AI 工具 / Agent 产品与架构
2026-W10 精选 14 条。三条主线：OpenClaw 生态的三面（创始人愿景 / 逆向工程 / 理性批评）、Agent 记忆与检索的范式之争、以及以 Rust 为核心的工具链崛起。
一、OpenClaw 三视角
ZZ-670 — Lex Fridman #491 × Peter Steinberger（3h15m）
来源: YouTube
OpenClaw 创始人 Peter Steinberger 与 Lex 的深度对话，是目前关于 AI Agent 产品哲学最完整的一手资料。
关键时刻：Marrakesh 顿悟
Peter 无意中发了语音消息给 agent，agent 自主发现文件是 opus 格式，调用 ffmpeg 转换，找到 OpenAI key 调用 Whisper API 翻译——全程无人教它。这一刻让他意识到”真正的 agent”是什么。
技术决策亮点：
- 1小时原型 — 最初只是
WhatsApp → Claude CLI单行管道，没有复杂架构 - Skills > MCP — Peter 明确批评 MCP 污染上下文且不可组合；Skills 用 CLI + 自然语言描述，模型天然擅长 UNIX 命令，用
jq等工具过滤 - NO_REPLY token — 让 agent 在群聊中有”闭嘴”的选择，使交互更自然（大量实现者忽略的细节）
- Heartbeat 机制 — Agent 主动检查邮件/日历/通知；Peter 住院时 agent 主动关心他
- Agent 自我意识 — Agent 知道自己的源码、运行环境、文档位置、使用的模型，能修改自己的软件
背景： PSPDFKit 13年→10亿设备→卖掉→消失3年→通过 AI 玩耍重新点燃热情。1月份 6600 次 commit，同时运行 4-10 个 agent。
ZZ-685 — 从零写 OpenClaw：@jakevin7 的 7 天 CrabClaw
7 天 73 commits 13000+ 行 Rust，AI 辅助逆向工程 OpenClaw 架构。是目前最好的 OpenClaw 内部机制分析。
架构核心：
| 组件 | 设计 |
|---|---|
| AgentLoop | 单向数据流：Route → Record → Tools → Context → Model → Process |
| ProgressiveToolView | 初始只传工具名+一行描述（~50 token），按需展开完整 Schema，省 90%+ token |
| Tape | JSONL only-append 记忆，含 Anchor 语义边界和 Handoff 上下文重置 |
| Tool Calling Loop | 最多 15 轮，HashSet 重复检测防死循环 |
AI 辅助开发核心教训：
- 面条式起点会以极快速度自我强化，架构是约束复杂度的唯一方法
- 详细 spec 不可靠 — spec 过时后 AI 会忠实执行错误计划
- 工程师核心工作变成「搭建让 AI 能自闭环的环境」
ZZ-842 — hsu.cy 的理性批评：桌面 OS 的胜利 ≠ AI 的胜利
来源: hsu.cy
最值得收藏的 OpenClaw 批评文章，不情绪化，直击要害。
Simon Willison “Lethal Trifecta” 全中：
- 私有敏感数据（邮件/文件/SSH 密钥）
- 不可信输入（邮件内容）
- 对外通信能力（网络/API）
→ 实际案例：一封恶意邮件让 agent 交出 SSH 密钥
成本问题： Viticci 一个周末烧 $560 管理 Obsidian 笔记，简单请求消耗上万 token。
最大洞察（也是最大担忧）：
“OpenClaw 不是因为模型强，是因为运行在数据旁边。读文件、调 CLI、操作鼠标键盘——桌面系统几十年前就能做这些。如果桌面系统越来越封闭（像移动端），就不会有新的 OpenClaw。”
热度预测：6-12 个月消退（可靠性 80-90% 对生产服务不可接受）。
二、Agent 编排与记忆
ZZ-798 — Edict：用唐朝三省六部制设计 Multi-Agent
来源: GitHub - edict
将唐朝政务制度映射为 Multi-Agent 工作流：太子分拣 → 中书省规划 → 门下省审核封驳 → 尚书省派发 → 六部并行执行。
核心创新：门下省 = 强制质量关卡
每个任务必须经过门下省，不合格直接封驳打回重做。这是 CrewAI/AutoGen 没有的制度性审核。
配置：
- 12 个 Agent（11 业务 + 1 兼容），每个独立 workspace/skills/模型
- 飞书集成（下旨 → 执行 → 回奏）
- 旨意看板（Kanban + 心跳监控）+ 奏折阁（五阶段时间线归档）
- Token 消耗排行榜 + 模型热切换
ZZ-832 — Google Always-On Memory Agent：无向量库的纯 LLM 记忆
来源: GitHub - always-on-memory-agent
技术栈: Google ADK + Gemini 3.1 Flash-Lite
三个 Agent 模拟人脑记忆机制：
| Agent | 职责 |
