推荐语
Go语言重构AI助手框架，性能与稳定性双提升，让长期运行的Agent更可靠。核心内容： 1. GoClaw框架的设计初衷：解决Python/Node.js在部署和运维中的痛点 2. 框架核心优势：单一二进制部署、模块解耦、内置可靠性机制 3. 多平台支持能力：覆盖主流IM工具与自定义接入方案
杨芳贤
53AI创始人/腾讯云(TVP)最具价值专家
。
GoClaw 是一个用 Go 语言编写的个人 AI 助手，灵感来自 OpenClaw（原 Clawdbot/Moltbot）。它运行在本地服务器上，通过 WebSocket/HTTP 暴露服务，支持多种消息channel（Telegram、WhatsApp、飞书、QQ、Slack 等）接入。Agent%20%E8%AE%BE%E8%AE%A1%E6%80%9D%E8%B7%AF%EF%BC%8C%E9%82%A3%E4%B9%88%20GoClaw%20%E6%83%B3%E5%9B%9E%E7%AD%94%E7%9A%84%E9%97%AE%E9%A2%98%E6%98%AF%EF%BC%9A%E8%BF%99%E5%A5%97%E4%B8%9C%E8%A5%BF%E8%83%BD%E4%B8%8D%E8%83%BD%E7%94%A8%20Go%20%E5%81%9A%E5%BE%97%E6%9B%B4%E8%BD%BB%E3%80%81%E6%9B%B4%E7%A8%B3%E3%80%81%E6%9B%B4%E9%80%82%E5%90%88%E9%95%BF%E6%9C%9F%E8%BF%90%E8%A1%8C%EF%BC%9F">如果 OpenClaw 代表了一种 Agent 设计思路，那么 GoClaw 想回答的问题是：这套东西能不能用 Go 做得更轻、更稳、更适合长期运行？
项目地址：https://github.com/smallnest/goclaw
先说结论：如果你只是想快速做一个 Agent Demo，Python 和 Node.js 依然是更自然的选择；但如果你开始在意部署、稳定性、可观测性和长期运行，那么 Go 其实是一条很值得认真考虑的路。
这篇文章想讲清楚三件事：
为什么我会想用 Go 重做一套 Agent 框架
GoClaw 的核心架构到底解决了什么问题
它在真实任务里，是否真的能把事情做完
这两年，大家做 AI Agent，很多时候默认会选 Python 或 Node.js。原因很现实：生态成熟、轮子够多、上手也快。
但如果你真的想把一个 Agent 长期跑起来，问题很快就会从“怎么调模型”变成“怎么部署、怎么运维、怎么保证它别轻易挂掉”。
也正因为这样，我一直在想：如果把 OpenClaw 这套已经被验证过的设计思路，用 Go 重新实现，会变成什么样？
GoClaw 就是在这个背景下做出来的。
它是一个用 Go 编写的 AI Agent 框架，灵感来自 OpenClaw。这里强调“框架”，是因为它不只是一个聊天机器人，而是一套完整的运行体系：能接入消息平台、执行任务、调用工具，也能继续扩展新能力。
如果把 OpenClaw 看作一套成熟的 Agent 设计，那么 GoClaw 更像是一次“用 Go 把它工程化重做”的尝试。这样做的好处很直接：单一二进制部署，编译后就是一个可执行文件，扔到服务器上就能跑；模块边界更清晰，消息通道、工具系统、技能系统、记忆系统彼此解耦；运行时也更稳，重试、故障转移、熔断器这些可靠性机制可以直接内建进去。
它能接哪些平台？Telegram、WhatsApp、飞书、钉钉、微信、企业微信、Slack、Discord、Google Chat、Microsoft Teams、百度如流等常见 IM 与协作平台都已经覆盖。你也可以通过 WebSocket Gateway 对接自己的系统，或者直接使用内置的 Dashboard。
如果只用一句话概括 GoClaw，可以这么说：它想做的不是“再造一个聊天机器人”，而是提供一套适合长期运行、方便扩展、并且足够稳的 Go 版 Agent 基础设施。
换句话说，GoClaw 想解决的不是“模型能不能更聪明”，而是“一个 Agent 系统能不能真正跑起来、跑得久、出了问题还能查”。
下面这张图是OpenClaw的架构图，GoClaw也是参考这个架构实现的，尽管在一些细节上有一些区别，但是整体架构是一样的：
从外面看，GoClaw 的工作流并不复杂：消息进来，Agent 处理，结果再发出去。
真正难的地方不在这条主链路本身，而在主链路背后那一堆容易被忽略的问题：状态怎么管理？工具调用失败了怎么办？用户中途插话怎么打断？上下文太长了怎么恢复？账号限流了怎么切备用？
这些问题不解决，Agent 看起来能跑，实际上并不适合长期运行。
