、以及文件类型的 Artifacts。这使得 Agent 能够在重启后恢复之前的工作上下文，实现真正的「持久化」。 **第三，工具接线与路由。** 虽然工具调用的执行逻辑在 Agent 内部，但 Claws 负责工具的注册、版本管理、路由和安全边界。它可以动态加载或卸载工具集合，适应不同任务的工具需求。 **第四，多渠道集成。** Claws 作为统一的网关，接收来自 Slack、Telegram、Email、Webhook 等不同渠道的请求，将其规范化为统一的内部事件格式，然后路由到合适的 Agent 实例处理。 ## OpenClaw 的四层架构启示 OpenClaw 作为这一概念的先行实现，提供了具象化的架构参考。它采用网关（Gateway）、执行（Execution）、集成（Integration）和智能（Intelligence）四层结构，围绕现有的 Agent 运行时构建。 网关层处理连接、认证和消息路由；执行层负责任务排序和并发管理（通过 Lane Queue 实现会话级别的串行执行，保证安全）；集成层负责平台规范化，将外部事件转换为内部统一格式；智能层定义 Agent 的行为模式、技能和可用工具。这种分层方式清晰地划定了各层的职责边界，为工程实现提供了可操作的参考模型。 ## 可落地的工程参数与设计建议 如果读者希望基于这一架构设计自己的系统，以下是可参考的关键参数和设计要点： **状态持久化策略。** 建议采用双层存储：短期状态（如 Agent 运行时上下文）使用内存或 Redis 缓存，配合定期快照到磁盘；长期记忆（如向量数据库中存储的用户偏好和知识）使用专门的向量存储服务。状态序列化的频率可根据业务对断点续传的需求程度调整，通常建议每完成一个完整的 Agent 循环或每 5 分钟执行一次持久化。 **并发控制参数。** 为了避免多线程环境下的状态竞争，建议对每个用户会话使用独立的执行队列。并发数的上限可根据后端 LLM 的速率限制和资源预算设定，常见值为 5 到 20 个并发任务。背压（backpressure）策略可采用任务排队加超时放弃的模式，超时阈值建议设置为 120 秒到 300 秒。 **工具集成的安全边界。** Claws 层应当作为内部 Agent 与外部系统的防火墙。所有外部工具调用都应经过 Claws 的代理，并实施权限检查和调用审计。建议为敏感工具（如数据库写操作、支付接口）配置额外的确认机制。 **多渠道消息的规范化格式。** 建议定义统一的内部消息 Schema，包含来源渠道、原始消息内容、时间戳、用户标识和会话标识等字段。Claws 的集成层负责将各渠道的消息格式转换为这一统一格式。 **监控与可观测性。** 建议采集以下核心指标：Agent 循环的迭代次数和平均耗时、工具调用的成功率与平均延迟、Claws 层的请求吞吐量和队列深度、以及各渠道的消息分布。日志应当包含请求链路追踪，便于排查跨层问题。 ## 结语 Claws 架构的提出，为 LLM Agent 的工程化落地提供了一层清晰的基础设施抽象。它并非要替代 Agent，而是补足了构建生产级、持久化、多渠道 Agent 应用所需的基础能力。随着 NanoClaw（约 4000 行代码的可审计实现）等项目的探索，这一层的实现路径也日益清晰。对于希望在生产环境中部署 AI Agent 的团队而言，理解并合理引入 Claws 层的职责，将是提升系统可靠性和可维护性的关键一步。 --- **参考资料** - Andrej Karpathy 关于 Claws 的原始推文（2026年2月） - Simon Willison 对 Claws 概念的解读与分析 ## 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。