|---|---|
| IngestAgent | 多模态摄入（27 种文件类型）→ 结构化记忆 |
| ConsolidateAgent | 每 30 分钟运行，像睡眠中的大脑：找连接、生成跨领域洞察、压缩 |
| QueryAgent | 读所有记忆 + 整合洞察 → 带来源引用的综合回答 |
vs 现有方案：
| 方案 | 问题 |
|---|---|
| Vector DB + RAG | 被动，embed 一次检索，无主动处理 |
| 对话摘要 | 时间长细节丢失，无交叉引用 |
| 知识图谱 | 构建和维护成本高 |
ZZ-782 — Pal：Context Agent ≠ Knowledge Agent
来源: GitHub - pal
核心区分：
- Knowledge Agent：全部 embed → 向量相似搜索 → 15 个语义相似但不聚焦的 chunk
- Context Agent：跨系统导航 context graph，按需查询，记住哪些源有用
Context Graph 四层：SQL 数据库、Files（markdown 配置行为）、Knowledge Map（索引）、Learnings（策略+纠正）
执行循环：Classify → Recall → Retrieve → Act → Learn
治理边界设计：邮件只能起草不能发送，文件自由写入禁止删除。
ZZ-666 — File System Is the New Database：Personal Brain OS
来源: X Article — 2.2M views 作者: Muratcan Koylan (@koylanai), Context Engineer at Sully.ai
用 Git repo + 80+ 文件（Markdown/YAML/JSONL）构建个人 AI 操作系统，无数据库、无 API。
Progressive Disclosure 三层加载：
- Level 1：路由文件（始终加载，轻量）
- Level 2：模块指令（按需加载）
- Level 3：实际数据 JSONL/YAML（按需）
Episodic Memory 设计（核心亮点）： 不只存事实，存判断：
experiences.jsonl— 关键时刻 + 情绪权重decisions.jsonl— 决策 + 推理 + 替代方案failures.jsonl— 失败 + 根因 + 预防
Voice 编码为结构化数据： 5 维度 1-10 评分 + 50+ banned words 三级分类 + 每 500 字 voice checkpoint
文件格式-功能映射： JSONL（append-only，防 agent 覆写）、YAML（层级配置+注释）、Markdown（LLM 原生可读）
ZZ-835 — Agentic File System：Unix 哲学应用于 Agent 上下文
将 Unix “everything is a file” 哲学应用于 Agent 上下文管理。框架：AIGNE（开源）。
架构三组件：
- Context Constructor — 组装上下文（统一 mounting，像 Unix mount 挂载不同来源）
- Context Loader — 在 token 约束下投递上下文
- Context Evaluator — 验证上下文质量
统一 metadata 和 access control：可审计、可追溯、人类作为 curator/verifier/co-reasoner。
ZZ-654 — PageIndex：无向量无分块 RAG，FinanceBench 98.7%
核心论点：相似度 ≠ 相关性，检索需要推理而非向量匹配
受 AlphaGo 启发：构建文档层级树索引 → LLM 推理式树搜索检索。
三个”无”：无向量数据库、无分块、无 OCR（Vision 模式）
98.7% FinanceBench — 金融文档分析 SOTA，远超传统向量 RAG。
检索基于推理路径，可追溯到具体页码和章节（可解释性）。支持 MCP 集成。
三、工具链
ZZ-746 — Perplexity Computer：Firecracker 微 VM + 19 模型路由
来源: X
沙箱层：E2B Firecracker
- 150-170ms 启动，比 Docker 更强隔离
- 每沙箱：真实文件系统 + 浏览器（Comet）+ 数百连接器
- 每月数百万沙箱
19 模型智能路由：
| 模型 | 用途 |
|---|---|
| Claude Opus 4.6 | 核心推理 |
| Grok | 快速轻量 |
| ChatGPT 5.2 | 长上下文 |
| Gemini | 深度研究 |
Meta-router 动态选最佳模型 + 多沙箱异步并行任务图。
持久内存：95% 回忆准确率（升级前 77%）。
ZZ-804 — picc：全 Rust 零 Swift/ObjC 的 macOS 自动化
来源: GitHub - picc
axcli — Playwright 风格 macOS Accessibility API：
axcli snapshot # 获取 UI 树
