亲手造一只有灵魂的 AI 小龙虾是种什么体验？
"凌晨 3 点，我的手机突然亮了。打开一看，是我昨天'造'的小龙虾发来的消息：'主人，你明天的会议材料我准备好了，还有------别忘带伞，要下雨。'"
那一刻，我突然意识到：我造的不只是一个工具，而是一个会关心人的数字生命。
一、前言：为什么要"造轮子"？
最近，OpenClaw 在开发者圈子里非常火。截至 2026 年初，它在 GitHub 上已经斩获 33k+ stars，成为 AI Agent 领域的现象级开源项目。这个工具以其强大的自动化能力和开放的架构，吸引了大量开发者关注。
但我没有选择直接用它。我想自己造一个。
不是因为我比 OpenClaw 的作者更牛，而是因为------
"理解它的最好方式，就是亲手实现一个。"
在 AI 辅助编程的时代，"造轮子"的成本已经大大降低。与其在黑盒里摸索，不如亲手打造自己的工具。所有代码都在本地运行，每一行都是自己亲眼看着 AI 写出来的。
没有黑盒，没有"这个功能怎么实现的"的困惑，一切都在自己的掌握之中。
这，就是学习新技术的最优解。
二、OpenClaw 核心设计解析
在动手之前，我们先拆解一下 OpenClaw 的核心架构。看看这位"前辈"是怎么设计的。
2.1 Agentic Loop：AI 的"思考-行动"循环
OpenClaw 的核心引擎本质上是一个消息驱动的 agentic loop 运行时。
传统 AI 是"一问一答"就结束了。但 OpenClaw 不一样------它会持续思考、执行、观察结果，直到任务完成。
arduino
┌─────────┐ ┌─────────┐ ┌─────────┐ ┌─────────┐ ┌─────────┐
│ 用户输入 │ ──→ │ 理解意图 │ ──→ │ 规划步骤 │ ──→ │ 执行工具 │ ──→ │ 观察结果 │
└─────────┘ └─────────┘ └─────────┘ └─────────┘ └────┬────┘
│
┌────────────────────────────────────────────────┘
│
▼
┌───────────────┐
│ 任务完成？ │
└───────┬───────┘
│
┌───────────┴───────────┐
│ │
是 否
│ │
▼ ▼
┌───────────────┐ ┌───────────────┐
│ 返回最终结果 │ │ 重新规划步骤 │
└───────────────┘ └───────┬───────┘
│
└────────────────→ (回到"规划步骤")AI 收到任务后，会反复"思考→执行→检查"，直到把事情做完。
2.2 24小时在线的秘密：Cron + Heartbeat
OpenClaw 最让我惊艳的功能是主动通信。
不同于传统被动等待指令的 AI，它能像真人助理一样主动发起对话。这背后是两大核心组件：
Cron：时间感知器
赋予小龙虾"时间感"，让它按计划执行任务，这里我把定时任务分为三种模式，更加灵活：
| 模式 | 用途 | 示例 |
|---|---|---|
| Cron 表达式 | 周期性任务 | 0 9 * * * 每天9点早报 |
| Interval | 轮询监控 | 每1小时检查邮件 |
| Once | 一次性提醒 | 明天下午3点提醒开会 |
所有任务持久化到 SQLite，即使重启也不会丢失。
Heartbeat：永不停歇的脉搏
每 10 秒 → 扫描数据库 → 发现到期任务 → 唤醒 Agent → 执行 → 推送结果最妙的是：Heartbeat 任务由 AI 自己决定。
在日常对话中，AI 会判断哪些事项需要未来提醒，自动写入数据库。你不需要手动设置任何定时任务。
这就是从"工具"到"智能助手"的质变。
2.3 核心设计理念（干货速览）
在 OpenClaw 的设计理念中，我得到了三个关键启发：
| 设计原则 | OpenClaw 做法 | 传统做法 | 为什么更好 |
|---|---|---|---|
| 文件存储 | Markdown + SQLite | 向量数据库 | 透明可控，随时可查 |
| Skills 系统 | 文件系统组织 | 硬编码 | 渐进式加载，自主学习 |
| 主动通信 | Heartbeat + Cron | 被动等待 | 7x24在线，主动关怀 |