用户消息先到 Channel 适配器。适配器负责把不同平台的格式转成统一的内部消息格式，然后扔到 MessageBus。Agent 从 Bus 拿消息，找到或创建对应的 Session，调用 Orchestrator 执行。
Orchestrator 是核心协调器，它管理 LLM 调用、工具执行、状态维护。下面有 AgentState 管消息历史和队列，ContextBuilder 组装系统提示词，RetryManager 处理重试和故障转移。工具系统通过 ToolRegistry 注册，技能系统通过 SkillsLoader 加载。
Provider 层负责对接 LLM。支持 OpenAI、Anthropic、OpenRouter 等提供商，还支持配置轮换和故障转移——主账号挂了自动切备用账号。
双循环机制：为什么很多 Agent 看起来能跑，其实一复杂就散？
GoClaw 用双循环处理消息。原因很简单：很多真实任务都不是“一次 LLM 调用”就能结束的。
很多 Demo 能跑，是因为它只处理“一问一答”。但只要任务一复杂，比如要查信息、调用工具、等待结果、接着继续判断，你就会发现单轮执行很快不够用了。
外层循环处理 FollowUp 消息。所谓 FollowUp，可以理解为“这件事做完以后，下一步还要继续做什么”。比如用户说“帮我查下明天天气，如果下雨就提醒我带伞”，Agent 查完天气后，会继续判断是否需要发提醒，这就是一个典型的 FollowUp 任务链。
内层循环处理工具调用和 Steering。工具调用比较直观: LLM 先决定“要读文件”或“要执行命令”，系统把结果拿回来，再继续下一轮。Steering 则是中断机制。用户在 Agent 执行过程中突然插一句“停下，别干了”，这条消息应该优先级更高，能够立即打断当前工具链，转去处理紧急指令。
用户消息 → Channel 适配器 → MessageBus → Agent.handleInboundMessage() │ ▼ Session 获取/创建 │ ▼ Orchestrator.Run() │ ┌───────────────────┴───────────────────┐ │ │ ▼ ▼ ┌───────────────────┐ ┌───────────────┐ │ 外层循环 │ │ 检查 FollowUp │ │ (FollowUp 处理) │◄──────────────── │ 消息队列 │ └─────────┬─────────┘ └───────────────┘ │ ▲ ▼ │ ┌───────────────────┐ │ │ 内层循环 │ │ │ (工具调用处理) │ │ │ │ │ │ LLM调用 → 工具执行 │ │ │ ↓ │ │ │ 检查 Steering │─── 有 ──► 中断 ──────────┤ │ ↓ 无 │ │ │ 继续工具链 │ │ └─────────┬─────────┘ │ │ │ ▼ │ 内层循环结束 ───────────────────────────────────┘ │ ▼ 结果处理 → Session 更新 → Bus 发布 → Channel 发送
这和 OpenClaw 的设计有什么不同？两者都采用双循环，但恢复逻辑放置的位置不同。OpenClaw 更倾向于把重试、故障转移和上下文压缩放在外层；GoClaw 则把这些恢复逻辑更多收敛到内层执行路径里，外层循环主要负责 FollowUp。前者更容易把整体流程看清楚，后者则更利于把失败恢复和工具执行放在同一个语义闭环里。
Agent 是主代理类，负责管理消息处理和生命周期。它更像一个总入口，不直接执行业务细节，而是把请求分发给各个子系统。Orchestrator 则更接近“执行中枢”，负责 LLM 调用循环、工具执行和中断处理。
如果把 GoClaw 类比成一个小型操作系统，那么 Agent 像入口层，Orchestrator 像调度层，AgentState 则像运行时状态。
type Agent struct { orchestrator *Orchestrator bus *bus.MessageBus provider providers.Provider sessionMgr *session.Manager tools *ToolRegistry context *ContextBuilder workspace string skillsLoader *SkillsLoader helper *AgentHelper maxHistoryMessages int state *AgentState}type Orchestrator struct { config *LoopConfig state *AgentState eventChan chan *Event cancelFunc context.CancelFunc}
