小龙虾的火热即将接近尾声，但 Agent 的大时代才刚拉开序幕，这不 Hermes Agent 马上就杀了出来！可以预见的是这种 Agent 系统会越来越多。
整理了小龙虾的系统架构和工程设计，包括 Gateway、Memory、多 Agent 协作…
但看完后，我觉得它有些复杂：作为一个只想让 AI 帮我干点杂活的个人用户，这套系统似乎太重了，简直不利于学习！
于是我决定：让 AI 帮我写一个 mini-OpenClaw，全程不动手写一行代码，结果代码是跑起来了，但过程里踩的坑、做的取舍，还是比较有意思。
先看个最终效果：我说了一句
帮我发一篇热点小红书它就自己去搜了当天热搜、读了新闻详情、写了文案、生成了配图，最后打开浏览器帮我把小红书草稿箱填好了：
这一切是怎么发生的呢？请大家带着前面架构解读的文章和思路，继续往下看：
最终的项目结构
我们以终为始，先看看最终的目录结构：
my_agent/├── app/ # 后端（FastAPI）│ ├── main.py # 入口│ ├── api/ # API路由（chat、agents、models、tools、skills...）│ ├── schemas/ # 数据模型│ ├── services/ # 业务逻辑（LLM调用、工具执行、记忆检索...）│ ├── llm_providers/ # LLM适配层（DeepSeek、通义千问、OpenAI兼容）│ ├── tools/ # 内置工具实现│ └── utils/ # 日志等工具├── frontend/ # 前端（Vue 3 + Vite）│ └── src/│ ├── views/ # 页面（Chat、Agents、Models、Tools、Skills、Logs、Memory）│ ├── stores/ # Pinia状态管理│ ├── api/ # API客户端│ └── components/ # 组件├── workspace/ # 运行时数据│ ├── agents/ # Agent配置和提示词│ ├── skills/ # 已安装的技能│ ├── conversations/ # 对话历史（JSONL）│ └── *.json # 各种配置文件├── desktop_app.py # 桌面应用入口└── pyproject.toml # 项目依赖以前，想做点程序，要么花钱用别人的平台，要么找程序员朋友帮忙搭一套。现在，你只需要会打字、会描述需求，就能拥有一个属于自己的 AI Agent。
让我们一点点继续吧~
技术栈和功能规划
小龙虾的功能很全，多通道设计、会话多车道、定时任务、渠道管理、工具管理、技能管理、记忆管理、权限检查…
不过从架构学习与拆解的角度来说，没必要搞这么复杂。
我的需求其实很简单：一个 Web 聊天页面，可以日常通过自然语言让 Agent 干活就行。
如果在这个基础上，能管理 Agent、模型、工具、技能、记忆，再加一个模型调用日志的查看界面，方便排查问题就更好了。
把需求描述给AI后，AI给我的建议是 Python + React。
后端用 Python 没啥问题，但前端我熟悉的是 Vue，想了想还是让 AI 改成了 Python + Vue，毕竟 Vue 我还能兜底（只不过结果证明，AI 根本不需要我兜底）。
其实真正让我纠结是：自己写还是让 AI 写。这是个非常大的问题！
如果是生产级应用，我建议暂时还是自己做框架，让 AI 做辅助，因为其实工作量也不大，不过是从之前的项目里面拷贝、搬运过来罢了…
但如果仅仅是个案例，那就随便咯，不得不说自从用上 AI Coding 之后，我越来越懒了，只想看 AI 写代码，下一代可能连 “Hello World” 是什么这个梗都不知道了…
说干就干，打开 Claude Code，把需求一丢：
我现在需要开发一个 mini版本的openclaw后端使用python + FastApi，使用uv进行包管理前端使用vue项目采用前后端分离，后端放到目录 app中，前端放到目录frontend不使用数据库，所有数据使用json文件存储 保存到workspace目录中我需要实现以下功能1、agent管理2、工具管理3、技能管理4、模型管理5、聊天窗口 和 指定的agent聊天，没有指定 就使用默认的agent你需要先给我指定一个详细的开发计划，并且输出到文档中需要给出一个开发进度表，每完成一个功能，就标记状态为完成AI 很快就给出了开发计划，技术栈是这些：
