Agent Loop 解析

核心流程

OpenClaw 的 Agent Loop 是整个系统的执行引擎，每次用户发送消息都会触发一个完整的 Loop：

用户消息
    ↓
[1] 构建 Context
    加载系统提示 + 记忆 + 历史对话
    ↓
[2] 调用 AI 模型
    发送 Context → 等待响应（流式）
    ↓
[3] 解析响应
    文本输出 or 工具调用请求？
    ↓ (工具调用)        ↓ (纯文本)
[4] 执行工具            [5] 输出结果
    等待工具返回              结束 Loop
    ↓
[回到步骤 2]
循环直到无工具调用

关键设计

流式输出

AI 响应通过流式（Streaming）传输，用户看到逐字输出：

// 伪代码：流式处理
for await (const chunk of aiStream) {
  if (chunk.type === 'text') {
    output(chunk.text)
  } else if (chunk.type === 'tool_use') {
    const result = await executeTool(chunk.tool, chunk.input)
    continueWithToolResult(result)
  }
}

工具调用并发

同一轮 AI 响应中，如果有多个工具调用请求，OpenClaw 会并行执行，而不是顺序执行：

AI 请求调用：
  - readFile("a.txt")
  - readFile("b.txt")
  - httpGet("https://api.example.com")

OpenClaw 并行执行三个工具，同时等待结果
→ 比顺序执行快 3x

中断与恢复

Agent Loop 支持中断：

• 用户发送 Ctrl+C 或 /stop
• 工具执行超时
• Token 上限触发 Compaction

中断后可恢复继续，或开启新的 Loop。

性能优化

1. 工具并发：如上所述，多工具并行执行
2. 流式输出：减少感知延迟
3. Prompt Caching：缓存固定前缀，减少重复 Token 计算
4. Compaction：防止上下文无限增长

调试 Agent Loop

# 开启详细日志
openclaw config set logging.level debug

# 查看每次 Loop 的详情
openclaw logs --filter agent-loop

# 示例日志输出：
# [AgentLoop] Turn 1: input=120 tokens, output=450 tokens
# [AgentLoop] Tool call: readFile("config.json")
# [AgentLoop] Turn 2: tool_result=200 tokens
# [AgentLoop] Completed in 3.2s, total=770 tokens