AgentState：为什么很多 Agent 一复杂就“失忆”？
AgentState 管理整个执行过程中的状态。除了消息历史和系统提示词，它还维护流式输出状态、待处理工具、Steering 队列和 FollowUp 队列，是 Orchestrator 每轮执行都会反复读写的核心对象。
很多 Agent 的不稳定，本质上不是模型不够强，而是状态管理太松散。状态一散，恢复、续跑、中断、调试都会变得很痛苦。
type AgentState struct { SystemPrompt string Model string Provider string ThinkingLevel string Tools []Tool Messages []AgentMessage IsStreaming bool StreamMessage *AgentMessage PendingTools map[string]bool Error error SteeringQueue []AgentMessage SteeringMode MessageQueueMode FollowUpQueue []AgentMessage FollowUpMode MessageQueueMode SessionKey string LoadedSkills []string}
Steering 和 FollowUp：一个负责打断，一个负责继续
Steering 是中断式消息。用户在 Agent 执行过程中说"停"，这条消息会立即插入到当前对话，打断正在执行的工具链。适用于紧急停止、修改指令等场景。
agent.Steer(AgentMessage{ Role: RoleUser, Content: []ContentBlock{TextContent{Text: "紧急停止"}},})
FollowUp 是后续消息。Agent 完成当前任务后，自动处理这些排队的消息。适用于任务链、异步回调、多步骤流程。
agent.FollowUp(AgentMessage{ Role: RoleUser, Content: []ContentBlock{TextContent{Text: "继续下一个任务"}},})
ContextBuilder：系统提示词不是写死的
ContextBuilder 负责动态组装系统提示词。它不是把一大段固定 Prompt 硬塞给模型，而是根据运行场景选择不同的上下文深度。full 模式用于主 Agent，包含身份、工具、技能、CLI 参考等完整信息；minimal 模式主要给子 Agent 使用；none 模式则只保留最基本的身份信息。
这里还涉及到上下文窗口的压缩问题。我在实现 GoClaw 时踩过一个很典型的坑：一开始我用的是一种比较粗暴的压缩策略，只保留最近的 n 条消息，把更早的历史改写成摘要塞回上下文。这个办法看起来简单，但消息之间其实是有关联的，尤其一旦涉及 tool 调用，前后消息关系不能随便截断。此前那种过于粗暴的实现，就曾导致压缩后消息对应关系错位，进而影响后续回复的正确性。
在 Agent 系统里，重试如果只是简单地“再来一次”，往往意义不大。GoClaw 的重试逻辑同时带着恢复策略：遇到上下文溢出，可以压缩历史消息；遇到账号问题，可以轮换到备用账号；遇到临时故障，可以指数退避后再试。
这也是 GoClaw 和很多“能跑起来的 Demo”之间的差别：前者把失败当成设计对象，后者通常只把成功路径写通。
type RetryConfig struct { MaxAttempts int BaseDelay time.Duration MaxDelay time.Duration ProfileRotation bool ContextCompression bool }
工具是 Agent 的”手脚”。LLM 负责判断和生成计划，真正去读文件、跑命令、抓网页、发消息，靠的是工具层。GoClaw 选择的是一套偏通用、可组合的核心工具，而不是针对每个场景都去发明一个专用工具。
这种设计背后的取舍很明确：工具尽量少，但每个工具都足够通用。这样系统核心不会迅速膨胀，复杂场景则交给技能系统去补。
常见的工具大致分几类：文件操作有 read_file、write_file、list_files；命令执行有 run_shell 和 process；网络相关有基于 Chrome DevTools Protocol 的 browser_*、web_search、web_fetch；另外还有 use_skill、message、cron、session_status 这些偏系统能力的工具。
工具接口本身并不复杂：声明名称、描述、参数 Schema，再实现执行逻辑即可。为了支持 UI 展示和流式回传，接口里还额外定义了 Label() 和带 onUpdate 回调的 Execute()。