| 层级 | 技术选择 |
|---|---|
| 后端 | Python 3.10+，FastAPI，uv（包管理），Pydantic |
| 前端 | Vue 3，Vite，Pinia（状态管理），Axios，TailwindCSS |
| 数据存储 | JSON 文件（位于workspace/目录） |
| 开发工具 | uv，Node.js 18+，Git |
计划和我想要的差不多，那就开干。整体架构长这样：
PS：从这里也可以看出我们与一般小白的不同，我们是具备对 AI 的评价能力的，包括架构和具体实现细节的各种评价，而这个评价在复杂项目里面就很重要了
一步一步，从零搭建
开发过程按 AI 给的任务列表逐个推进，每完成一个功能就标记状态，然后开一个新会话继续下一个：
@开发计划文档.md 现在需要继续开发 任务编号为3的功能模块 Agent管理，只需要开发这个模块，完成后修改状态。这里为什么要开一个新会话？主要是上下文限制。这些功能模块比较独立，单独开一个新会话，AI 没有历史消息的负担，可以更好地干活。
就这样一个个推进，很快完成了第一版。界面不太好看，用技能frontend-design美化了一次：
使用frontend-design 帮我优化界面，颜色配置不要太鲜艳了，需要谈一点最后的结果如下：
功能看着都有了，但还没有实际测试过。接下来逐个验证，不符合预期的就通过自然语言描述让 AI 改。
模型管理
接入了 DeepSeek、通义千问这两种国产模型，也支持任何 OpenAI 兼容接口。
API Key 单独存在 .env 文件里，不在配置文件里明文暴露，还做了个"连接测试"功能，配好模型点一下就知道能不能用，这个很实用：
每个模型的新增、修改、删除都需要手动测试。比如测试时就碰到了编辑数据无法保存的问题，直接告诉 AI：
Agent 管理
每个 Agent 有自己的 system prompt 和知识库，用 Markdown 文件存（agent.md 和 knowledge.md），可以直接在界面上编辑。
Agent 可以关联指定的模型、工具和技能，配一个默认 Agent 不能删：
然后就是工具管理模块了：
工具管理
一开始只有默认的文件读写功能，我需要先想好要哪些工具，然后让 AI 去开发工具库。
根据历史经验，最终实现了 6 大类共 12 个工具：文件读写、系统命令、代码执行、Excel 操作、文生图、浏览器操作（browser use）。
后面会详细展开。
这些工具通过自然语言描述就能让 AI 生成，并且让它自己测试，没问题才算完成。
需要特别说一嘴的是：浏览器操作工具最折腾，AI 最初给的版本根本用不起来！
我跟他叽歪了半天，它也干了半天，效果还是不理想，我也不想再折腾，直接打开 Openclaw 的源码，让 AI 分析它的浏览器操作是怎么设计和实现的，生成一份文档，然后再把文档丢给 AI，让它在我的项目里实现一个一样的…
PS：从这里大家应该可以更清晰 Claude Code 泄露的意义在哪了吧
核心思路是用 Playwright 做浏览器自动化，但没用传统的 CSS 选择器方式，而是基于ARIA 无障碍树。
简单来说：AI 先拿到页面的无障碍树，每个可交互元素都有一个 ref ID，然后通过 ref ID 来操作元素。这种方式比 CSS 选择器稳定一些，页面改版也不怕。
最后浏览器用 Chrome 的 CDP 协议独立启动，应用退出了浏览器还在，登录状态一直保持，登录一次，以后就不用再登了。
接下来是 Agent 第二核心，技能包模块了：
Skills 管理
这块支持扫描本地目录发现新技能、在线编辑，还能安装 OpenClaw 的技能，共享其生态：
技能这东西按需安装就行，可以去 OpenClaw 的技能生态中下载，通过导入 ZIP 文件完成安装，也可以直接让 AI 帮我们创建：
我现在需要一个技能，用来读取pdf和word文档的内容
其中技能的编辑页面，AI最开始给出来的很复杂，它只读取了 Skill.md 的名称和描述，其他的内容都没有显示出来，其实我想要的是整个技能的目录按照树形结构加载，技能的内容我也可以修改，于是让AI修改
技能编辑的时候，目前只能编辑名称和描述我希望把技能的目录列出来，左边是树形结构，右边是内容文件内容都可以编辑保存
到这里基本工作就做得差不多了，可以进入聊天模块的设计了：
聊天功能
聊天是整个系统的核心，也是花时间最多的地方、最折腾的部分：
基础功能验证完成后，打开了聊天界面，给咱们的 Agent 发了一条你好。
