【零基础搭建】 OpenClaw 自动化工具 完整安装流程与故障处理方案（含安装包）
2026/7/5 4:51:13
第一部分：Planner——Agent 的决策大脑
1.1 Planner 是什么？
最常见的误解：Planner 就是“任务拆解”。
真正的定义：Planner 的本质是决策（Decision Making），而不是简单的拆分。它负责回答“当前应该做什么”。
Planner vs Executor
| Planner | Executor | |
|---|---|---|
| 职责 | 决定下一步做什么 | 真正去执行 |
| 输出 | 任务计划（Task List） | 执行结果（Observation） |
| 比喻 | 大脑思考 | 手脚行动 |
1.2 为什么 Workflow 不能代替 Planner？
Workflow 和 Graph 的根本局限：路径是预设的。
- Workflow：流程固定，遇到未预设的需求会走错路
- Graph：支持条件分支，但分支逻辑仍需提前定义
- Planner：动态理解用户意图，生成全新的执行计划
对比示例：
用户说：“帮我生成简历，再帮我模拟面试，再给职业建议。”
这是一个复合任务，Workflow 无法同时处理三条完全不同的执行路径。Planner 却能动态规划出三个 Task 序列。
1.3 Planner 规划的是 Task，不是 Tool
| Task（任务） | Tool（工具） | |
|---|---|---|
| 是什么 | 要完成的一个语义步骤 | 执行任务的具体能力 |
| 谁决定 | Planner | Executor |
| 例子 | “分析 JD” | jd_analysis()函数 |
分层流程：
Planner → 生成 Task 列表 Executor → 为每个 Task 选择对应的 Tool Tool → 执行具体操作1.4 为什么 Planner 一定要 LLM？
Planner 不是 Router，是 Reasoner。
| Router | Reasoner |
|---|---|
| 根据关键词选分支 | 理解意图后推理 |
| 固定规则（if…else） | 动态生成 |
| 只能处理见过的场景 | 能处理全新场景 |
关键词匹配只会触发相关流程。
LLM Planner能理解
1.5 Planner 分层设计（以简历生成 Agent 为例）
Planner（制定跨 Skill 计划） ↓ Tool Router（将 Task 映射到 Tool） ↓ Workflow/Graph（控制单个 Skill 内部流程） ↓ Node（完成具体功能） ↓ Tool（调用外部能力）关键设计原则：
- Planner 放最外层：它是唯一能理解用户全局意图的模块
- Workflow 只负责一个 Skill：各 Skill 流程独立，避免“超级分支树”
- Skill 内部用 Graph 而非 Planner：固定流程不需要动态决策
- Node 不能决定调用 Skill：士兵不能决定打仗策略
- Reflection 放 Planner 后：评估的是整体质量，不是局部正确性
第二部分：Memory——Agent 的记忆系统
2.1 Context ≠ Memory（面试第一问）
| Context | Memory | |
|---|---|---|
| 生命周期 | 单次会话 | 跨会话持久存在 |
| 存储方式 | 拼在 Prompt 里 | 存在数据库/向量库 |
| 类比 | 看着聊天记录回答 | 记住了一个朋友的名字 |
Context：每次把完整聊天记录拼进 Prompt，模型是“重新看了一遍”，不是“记住了”。
Memory：昨天说你叫小明，今天新开窗口，Agent 依然知道。这才是真正的记忆。
2.2 Agent 的四层 Memory
第一层：Conversation Memory（对话记忆）
- 本质：最近几轮的原始对话记录
- 作用：维持多轮对话的连贯性
- 存储：保留最近 k 轮，存在 Session 中
第二层：Summary Memory（摘要记忆）
- 本质：用 LLM 对长对话做阶段性总结
- 作用：降低 Token 成本，保留关键信息
- 触发：对话轮次超阈值或遇到自然断点时压缩
第三层：Profile Memory（用户画像记忆）
- 本质：长期不变的用户基本信息（学历、技能、偏好）
- 作用：建立长期用户画像，支撑个性化服务
- 更新：极少更新，半年不变
第四层：Retrieval Memory（检索记忆）
- 本质：基于向量相似度的语义记忆（RAG 的思想基础）
- 作用：为 Agent 提供海量外部知识的动态检索
- 存储：向量数据库
2.3 Workflow State ≠ Memory
| Workflow State | Agent Memory | |
|---|---|---|
| 生命周期 | Workflow 执行期间 | Agent 整个生命周期 |
| 可见范围 | 当前 Skill 内部 | 所有 Skill 共享 |
