课程目标
理解 AI Agent 的本质
从 50 行伪代码开始,理解 LLM + 工具调用的核心循环
掌握四层抽象
工具 → 技能 → 代理 → 自动化,每一层解决什么问题
识别失败模式
沉默失败、幻觉、权限错误 — 知道什么时候会出问题
明确使用边界
什么时候该用,什么时候不该用 — Karpathy 的场景分离
核心理念:这些理解可以迁移到任何 AI Agent 工具(AutoGPT、LangChain Agent 等)
从最简单的 50 行代码开始
理解工具、技能、代理、自动化四层抽象
掌握使用边界和调试方法
从 50 行伪代码开始,理解 LLM + 工具调用的核心循环
工具 → 技能 → 代理 → 自动化,每一层解决什么问题
沉默失败、幻觉、权限错误 — 知道什么时候会出问题
什么时候该用,什么时候不该用 — Karpathy 的场景分离
核心理念:这些理解可以迁移到任何 AI Agent 工具(AutoGPT、LangChain Agent 等)
从最简单的代码开始理解
这就是 AI Agent 的核心:分析 → 决策 → 执行 → 生成
谁来注册这 20+ 个工具?谁来维护工具的版本和依赖?
如何在多次对话中保持上下文?如何存储中间结果?
工具调用失败了怎么办?如何重试?如何回滚?
关键差异:ChatGPT 是函数调用,OpenClaw 是守护进程
工具 → 技能 → 代理 → 自动化
OpenClaw 内置 20+ 个常用工具,覆盖四大子系统
文件系统:读写、搜索、监控
网络工具:HTTP、浏览器、API
执行工具:Shell、Python、Docker
通信工具:邮件、Slack、GitHub
技能 = 多个工具的编排 + 错误处理 + 最佳实践
关键理解:技能不是黑盒,你可以查看源代码,理解它的实现逻辑
局限:代理之间的协调成本 — 需要明确职责和通信协议
前面的工具、技能、代理都是被动触发。
定时任务让 AI Agent 主动执行。
任务执行了但失败了,你却不知道 — 必须设置失败通知和日志监控
成功案例、失败案例、使用边界
从 RSS 抓取 → AI 生成草稿 → 人工审核 → 发布
效果:节省 80% 内容创作时间
监控邮箱 → AI 分类 → 自动回复常见问题 → 复杂问题转人工
效果:处理 60% 的常见咨询
每小时抓取竞品页面 → 提取价格 → 变化时通知
效果:及时调整定价策略
以下是为教学目的构建的典型失败场景,用于说明 AI Agent 的风险点
问题:代码有 bug,但 AI 没发现,直接部署了
教训:AI Agent 不能替代人工审查,尤其是关键操作
问题:网站改版,抓取失败,但没有报错
教训:需要人工验证自动化流程,定期检查
问题:报告格式完美,但内容有幻觉(编造数据)
教训:输出格式正确 ≠ 内容正确,必须验证数据来源
Karpathy 的场景分离:个人项目快速原型 → vibe coding;生产系统关键任务 → 必须理解底层
安装、配置、第一个任务
注意:以上命令为示例语法,实际命令请参考官方文档
https://docs.openclaw.ai/
这就是 AI Agent 的核心循环
关键理解:技能不是黑盒,你可以看到它的实现,理解每一步在做什么
关键发现:任务状态显示"成功",但实际因权限错误失败了 — 这就是沉默失败
集成 Grok 4.3,性能提升
新增桌面控制功能
升级语音支持,新增 6 个语音提供商
内置视频和音乐生成
推出 ClawHub 技能市场
这意味着什么?OpenClaw 不是"玩具项目",而是快速迭代的生产力工具
理解 AI Agent 的本质:LLM + 工具调用的循环
理解四层抽象的必要性:工具 → 技能 → 代理 → 自动化
理解失败模式:沉默失败、幻觉、权限错误
理解使用边界:什么时候该用,什么时候不该用
当你换工具时(如 AutoGPT、LangChain Agent),这些理解能迁移
下一课:OpenClaw 的安装与配置实战
参考资料:https://docs.openclaw.ai/