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。