| 持久化 | 流程结束即回收 | 跨会话持久保存 |
关键设计原则：Memory 属于 Agent 层，由 Memory Manager 统一管理，不应下沉到 Workflow。
2.4 Memory 工程设计要点
写入时机：重要信息触发写入（新用户属性、对话轮次超阈值），而非每轮强制存储。
读取时机：Planner 规划前统一读取 Profile + Summary，Skill 按需拉取 Retrieval。
避免膨胀：
- 淘汰策略：Conversation 只保留最近 N 轮
- 压缩策略：Summary 替代原始长对话
- 去重策略：Profile 更新时合并相同属性
百万用户隔离方案：
| 组件 | 技术选型 | 隔离方式 | 作用 |
|---|---|---|---|
| Session | Redis | session_id | 临时对话，TTL 过期 |
| 持久存储 | PostgreSQL | user_id | Profile、Summary |
| 向量检索 | Milvus/Pinecone | Namespace | 按用户隔离知识库 |
| 热缓存 | Redis | user_id | 频繁访问数据加速 |
第三部分：Reflection——Agent 的自我意识
3.1 为什么需要 Reflection？
LLM 的根本矛盾：会生成，不会判断。
LLM 的本质是预测下一个 token，它的核心能力是“造句”而非“答题”。第一次生成的内容只是一个“候选答案”，不是“最终答案”。
Reflection 补上了“判断”的缺失——让 Agent 能在生成后审视不足，定点修正。
人类的工作模式：打草稿 → 检查 → 修改
Agent 的工作模式：Generate → Reflect → Refine
3.2 Retry vs Reflection（面试高频）
| 维度 | Retry | Reflection |
|---|---|---|
| 核心动作 | 重新执行 | 先评价，再决定如何重新执行 |
| 是否改变策略 | 否 | 是 |
| 适用场景 | 临时性系统故障 | 输出质量不满足要求 |
| 本质 | 工程容错 | 智能闭环优化 |
一句话区分：
- Retry：不改变策略，只是“再试一次”
- Reflection：先分析“为什么错”，再“换种方式做”
3.3 Reflection 的三层粒度
| 层级 | 检查范围 | 行动 |
|---|---|---|
| Node Reflection | 单个步骤的输出 | 重做当前步骤 |
| Workflow Reflection | 单个 Skill 的整体结果 | 回退到 Skill 内部某步骤 |
| Planner Reflection | 整个任务计划的合理性 | 重新规划全局任务 |
分层优势：
- Node 层快速拦截单步错误
- Workflow 层定点修复流程问题
- Planner 层调整全局策略
3.4 Reflection 检查的四个维度
| 维度 | 含义 | 示例 |
|---|---|---|
| Completeness | 有没有遗漏？ | JD 要求 Docker，简历没写 |
| Correctness | 有没有错误？ | 用户做 Java，简历写 Python |
| Consistency | 前后是否一致？ | 第一页 Java，第二页 Python |
| Quality | 表达是否专业？ | 口语化、重复啰嗦 |
3.5 为什么 Reflection 不能无限循环？
- 成本爆炸：每次 Reflection 都是一次 LLM 调用
- 收益递减：第一次改进最明显，第三次可能更差
- 跑偏风险：过度修改可能偏离原始目标
工程实践：设置最大循环次数（如 2 次）、质量阈值（超 8 分停止）、Token 预算超限强制终止。
第四部分：三者协作——Agent 的完整闭环
现代 Agent 的 PDCA 循环
| PDCA | Agent 对应 |
|---|---|
| Plan | Planner 制定任务计划 |
| Do | Executor/Workflow 执行 |
| Check | Reflection 评估输出质量 |
| Act | 重新 Planner 或 Workflow，定点修复 |
完整数据流
用户输入 ↓ Planner ←────────── Memory（规划前读取画像和历史） ↓ Workflow（Skill 内部流程） ↓ Node（具体功能执行） ↓ Result ↓ Reflection（多层评估） ↓ Memory Update（重要信息持久化） ↓ Planner（根据 Reflection 结果决定下一步）核心关系总结
- Planner 是大脑：决定做什么
- Memory 是海马体：记住该记住的，忘掉该忘掉的
- Reflection 是自我意识：审视自己，修正错误
- 三者缺一不可：没有 Planner 是盲目的，没有 Memory 是健忘的，没有 Reflection 是鲁莽的