type Tool interface { Name() string Description() string Parameters() map[string]any Label() string Execute(ctx context.Context, params map[string]any, onUpdate func(ToolResult)) (ToolResult, error)}
技能系统：为什么我更想写 Markdown，而不是继续写插件
技能系统是 GoClaw 一个很有代表性的设计。Skill 更接近”知识模块”，而不是传统意义上的代码插件。
为什么这么设计？因为写代码插件的门槛高，写 Markdown 文档的门槛低得多。技能通过 Prompt Injection 实现：系统读取 SKILL.md，提取元数据和正文，再把它注入系统提示词里，LLM 就知道在什么场景下应该怎么做。
这件事的价值不只是“更方便扩展”，更重要的是它把扩展能力从“写代码的人”手里，部分转移到了“懂业务的人”手里。
一个技能文件长什么样？开头是 YAML 格式的元数据，定义名称、描述、依赖等。后面是 Markdown 格式的内容，告诉 LLM 在什么情况下该做什么。
---name: weatherdescription: Get current weather and forecasts via CLI.metadata: openclaw: emoji: "🌤️" requires: bins: ["curl"] pythonPkgs: ["requests"]---# Weather ForecastWhen the user asks about weather:1. Use `run_shell` to execute: `curl wttr.in/{city}?format=3`2. Parse the output and present it to the user
可以看到这个技能中额外补充了metadata数据，可以更好的告诉智能体如何使用这个技能，包括技能的安装，根据当前环境对技能进行筛选等。
技能加载流程大致是这样：先扫描技能目录，再解析 SKILL.md，提取元数据和正文；然后检查依赖，看所需的二进制、环境变量、Python/Node 包是否满足；最后采用两阶段注入，先把技能摘要告诉 LLM，再在它调用 use_skill 之后注入完整内容。这样既能控制提示词体积，也能减少无关技能对当前任务的干扰。
多通道支持：Agent 如果进不了消息通道，就永远只是个 Demo
GoClaw 能接入多种消息平台。每个平台在内部都对应一个 Channel，实现统一接口。Channel 的职责并不复杂：接收消息、转换格式、发送回复。但正是这层抽象，让 Agent 可以同时跑在多个平台上，而不是被某一个 IM 生态绑死。
说得直接一点，Agent 如果进不了真实消息通道，就很容易永远停留在“本地命令行里挺好用”的阶段。
目前已经支持的平台包括：Telegram（Bot 模式）、WhatsApp（Business API）、飞书（机器人）、钉钉（Stream 模式）、微信（个人号扫码登录）、企业微信（机器人）、Slack（Bot）、Discord（Bot）、Google Chat（Bot）、Microsoft Teams（Bot）、百度如流（企业通讯）以及 Gotify（推送）。
微信通道比较特殊，基于腾讯 OpenClaw-weixin 插件协议实现。首次使用需要先扫码登录，完成后才能正常收发消息。
goclaw channels weixin login my-weixingoclaw channels weixin status my-weixingoclaw channels weixin logout my-weixin
而且这个微信插件的实现也非常的简单。当微信官方开始灰度OpenClaw的插件的时候，很多开发者都尝试把这个功能接入到其他智能体中。我安装了这个插件后，我就给Claude Code一句话『参考 @tencent-weixin/openclaw-weixin-cli的实现，为goclaw增加微信channel的支持』，Claude Code直接就给我生成了相应的代码。
Gateway 和 Dashboard：一个能长期跑的系统，不能只有聊天窗口
WebSocket Gateway 是一个独立服务，提供 WebSocket 和 HTTP 接口。其他系统可以通过 Gateway 调用 Agent，因此它既可以作为远程入口，也可以作为多端接入层。
这层的意义在于，它把 GoClaw 从“一个本地进程”升级成了“一个可以被其他系统调用的服务”。
