与其 clone 一个跑不起来的庞然大物，不如从零造一个真正理解的 Agent 。
背景：为什么不直接用 OpenClaw ？
最近 OpenClaw （开源 Agent 框架）在圈子里火了。不少人 clone 下来，配好环境变量，跑起来——然后呢？
说实话，大部分人（包括我）的体验是这样的：
装了一个 Agent ，但并没有理解 Agent 。
所以我换了个思路：不装 OpenClaw ，而是自己从零实现一个轻量版。
我给它取名 LiteClaw——一个用 TypeScript 从零构建的 Agent ，目标是一步步复刻 OpenClaw 的核心能力，每一步都可运行、可理解。
LiteClaw 是什么
LiteClaw 不是 OpenClaw 的 fork ，也不是它的简化版。它是一个面向学习的 Agent 构建教程：
最终目标是：走完所有 Phase 之后，你手上会有一个自己理解每一行代码的 Agent 。
架构总览
先看一张 Phase 3 完成后的整体架构图：
整个系统由几个核心层组成：
分阶段实现路线
这是 LiteClaw 最核心的设计理念：不一口气做完，而是分 Phase 递进。每个 Phase 解决一个核心问题，每个 Phase 都是可运行的。
Phase 1：最小可运行链路 ✅
目标：验证"消息能进来、模型能调用、结果能回去"。
这一步只做最核心的事：
[ol]
[/ol]
关键技术决策：
完成 Phase 1 之后，你已经有了一个能聊天的飞书机器人。
Phase 2：Agent 基础设施 ✅
目标：从"能跑的 demo"升级成"可持续迭代的服务底座"。
一个真正的 Agent 不只是"能回复消息"。你还需要：
这一步的核心设计是 Store 抽象：
interface ConversationStore {
getConversation(chatId: string): Promise;
appendExchange(chatId: string, userText: string, assistantText: string): Promise;
resetConversation(chatId: string): Promise;
// ...
}
业务代码只依赖接口，底层是 Map 还是 Redis 完全透明。这个设计在 OpenClaw 中也是一样的——依赖抽象，不依赖实现。
Phase 3：工具调用 + Agent Loop ✅ ← 当前完成
目标：让 Agent 从"会聊天"升级到"会做事"。
这是 Agent 最关键的一步跃迁。Phase 3 之后，LiteClaw 不再只是一个聊天机器人，而是一个能自主决策并执行动作的 Agent 。
核心能力：
Agent Loop 是怎么工作的？
用户: "现在北京几点了？"
↓
LLM 判断: 需要调用 current_time 工具
↓
Runtime 执行: current_time({ timezone: "Asia/Shanghai" })
↓
工具返回: "2026/03/17 18:30:00"
↓
LLM 基于结果回复: "现在是北京时间 18:30 。"
我使用了 Vercel AI SDK 的 generateText + stopWhen(stepCountIs(N)) 来实现多轮循环，不需要手写 while loop 。同时保留了 LiteClaw 自己的 Tool Registry ，通过 toAISDKTools() 桥接层转换格式。
新增工具只需 3 步：
// 1. 创建工具文件 src/services/tools/my-tool.ts
import { z } from "zod";
import type { LiteClawTool } from "../tools.js";
export const myTool: LiteClawTool = {
name: "my_tool",
description: "工具描述（给模型看的）",
parameters: z.object({
query: z.string().describe("参数描述")
}),
async run(context) {
// 你的逻辑
return { text: "结果" };
}
};
// 2. 在 tools.ts 中注册
// 3. 完成。模型会自动发现并使用新工具
技术栈选择
[td]技术[/td]
[td]选择[/td]
[td]为什么[/td]
Language
TypeScript
类型安全，前后端统一
Runtime
Node.js 20+
成熟稳定
HTTP
Hono
极轻量，适合做 Agent runtime
AI SDK
Vercel AI SDK (ai v6)
内置 tool calling + agent loop
模型
OpenAI-compatible
适配 Qwen 、DeepSeek 等本地模型
Schema
Zod
工具参数验证，AI SDK 原生支持
接入
飞书长连接
零公网依赖，本地即可联调
存储
Memory / Redis
可切换，渐进式引入
快速上手
# 1. clone
git clone https://github.com/WarrenJones/liteClaw.git
cd liteClaw
# 2. 安装依赖
pnpm install
# 3. 配置
cp .env.example .env.local
# 填入飞书 App ID/Secret + 本地模型地址
# 4. 启动
pnpm dev
# 5. 飞书中给机器人发消息测试
# "现在几点了？" → 模型自动调用 current_time 工具
# "/status" → 查看运行时状态
# "/tools" → 查看已注册工具列表
后续路线
Phase 3 完成后，LiteClaw 已经具备了 Agent 的核心骨架。后续还有三个大方向：
Phase 4：记忆与状态管理
当前的"记忆"只是最近 N 轮对话。真正的 Agent 需要：
Phase 5：任务执行与编排
从"单轮对话"升级到"多步任务"：
Phase 6：向 OpenClaw 能力对齐
最终目标——补齐完整 Agent 能力：
为什么我建议你也试试
装 OpenClaw 当然没问题。但如果你想真正理解 Agent 是怎么工作的，我建议你也试试从零搭一个。
你会发现：
[ol]
[/ol]
LiteClaw 的所有代码都在 GitHub 上，每个 Phase 都有独立的技术文档。欢迎 star 、fork 、提 issue 。
GitHub: github.com/WarrenJones/liteClaw
总结
[td][/td]
[td]装 OpenClaw[/td]
[td]自己实现 LiteClaw[/td]
上手速度
快（如果环境配得对）
慢一些，但每一步都清楚
理解深度
停留在使用层
深入到实现层
可定制性
受框架约束
完全自由
学习价值
学会了"怎么用"
学会了"怎么造"
大家都在装 OpenClaw ，我选择自己实现一个。不是因为 OpenClaw 不好，而是因为——造过一遍之后，你才真正拥有它。