等了一会儿，它告诉我它是 DeepSeek，而且也不是流式输出；我再问它有什么技能和工具，它说啥都没有，只能聊天…
所以，我搞了那么多，白做了是吧？这就是第一版的真实水平：一个裸奔的聊天框。
做程序其实就一个思路，发现问题解决问题就好，没有问题就不需要解决。
所以针对这里的前端没有实现流式输出，技能和工具也没有组装到提示词中，告诉 AI 就好：
目前聊天窗口中，没有使用流式输出，你需要添加这个功能。另外提示词没有组装工具和技能给到大模型，这个也需要加上。AI 修改完成后，流式输出有了，技能也能用了：
后续还遇到了不少问题，都是发现一个解决一个：
模型已经说明要调用工具，但是系统没有去执行模型有思考能力，但聊天界面没有支持思维链的输出工具和技能的执行输入和输出没有显示到界面上图片生成后，没有在界面上预览出来会话记录没有保存没有将会话记录加入到上下文中生成的文件、Excel 不好查看上述都是小 Case，而聊天界面差点让我崩溃。这个界面太复杂了：
- 思考模型要输出思维链，非思考模型没有，而且思维链和其他问答的配色还不一样；
- 工具执行要显示，技能执行也要显示；
- 技能执行的中间日志要实时输出；
- 图片生成需要预览
- …
所有这些功能夹在一起，页面就非常复杂。这也符合我们历史的开发经验，我们有年限百万的同事，一年就只需要折腾一个界面，反复打磨就好，因为真实情况也确实有很多问题。
这里的真实情况是：前一秒刚把技能日志输出改好，后一秒工具执行结果显示又出问题，那两天来来回回改了好几轮，才勉强把这个页面的逻辑理顺。
不然 AI 下次改其他问题的时候，可能把之前好好的部分也给改掉了，我在这里就遇到了两次改乱的情况。
PS：虽然给出了很多建议，但我们其实经常自己也图方便不遵守
最终的界面布局：左边是会话列表，中间是聊天区域，右边是聊天过程中产生的临时文件和最终产物（图片、PPT、Excel、文档等）。
中间聊天区域承载的内容较多：
- 思维链的输出
- 工具的执行和输出
- 图片预览
- 技能的执行和输出
- 文件上传
工具调用方面，AI 在聊天过程中可以自主调用工具和技能，工具执行结果返回给 AI 继续推理，最多支持 50 轮循环。
这里我们实现的 Agent 采用比较经典的ReAct 模式来进行推理。
ReAct 的运行机制可以概括为一个经典的循环：Thought（思考）→ Action（行动）→ Observation（观察）。
在具体调试上我们需要观察 llm的日志 来查看 系统有没有按照这个模式来执行
对话历史选了 JSONL 格式存储，每条消息一行，追加写入。每个会话一个文件，每个会话还有一个文件夹，用来存放 AI 生成的文件和中间结果，保存到workspace目录下。
在我们的工作目录 workspace 中 保存了所有会话的记录，我们在和 AI 对话之后，需要去检查这个目录里面的数据是否正常：
至此，其实主体功能就已经差不不多了，整个 Agent 的核心机制都够了，如果目的仅仅是学习，便可以到此为止；
但如果你想让他看上去稍微聪明点，那就需要上记忆系统了，这也是比较难的部分，我们这里也只实现了皮毛：
记忆系统
除了以上基础模块，我还给每个 Agent 加了一个记忆功能。
记忆系统很重要，否则每次开新会话，Agent 都是从零开始，昨天跟它说的话它全忘了。
比如我跟它说过"写文案不要用emoji"，下次它照样给你加一堆表情，这也是我们前面说他显得很蠢的原因。
其实这里模型并不蠢，因为模型 API，是一套标准一次性输入输出，他又没有记忆，记忆是我们需要做的工程控制，于是让 AI 帮我加了个记忆系统。
每个 Agent 有一个 MEMORY.md 文件，专门记重要的事。对话聊到一定程度，系统会自动触发一次记忆保存。
让 AI 自己判断哪些信息值得记住，写到文件里，下次开新会话，它会先翻翻自己的小本子，把之前的偏好和上下文捡回来。
检索这块也做了点功夫，越早的记忆权重越低，免得 AI 老拿三个月前随口说的一句话当圣旨，重复的内容也会自动去重。
至此，一个用于学习的 Mini-OpenClaw 就真的差不多了，在这个基础下便可以继续做些体验上的优化：
打包成桌面应用
我其实不需要打包成桌面应用，我直接在 web 上就可以让 AI 干活了。
但有个朋友也想用，他不是技术人员，电脑上没有 Python 和 npm，他需要的是一个双击就能用的程序。
于是让 AI 帮忙写了个打包脚本。