axcli click # 点击元素
axcli input # 输入文本
axcli screenshot --ocr # 截图+OCR
工具集：
- picc — Ctrl+Cmd+A 截图，拖选区域，Vision OCR（中英文）
- dictation — 长按右 Cmd 语音输入，支持离线 SenseVoice（~250MB）
- claude_menubar — Claude Code session 状态 menubar 指示器（via hooks）
全 Rust 实现，通过 objc2 调用 Apple frameworks，零 Swift/ObjC 依赖。
ZZ-735 — Google Workspace CLI (gws)：Rust 实现，动态构建命令
来源: GitHub - googleworkspace/cli
动态命令构建： 运行时读 Google Discovery Service 自动生成命令，Google 加新 API 自动可用。
亮点：
- 内置 40+ agent skills
- 内置 MCP Server（agent 通过 MCP 管理 Workspace）
- 结构化 JSON 输出（AI Agent 优先）
- 认证：OAuth / Service Account / Domain-Wide Delegation
- 凭证 AES-256-GCM 加密，key 存 OS keyring
Rust 实现，cargo install --path .。活跃开发中，未到 v1.0。
ZZ-722 — agent-browser --native：纯 Rust CDP，单 binary
来源: X
agent-browser 新增实验性 --native flag：
- 单个 Rust binary 直接 Chrome DevTools Protocol 通信
- 零 Node.js 依赖，更低内存，更小体积
- 无抽象层天花板，自包含 daemon
- 运行时零依赖：只需 binary + 浏览器
ZZ-802 — Philipp Schmid：47K+ Skills 几乎没人测试
来源: philschmid.de/testing-skills
现状： 47,000+ skills across 6,300+ repos，几乎没人有 eval harness。
Skill 两类（重要区分）：
- Capability skills — 补模型短板，模型进步后可能不再需要（eval 告诉你何时移除）
- Preference skills — 记录特定工作流，持久有用
Eval Harness 四步：
- Prompt set（10-20 条，含 negative tests）
- Run agent + capture output
- Deterministic checks（regex 检查，返回 boolean）
- Iterate → 从 66.7% 到 100% pass rate
关键洞察：
- Grade outcomes, not paths — agent 会走创造性路线
- 手动跑几次不是浪费 — 每个手动修复变成可自动化的 check
- Negative tests 不能跳过
Cross-Insights
OpenClaw 三面镜
ZZ-670（创始人愿景）+ ZZ-685（逆向工程）+ ZZ-842（理性批评） 构成完整认知：
Peter 说 Skills > MCP，@jakevin7 的 ProgressiveToolView 验证了 token 节省的重要性，hsu.cy 则提醒安全是被大家集体忽视的 Lethal Trifecta。三者缺一不可。
记忆三范式
ZZ-666（文件系统）+ ZZ-835（Unix 抽象）+ ZZ-832（纯 LLM 整合）：
文件系统是最简单最可靠的持久化（666），Unix 哲学提供统一抽象层（835），纯 LLM ConsolidateAgent 解决主动整合问题（832）。三者可以叠加。
检索范式之争：反向量共识
ZZ-782（Context Graph）vs ZZ-654（推理式树搜索）：
两者方向不同，但有共同前提：相似度 ≠ 相关性，向量相似搜索是错误的抽象。Pal 用 context graph 导航，PageIndex 用 LLM 推理树搜索——都在回答「如何做真正相关的检索」。
质量保证两路径
ZZ-798（三省六部制度性审核）+ ZZ-802（eval harness 测试驱动）：
系统级质量（门下省强制封驳）配合 skill 级质量（eval harness 66.7%→100%），形成完整 QA 体系。
Rust 工具链崛起
ZZ-804（macOS 自动化）+ ZZ-722（CDP 浏览器）+ ZZ-735（Google API）：
三个独立团队，三个不同场景，都选择全 Rust + 零外部运行时依赖。这不是巧合，是 agent 工具链的工程共识。
Reference 整理于 2026-W10 | 14 条 | 来源：Linear GTD
Takeaway:
- https://github.com/VectifyAI/PageIndex
- axcli screenshot —ocr