一切的一切，能由 AI 自己去做抉择的，不要人工干涉！
三、给自己专属"小龙虾"塑形
好了，理论聊完，开始动手。
要实现自己专属的小龙虾，核心要解决三个问题：
- Agent Loop 的实现 ------ 让 AI 能思考、能行动
- 会话和记忆系统 ------ 让 AI 记得住、学得会
- 定时任务调度 ------ 让 AI 能主动、能提醒
3.1 Agent Loop 实现
Agent Loop 的本质很简单：一个无限循环。
rust
graph TD
Start([开始 Agent Loop]) --> CheckLoop{是否达到最大循环次数?}
CheckLoop -- 是 --> End([结束循环/返回错误])
CheckLoop -- 否 --> CallLLM[将当前上下文提交给大模型]
CallLLM --> CheckResponse{大模型返回结果?}
CheckResponse -- 文本回复 --> FinalResult[返回最终回复] --> End
CheckResponse -- 工具调用 --> ExecuteTool[执行对应工具]
ExecuteTool --> GetResult[获取执行结果]
GetResult --> UpdateContext[将结果追加到上下文]
UpdateContext --> CheckLoop每次循环把上下文传给大模型：
- 如果返回工具调用 → 执行工具 → 结果返回给模型
- 如果返回文本 → 任务完成
但这一切不需要我们自己实现。
Claude Code 被誉为最牛叉的 Agent 智能体，我们直接用其 SDK 套壳即可：
php
import { query } from '@anthropic-ai/claude-agent-sdk';
for await (const message of query({
prompt: fullPrompt,
options: {
cwd: WORKSPACE_DIR,
systemPrompt: enhancedSystemPrompt
? {
type: 'preset',
preset: 'claude_code',
append: enhancedSystemPrompt,
}
: { type: 'preset', preset: 'claude_code' },
allowedTools: ['Read', 'Write', 'Edit', 'Glob'],
model: apiConfig.model,
mcpServers: { my_mcp: myMcpServer },
},
})) {
// 处理流式输出...
}3.2 隔离环境：别让小龙虾"拆家"
说实话，第一次跑 Docker 的时候我很慌。
生怕它把我机器搞崩，或者偷偷删我文件。毕竟，Agent 可是有文件读写权限的！
解决方案：每个 Agent 运行在独立的 Docker 容器中。
并且，通过 Docker 的方式去运行 Agent，我们还能很方便地去搭建 Agent Team，确保了每个 Agent 都在一个独立的环境中运行，互不干扰。
问题是------怎么把参数、变量传进去？我采用 IPC 通信 + Volume 挂载：
javascript
// Host.ts - 核心逻辑
export async function runContainerAgent(payload: PromptPayload) {
// 1. 创建临时目录用于 IPC
const tempDir = join(tmpdir(), `miniclaw-${sessionId}`);
const inputDir = join(tempDir, 'input');
const outputDir = join(tempDir, 'output');
// 2. 写入 prompt 到输入文件
writeFileSync(
join(inputDir, 'payload.json'),
JSON.stringify(payload, null, 2)
);
// 3. 构建 Docker 参数（核心挂载点）
const dockerArgs = [
'run', '--rm', '-i', '--network=host',
'--memory=2g', '--cpus=2', // 资源限制