用 PyInstaller + pywebview 把整个应用打包成 macOS 的 .app，双击就能用，不用装 Python、不用装 Node.js、不用开终端。
PS：Windows 我就没管了，毕竟这年头正经人谁还用那玩意
额，但要说一句的是，这一步还是踩了不少坑…
开发模式和打包模式的资源路径完全不同，技能脚本需要独立虚拟环境运行，Chrome 浏览器的启动路径也不一样。
pywebview 还有连接超时的问题，流式输出会断，折腾了好久，最后加了个心跳包，每 15 秒发一个 keepalive 才算搞定…
PS：还是那句话，AI Coding 确实可以解决很多小问题，但传统程序员最核心的技能其实是死命折腾，这点不具备也做不好程序
至此，整个系统就真的做完了，于是乎，我们做下扩展，聊聊什么是生态问题：
系统里有哪些工具
工具是 Agent 的基础能力，系统内置了 12 个工具，每个都注册在工具注册器里，AI 在聊天时可以自主调用：
| 工具 | 说明 |
|---|---|
| file_read / file_write | 文件读写，AI 可以读取和创建文件 |
| command_execute | Shell 命令执行，可以跑任意终端命令 |
| code_execute | Python 代码执行，用来跑代码片段 |
| web_search | DuckDuckGo 网页搜索，用来搜索信息 |
| web_read | 网页内容提取，三级策略：先 httpx 直连，不行用 trafilatura，还不行上 Playwright 无头浏览器 |
| browser_use | 浏览器自动化，支持 22 种操作（点击、输入、截图、滚动、标签页管理等），基于 ARIA 无障碍树 |
| image_generate | AI 图片生成，调用配置好的图片模型 |
| excel_read / excel_write / excel_sheets | Excel 读写和查询，用 openpyxl 实现 |
| memory_search / memory_get / memory_save | Agent 记忆管理，搜索、读取、保存记忆 |
上述工具库就是整个系统基本能力的核心，也是需要不停做扩展的地方。
举个例子，如果你接下来需要操作多维表格、或者各种内部系统，那么就需要自己扩展工具
这些工具里面，不得不提一下code_execute。这个代码执行工具有点让人又爱又恨，我使用他其实就只是想拿来做个兜底，但真实情况是很多时候明明有其他工具和技能可以用，AI 就非要自己写代码来用这个工具执行。
***AI 是真的很喜欢写代码！***但它自己又一次性写不好，折腾半天，最后还是得靠技能来完成任务。所以如果没有特殊需求，这个工具我都不给 Agent 用了…
系统里有哪些技能
工具是底层能力，技能是上层编排，这两个是 Agent 生态扩展的核心，Skills 的本质是 SOP，工具是这套 SOP 能不能被执行的根本
我们这里，系统支持两种技能类型：
Prompt 型技能：只有一个 SKILL.md 文件，本质是一套提示词模板。AI 读到提示词后，自己决定怎么调用工具完成任务，好处是简单灵活，不依赖任何外部脚本。
Script 型技能：除了 SKILL.md，还有 scripts/main.py，会以子进程方式执行。脚本的标准输出会实时流式回传到聊天界面，用户能看到执行过程。每个技能运行在独立的 Python 虚拟环境里，不会影响主应用。
技能安装很方便，可以直接上传 ZIP 包（GitHub 下载的压缩包直接能用），也可以扫描本地目录自动发现新技能，还能在界面上在线编辑。
目前系统里安装了这些技能：
hot-news-top10— 热点新闻搜索。用 DuckDuckGo 搜索当日热点，自动聚类打分输出 TOP10。可以传关键词搜特定领域，也可以不传搜通用热点。这个技能是很多复合技能的基础组件。
douyin-summary— 抖音视频总结。输入抖音链接，自动提取视频内容并总结。
douyin-comment— 抖音自动评论，通过浏览器自动化技术，将指定的评论发布，或者结合douyin-summary 自动生成评论内容发布
xhs-hot-publisher— 小红书热点图文自动发布。这是一个多步骤复合技能：先搜热点 → 用户选题 → 深度采集内容 → 生成配图 → 撰写文案 → 浏览器自动发布到小红书草稿箱。
xiaohongshu-publish— 小红书发布工具。配合 xhs-hot-publisher 使用，通过浏览器自动化把图文发布为小红书草稿。