goclaw gateway rungoclaw gateway run --port 8080 --bind 0.0.0.0goclaw gateway installgoclaw gateway start
Dashboard 则是内置的 Web 界面，提供实时聊天、会话管理、Channel 状态监控、Cron 任务管理、RPC API 调用等能力。启动 Gateway 后，访问 http://localhost:28789/dashboard/ 就可以直接使用。
如果一个 Agent 只能被动等你发消息，那它更像聊天机器人；只有具备定时执行和后台触发能力，它才更像”长期运行的助手”。GoClaw 内置了定时任务调度器，支持固定时间、固定间隔和 Cron 表达式三种调度方式。
日报、巡检、定时提醒、定时抓取、周期性健康检查，这些都属于“Agent 从对话走向系统”的关键一步。
# 定时执行（每天 14:30）goclaw cron add --name "Daily Report" --at "14:30" --message "生成日报"# 间隔执行（每小时）goclaw cron add --name "Hourly Check" --every "1h" --system-event "health_check"# Cron 表达式goclaw cron add --name "Weekly Backup" --cron "0 2 * * 0" --message "执行备份"# 立即运行goclaw cron run job-123# 查看历史goclaw cron runs --id job-123
当然更好的方式是在聊天对话框中，使用平常的语言设置定时任务即可。上面的命令行工具是参考OpenClaw实现的命令行管理工具，我们并不常用。
记忆系统：没有记忆的 Agent，本质上只是一次性会话
一个真正可用的 Agent，不应该每次开口都像”失忆”。GoClaw 的记忆系统大致可以分成三层：第一层是会话记录，也就是本地持久化的 JSONL 对话历史；第二层是向量记忆，用于做语义检索；第三层是 QMD（Quick Markdown Database），用 Markdown 组织长期知识，适合沉淀结构化笔记和长期记忆。
这三层叠在一起，才比较接近“能持续协作”的 Agent，而不是“每次都要重新介绍背景”的聊天模型。下面这个示例也更接近 GoClaw 当前真实使用的配置结构：
{ "memory": { "backend": "builtin", "builtin": { "enabled": true, "database_path": "", "auto_index": true }, "qmd": { "command": "qmd", "enabled": false, "include_default": true, "paths": [ { "name": "notes", "path": "~/notes", "pattern": "**/*.md" } ], "sessions": { "enabled": false, "export_dir": "~/.goclaw/sessions/export", "retention_days": 30 } } }}
AI Agent 一旦能读文件、跑命令、访问网络，安全就不是一个附加项，而是基础前提。GoClaw 在这件事上的思路，是把风险拆成多层，再分别处理。
很多人聊 Agent，容易把注意力都放在“能不能更强”；但真正进入生产环境之后，优先级往往会立刻反过来，先问“会不会出事”。
在当前配置体系里，最直接的一层安全控制还是工具级限制，比如 shell 开关、危险命令黑名单、超时、工作目录，以及浏览器和 Web 工具的启用状态。这些配置不花哨，但非常实用。
{ "tools": { "shell": { "enabled": true, "allowed_cmds": [], "denied_cmds": ["rm -rf", "dd", "mkfs"], "timeout": 30, "working_dir": "" }, "web": { "search_api_key": "", "search_engine": "travily", "timeout": 10 }, "browser": { "enabled": true, "headless": true, "timeout": 30 }, "cron": { "enabled": true, "store_path": "~/.goclaw/cron/jobs.json" } }}
命令过滤是另一层防护。黑名单 denied_cmds 阻止危险命令执行，白名单 allowed_cmds 只允许特定命令执行。还会阻止危险的 shell 构造，比如命令替换、重定向、子 shell 等。