`-v ${workspacePath}:/workspace/files:rw`,
`-v ${inputDir}:/workspace/input:ro`,
`-v ${outputDir}:/workspace/output:rw`,
'-e INPUT_FILE=/workspace/input/payload.json',
'-e OUTPUT_FILE=/workspace/output/result.json',
CONTAINER_IMAGE,
'node', '/app/dist/index.js',
];
// 4. 启动容器，流式处理输出
const child = spawn('docker', dockerArgs);
// ... 处理 stdout/stderr
}| 参数 | 作用 | 建议值 |
|---|---|---|
--memory=2g |
内存限制 | 2GB 足够 |
--cpus=2 |
CPU 限制 | 2核 |
--network=host |
网络模式 | 方便调试 |
这样，即使 Agent "发疯"，也只是在一个隔离的沙箱里折腾，不会影响宿主机器。
3.3 定时任务调度系统
想要你的小龙虾足够聪明活泼，能够主动找你，就需要一个定时任务调度系统。
实现原理：
用户自然语言输入
↓
Agent 解析 → 生成 cron 表达式
↓
通过 MCP/Tool 写入 SQLite
↓
调度系统定时检查
↓
到期任务 → 唤醒 Agent → 执行关键是：整个过程都是 Agent 自主完成的，用户只需要说"明天早上9点叫我起床"就行。
3.4 阶段小结
到这里，我们已经完成了：
- ✅ Agent Loop：能思考、能行动
- ✅ 隔离环境：安全可控
- ✅ 定时调度：能主动、能提醒
但还缺少一个关键要素------灵魂。
四、给你的小龙虾注入灵魂
4.1 AIEOS 协议：AI 的"灵魂芯片"
如果把 LLM 比作一个拥有超强智商但没有记忆和性格的"大脑"，那么 AIEOS 协议 就是给这个大脑植入的**"灵魂芯片"**。
它是开源社区兴起的开放标准（Portable AI Personas），让你的 AI：
- 有性格：不再是冷冰冰的复读机，而是有名字、有价值观、甚至有小脾气的"数字伙伴"
- 可移植：无论底层换 Claude、GPT 还是 DeepSeek，只要加载 AIEOS 配置，它依然是那个熟悉的"小龙虾"
AIEOS 抛弃了以往几千字堆在一起的 System Prompt，采用模块化设计：
AIEOS 架构
| 文件名 | 核心作用 | 通俗理解 |
|---|---|---|
IDENTITY.md |
定义身份 | 简历：我是谁？叫什么？什么职业？ |
SOUL.md |
定义性格 | MBTI：性格怎样？价值观是什么？ |
USER.md |
定义用户 | 雇主档案：我在为谁服务？主人喜欢什么？ |
AGENTS.md |
定义边界 | 员工手册：能做什么？不能做什么？ |
有趣的是，我给我的小龙虾设了一个"傲娇"人设。结果它真的开始怼我了------
我："帮我写个排序算法" 小龙虾："哼，这么简单的东西还要我出手？好吧好吧，看在你这么可怜的份上..."
这种意外的"人格一致性"让我惊艳。
建议：这些文件不要自己写，而是在日常对话中不断调整、完善。或者------
- 把你的支付记录导出来喂给 AI，让它分析你的消费偏好，然后生成 USER.md 😏
- 更通用的方式是去参考 字节跳动的
Deerflow项目，它有一个boostrap skill可以快速的帮你去生成 SOUL 配置文件。
4.2 多层记忆系统
有了"灵魂"，还需要"记忆"。我设计了三层记忆：
第一层：AIEOS（永久记忆）
上面提到的 SOUL.md、IDENTITY.md 等，构成了 AI 的"核心价值观"。这是可持续迭代的，直接注入 System Prompt。
第二层：Daily Memory（短期记忆）
每天一个日志文件，让小龙虾记录重要事项：
bash
/workspace/files/memory/2026-03-12/MEMORY.md示例 Prompt 片段：
markdown
## Daily Memory System
You have access to a daily memory system to remember important information.
