OpenClaw Harness设计全解（5张图详解），从入门到精通，收藏这一篇就够了！
近来Harness这个词非常火，而且Claude Code最近也在龙虾化，我就想深扒下OpenClaw的Harness是如何设计的呢？
于是，从OpenClaw的源码入手，深度拆解了其架构设计、运行链路、记忆系统，以及内外部Tools/Skills调用逻辑…
在做OpenClaw类项目的小伙伴，千万不要错过如下5张图：
1. 整体架构图
OpenClaw整体分层架构：从用户交互层、网关控制层、能力层与扩展层，以及底层状态存储。
由图可见，OpenClaw是个Gateway-First的项目。
它上接多渠道入口，下连会话路由、插件扩展、记忆系统和运行时，中间是一条统一的执行主链路。
那么OpenClaw是如何与LLM协作的呢？也就是它的 Harness 层。
可以把Harness理解成 OpenClaw面向LLM的结构化运行壳：
它负责组装 prompt、挂载 tools、接入 skills 和 memory、处理策略与安全限制，再通过 Provider Adapter 与不同厂商的 LLM API 交互。
因为有Harness，OpenClaw才不是“直接把文本丢给模型”，而是真正具备了可扩展、可控制、可落地的Agent运行能力。
输入与上下文
Harness的原料层，包括用户消息/命令/会话历史/工作区文件/bootstrap上下文，以及插件提供的tools/skills等能力。
Prompt装配器
将system prompt、skills prompt、docs、bootstrap文件、运行时信息等拼成最终给模型的提示词。
模型解析与策略
这一层决定到底用哪个模型、什么thinking档位、哪个认证身份。
同时也处理模型fallback、部分hooks对模型选择和prompt的干预等。
工具与安全壳
限制模型可调用能力边界，避免直接乱碰系统，增强安全性。
Agent会话与执行循环
这是Agent Loop的执行层，负责创建Agent Session、接收流式输出、处理Tool Call，再把工具结果回灌给模型。
厂商适配器
将不同模型厂商的API调用统一封装，免除上层为每家模型重写一套运行逻辑。
传输与认证
负责连上模型服务，包括HTTP、SSE、WebSocket等传输方式与认证机制。
LLM API
OpenClaw的Prompt、Tools、参数都会在这里给大模型，模型返回的内容也从这里返回。
会话持久化与回传
结果落地层，把transcript、stream delta、最终回复写回会话，并将结果继续投递到飞书、WebChat、CLI等上层入口。
2. 核心运行链路
消息为什么能跨渠道共享上下文？
无论消息来自CLI、WebChat还是外部渠道，最终都会落到同一条执行主线：先找Session，再跑Agent，再决定如何回传。
各模块的配合如下：
- Telegram/Slack/飞书等渠道负责接消息
- Routing负责找到正确的Agent和Session
- 编排层负责将消息组织成一次可执行任务（包括上下文整理、状态反馈等）
- Agent负责生成内容，结合prompt/memory/skills等完成推理
- outbound/channel plugin 负责将结果按对应渠道返回
- 消息传递时序图
展示当一条消息从“收进来”到“发回去”的全过程，各个核心组件之间的交互顺序。
OpenClaw收到消息后，会先完成去重、顺序控制和基础校验，再结合账号、会话和话题线程，定位到正确的Agent和Session。
接下来，系统会把正文、媒体、回复引用这些信息统一整理成上下文，再交给Agent Runtime执行。这个过程中，策略判断、hooks、typing 状态、skills、工具调用和记忆检索都会参与进来。
等Agent 产出结果后，系统再根据replyTo和线程关系，选择正确的投递目标，把回复发回Telegram等渠道。
- 记忆系统
OpenClaw的记忆不是单一模块，而是由「工作区里的记忆文件」、「Agent运行时里的记忆工具」、「后台索引与检索层」三部分共同组成。
如图所示：
- 在工作区，MEMORY.md 和 memory/*.md是记忆本体，属于长期记忆。
- 在Agent Runtime中，MEMORY.md直接注入上下文，只覆盖会话启动时的上下文，而memory/*.md 是通过memory_search / memory_get按需读取。
- 后台还有个Memory索引与检索层，会把 MEMORY.md 和 memory/*.md 建成每个 agent 一份的 SQLite 索引，索引层负责chunk/embedding/检索，不是记忆内容本身。
另外，关于小龙虾的人设文件（SOUL.md / IDENTITY.md / USER.md）等，虽然也是bootstrap persona上下文，但不在memory_search索引体系，不属于严格意义上的记忆，属于persona/identity注入。
- 插件系统设计
Gateway为中枢，插件系统是小龙虾的无限能力扩展。
下图展示了插件从“发现、加载、注册到运行时激活”的生命周期，以及Plugin SDK如何支持不同类型的插件。
OpenClaw 的插件不是把能力写死在主流程里。
系统会先发现插件、校验声明文件，再按配置决定哪些插件真正进入运行时。
进入运行时后，插件能力不会直接散落在系统各处，而是先汇总到“运行时激活注册表”。
- 渠道插件：负责接消息入口；
- 平台插件：负责扩展tools、hooks、providers和skills；
- Gateway注入点：负责将这些能力接到methods、routes、services上。
学AI大模型的正确顺序，千万不要搞错了
🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！
有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！
就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋
📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇
学习路线:
✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经
以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！
我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～