LLM 提供商：别把整个系统的命门，交给一个模型或一个账号
DeepSeek%20%E8%BF%99%E7%B1%BB%E6%A8%A1%E5%9E%8B%EF%BC%8C%E5%8F%AA%E8%A6%81%E5%BA%95%E5%B1%82%E6%8E%A5%E5%8F%A3%E5%85%BC%E5%AE%B9%EF%BC%8C%E4%B9%9F%E9%83%BD%E5%8F%AF%E4%BB%A5%E6%8E%A5%E8%BF%9B%E6%9D%A5%E3%80%82">
在工程实践里，模型能力当然重要，但更重要的是不要把整个系统绑死在单一模型或单一账号上。GoClaw 目前主要支持四类 provider：OpenAI、Qianfan（百度千帆，走 OpenAI-compatible 接口）、Anthropic，以及 OpenRouter。像 GPT-4、GPT-4o、DeepSeek 这类模型，只要底层接口兼容，也都可以接进来。
因为一旦系统真的跑起来，限流、欠费、波动、服务异常都不是“小概率事件”，而是迟早会遇到的日常。
从当前配置结构看，提供商配置是按 provider 展开定义的，模型则放在 agents.defaults.model 中引用。推荐直接使用显式前缀，把 provider 和模型绑清楚，比如 qianfan:deepseek-v3.2、openai:gpt-4o、anthropic:claude-3-5-sonnet。下面这个示例更贴近 GoClaw 现在实际使用的配置方式：
{ "agents": { "defaults": { "model": "qianfan:deepseek-v3.2", "max_iterations": 15, "temperature": 0.7, "max_tokens": 4096 } }, "providers": { "qianfan": { "api_key": "YOUR_QIANFAN_API_KEY", "base_url": "https://qianfan.baidubce.com/v2", "timeout": 600 }, "openai": { "api_key": "YOUR_OPENAI_API_KEY", "base_url": "", "timeout": 600 }, "openrouter": { "api_key": "YOUR_OPENROUTER_API_KEY", "base_url": "", "timeout": 600, "max_retries": 3 }, "anthropic": { "api_key": "YOUR_ANTHROPIC_API_KEY", "base_url": "", "timeout": 600 } }}
代码组织按功能模块划分。agent/ 是核心逻辑，包括 Agent 主类、Orchestrator 协调器、ContextBuilder、RetryManager、工具注册表、技能加载器等。channels/ 是各种消息通道实现。bus/ 是消息总线。providers/ 是 LLM 提供商对接。session/ 是会话管理。memory/ 是记忆系统。gateway/ 是 WebSocket 网关。cron/ 是定时任务。cli/ 是命令行界面。config/ 是配置管理。
goclaw/├── agent/ # Agent 核心逻辑│ ├── agent.go # Agent 主类│ ├── orchestrator.go # 执行协调器│ ├── context.go # 上下文构建器│ ├── retry.go # 重试机制│ ├── types.go # 类型定义│ └── tools/ # 工具实现├── channels/ # 消息通道├── bus/ # 消息总线├── providers/ # LLM 提供商├── session/ # 会话管理├── memory/ # 记忆系统├── gateway/ # WebSocket 网关├── cron/ # 定时任务├── cli/ # 命令行界面├── config/ # 配置管理└── internal/ # 内部包
如果你只是想尽快把 GoClaw 跑起来，路径其实很直接：克隆仓库，安装依赖，编译二进制，写最小配置，然后启动。