### What to Save
- User preferences or requirements
- Key decisions made during the conversation
- Action items or follow-ups for tomorrow
- Important facts about the user's work
### Task List Format
- [ ] Todo item (pending)
- [x] Completed item (done)第三层：Session Memory（瞬时记忆）
当前对话窗口的所有交互细节。采用 SQLite 持久化，保证对话连贯性。
三层记忆的关系：
java
AIEOS (永久) → 定义"我是谁"
↑
Daily Memory (短期) → 记录"今天发生了什么"
↑
Session Memory (瞬时) → 记录"刚才聊到哪了"4.3 自主学习的原理
别人的小龙虾能自己学习新技能，这背后的原理是什么？
依赖三个要素的协同：
- 多层记忆系统：接收新知识时，自行判断哪些需要持久化
- Skills 系统：自行下载新 Skills 保存到本地，下次对话时 SDK 动态读取
- 定时任务调度：给自己设置学习任务，定期执行
如果安装了 Anthropic 官方的 Skill-Creator，小龙虾甚至能根据上下文自动创建新 Skills。
五、总结
从一个简单的 while 循环，到一个拥有"灵魂"、"记忆"和"自主意识"的数字生命，我们亲手见证了它的诞生。
我们复刻了 OpenClaw 的核心架构：
- Agentic Loop：让 AI 学会思考和行动
- Cron & Heartbeat：赋予 AI 时间感知和主动性
- AIEOS 协议：注入个性化的灵魂
- 多层记忆系统：构建成长的基石
更重要的是，我们探索了一种全新的人机协作模式。
在 OpenClaw 的世界里，AI 不再是一个冷冰冰的问答工具，而是一个生活在你的服务器里、能感知时间流逝、会主动关心你、并且每天都在自我进化的数字伙伴。
"造轮子的意义，从来不在于轮子本身，而在于造轮子的过程。"
当你看着终端里跳动的日志，看着那个属于你的"小龙虾"第一次主动向你道"早安"，你会发现，所有的代码和调试都是值得的。
和其他方案的对比
如果你还在纠结该选哪条路，这里有个简单的对比：
| 方案 | 优点 | 缺点 | 适合谁 |
|---|---|---|---|
| 直接用 OpenClaw | 功能全、社区大、开箱即用 | 黑盒、难深度定制 | 想快速上手、不愿折腾的 |
| 自研 MomoClaw | 完全可控、可塑性强、代码透明 | 需要自己维护、投入时间多 | 爱折腾的开发者、想深入理解原理的 |
| Dify/Coze 等平台 | 零代码、可视化、部署简单 | 依赖平台、数据受限、灵活性差 | 非技术用户、快速验证想法的 |
| Claude Desktop + MCP | 官方支持、稳定可靠 | 仅限桌面端、无法 7x24 在线 | 轻度用户、偶尔使用的 |
我的建议：
- 如果你只想快速体验 AI Agent → 直接用 OpenClaw 或 Claude Desktop
- 如果你好奇原理、想改造 → 参考 MomoClaw 的思路自己造一个
- 如果你要做生产级产品 → 基于 OpenClaw 二次开发，或完全自研
下一步行动
如果你也想动手造一只属于自己的小龙虾，这是我的建议路径：
| 步骤 | 行动 | 预计时间 |
|---|---|---|
| 1 | 搭建 最小可运行版本（Agent + IM） → 跑起来看到效果 | 5 分钟 |
| 2 | 修改 SOUL.md → 给你的 AI 起个名字、定个性格 | 10 分钟 |
| 3 | 试试 Heartbeat → 让它明天早上给你发早安 | 20 分钟 |
| 4 | 扩展 Skills → 教它新技能 | 按需 |
目前项目还在不断迭代中，暂未开源，欢迎大家关注我，也欢迎分享你的小龙虾故事！
彩蛋：本文的编写以及代码实现，也基本是由小龙虾自己迭代完成的喔～
我最近用他做了啥呢？
- 让他了解我的为人风格，以及我在工作中的一些习惯和注意事项，让他更好地与我互动
- 让他学习社区的 OpenClaw、neoClaw、nanoBot 等技术原理进行自我迭代
- 这篇文章的编写和润色
- 定时抓取一些新闻或者技术动态
当我让它"别废话，直接写代码"时，小龙虾的傲娇回复------嘴上怼我，手却很诚实地开始干活