git clone https://github.com/smallnest/goclaw.gitcd goclawgo mod tidygo build -o goclaw .make build-fullcat > ~/.goclaw/config.json << EOF{ "workspace": { "path": "" }, "agents": { "defaults": { "model": "qianfan:deepseek-v3", "max_iterations": 15, "temperature": 0.7, "max_tokens": 4096 }, "runtime": { "type": "claude-code", "claude_code": { "command": "/path/to/claude" } } }, "providers": { "qianfan": { "api_key": "YOUR_QIANFAN_API_KEY", "base_url": "https://qianfan.baidubce.com/v2", "timeout": 600 }, "openai": { "api_key": "", "base_url": "", "timeout": 600 }, "anthropic": { "api_key": "", "base_url": "", "timeout": 600 } }, "gateway": { "host": "localhost", "port": 8080, "read_timeout": 30, "write_timeout": 30, "websocket": { "host": "localhost", "port": 28789, "path": "/ws", "enable_auth": false, "auth_token": "" } }}EOF./goclaw start./goclaw tui./goclaw gateway run
GoClaw 的设计大致遵循几条原则。
极简核心，可扩展技能：核心工具保持克制，把扩展能力交给技能系统，避免核心不断膨胀。
串行默认，显式并行：消息处理默认串行，尽量减少竞态；真的需要并行时，再显式引入。
可靠性优于复杂性：重试、故障转移、熔断器这些能力不是“锦上添花”，而是默认配置。
完全可观测：结构化日志、会话持久化、任务轨迹都尽量保留，出了问题要能查。
遵循 Go 的工程习惯：Context 传播、Channel 通信、接口组合，不强行套一层不必要的抽象。
如果把这篇文章压缩成一句结论，那就是：GoClaw 并不是想在 Agent 世界里发明一种全新的范式，而是想把一套已经被验证过的设计，用 Go 的方式做得更稳、更轻、更容易落地。
如果你也在做 Agent，而且已经开始从“怎么把 Demo 跑起来”，转向“怎么把系统长期跑下去”，那么 GoClaw 也许正是一个值得参考的方向。
一个真实实践：让 GoClaw 帮我把磁盘扩容这件事做完
讲架构、讲设计原则，终究还是偏”怎么想”；真正能说明一个 Agent 框架有没有价值的，往往是”它能不能把事做完”。
最近我在养goclaw过程中就遇到了一个很典型的例子：扩展OpenClaw服务器磁盘空间。
事情的起因很简单。我一直对磁盘空间比较敏感，平时会让自己的 Agent 去检查机器磁盘使用情况。有一次检查时，它给出的结果和我的印象对不上：这台机器买的时候明明是 128GB，但系统里实际可用的分区却只有六十多 GB。
继续排查之后，问题就清楚了：原来机器上还有大约 58GB 的空间根本没有分配到当前分区,这是我在安装Ubuntu的时候遗漏了。这不是常规的“磁盘快满了，该清理了”，而是一个更偏系统运维的问题：先确认现状，再识别未分配空间，最后决定怎么把它扩容到根分区。
这个场景很适合检验 GoClaw 这种 Agent 框架到底有没有实战价值，因为它不只是回答一个问题，而是要完成一整条链路：
先检查磁盘和分区状态
再分析问题到底出在“磁盘占满”还是“空间未分配”
然后给出可执行方案
最后在确认之后真正执行操作
我只说了"立即"两个字，它就帮我完成了：
从框架视角看，这件事刚好把 GoClaw 的几层能力串了起来。
工具系统负责执行实际命令，读取分区信息，完成磁盘检查和后续操作。
AgentState 和会话上下文负责保留中间判断，避免做到一半“失忆”。
双循环机制让它可以先完成检查，再进入下一步执行，而不是一次回答就结束。
安全机制则提醒你：这类系统级操作最好只在可控环境中进行，不要一上来就在关键机器上放开权限。
更重要的是，这个案例说明了 GoClaw 适合做的不是“陪你聊聊天”，而是“替你把一个你知道目标、但不想自己手敲每一步命令的任务跑完”。
当然，这类能力也天然伴随着边界。像磁盘扩容、文件删除、系统配置修改这种操作，更适合先在实验机、测试环境或者你完全可控的机器上使用。Agent 能帮你提高效率，但前提仍然是：权限要可控，风险要可知，回滚路径要提前想清楚。
如果说前面那些章节解释的是 GoClaw 的设计思路，那么这个实践案例展示的就是另一件更实际的事：当 Agent 真正接进系统、工具和运行环境之后，它开始从“能回答问题”变成“能替你完成任务”。
粤ICP备14082021号
免费POC，
零成本试错