create-pptx— PPT 生成。基于 python-pptx 库，自带商务和教育两套模板，能生成时间线、图表、多页幻灯片，还考虑了 WPS 兼容性。
file-reader— 文档读取。支持 PDF 和 Word 文档的文本提取，用 pymupdf 和 python-docx 实现。
skill-creator— 技能生成器。用来自动创建新技能的技能，输入需求就能生成 SKILL.md 和脚本模板，自动注册到系统。
如果觉得不沟通，首先可以从网上下载，但从学习的角度，我是建议各位自己简单写一写，最后我们来看看演示效果吧：
案例演示
光说功能太抽象了，下面用几个实际例子展示 Agent 是怎么工作的。
案例 1：搜索热点新闻
这是最基础的用法，一个技能就能搞定。
用户：今日有哪些热点事件AI：我来搜索今日的热点事件。我可以使用 hot-news-top10 技能来获取全网热点新闻。这个技能会搜索热点新闻并生成 TOP10 选题，包含事件描述、核心角度和标题等信息。让我调用这个技能。整个过程很快就完成了。用户只需要说一句话，AI 自己决定调用哪个技能来实现需求。
案例 2：抖音视频总结
这个稍微复杂一点，涉及链接识别和内容提取。
用户：https://www.douyin.com/video/7625983892776400448?modeFrom= 帮我看看这个视频说了什么AI：用户提供了一个抖音视频链接，要求我看看这个视频说了什么。我应该使用抖音视频总结助手（skill_douyin_summary）来处理这个请求。AI 先识别链接类型，然后调用对应的技能脚本，脚本输出实时流式显示，最后 AI 再对内容做一次总结整理。
案例 3：小红书热点图文自动发布
这是最能体现 Agent 能力的案例：一个需求串联了 5 个步骤，跨越搜索、网页读取、图片生成、文案创作、浏览器自动化发布等多个能力。
用户：帮我发一篇热点小红书
AI 直接使用了技能skill_xhs_hot_publisher：
用户想要发布一篇热点小红书笔记。我可以使用 skill_xhs_hot_publisher 技能来完成这个任务。这个技能会获取当天热点新闻，让用户选择选题，然后生成配图和文案，发布为小红书草稿。
后续调用了技能hot_news_top10获取热点新闻，这里需要用户手动确认一条热点新闻,技能里也可以选择自动确认，跳过人工环节。
确认热点新闻后，AI 会调用web_read工具获取详细内容，为生图和文案创作提供素材，最后调用xiaohongshu_publish技能完成发布。
发布结果：
内容暂存在小红书的草稿里，需要手动确认后再发布。目前内容还是 Markdown 格式的纯文本，样式还需继续优化。
整个流程中，用户看上去只做了两件事：说了一句话、选了一个选项。
剩下的搜索、采集、生成图片、写文案、发布，全部由 Agent 自主完成。
但如果你打开执行日志，就会知道 Skills 和 工具才是根本了，本质是 Workflow 换了个承载工具。
结语
好了，之前写架构解读相关文章，总有朋友说读不懂，我今天 TM 一个字代码都没写，总不可能读不懂了吧？
回头看整个开发过程，有三点我相信大家也会影响深刻：
一、评价能力很重要
可以让 AI 写代码，但你要懂架构。
整个项目绝大部分代码是 AI（Claude Code）写的，但技术选型、模块划分这些关键决策是我做的。
系统架构设计、框架搭建、前端页面布局等则全部由 AI 完成。
你和 AI 的关系更像产品经理和程序员，你负责想清楚要什么，它负责实现。
但你有没有对他工作的评价能力，这就变得很重要了。
二、颗粒度对齐！
有些时候，这些黑话还是挺有意思的，比如：怎么确认 AI 写的代码是你想要的。那就不得颗粒度对齐了吗？
界面上的功能好验证，自己操作看看预期是否一致就行。但后台逻辑呢？不懂技术的话，看不懂代码，怎么确认 AI 写的功能和自己设计的是一致的？
我总结了几个办法，这些颗粒度要对齐：
- 让 AI 对照业务需求做自查
- 让 AI 输出关键步骤的日志
- 用文件或简单数据库存储数据，直接查看
- 让 AI 生成可读的测试报告
- 准备一些测试例子，看看输出是否符合预期
三、生态才是核心
我们这里是做课件，帮助大家做学习的，但生态的威力相信大家也能有所感受，暂时来说：
技能系统是最有价值的设计
工具是静态的、通用的、你看不到的；技能是动态的、可扩展的，用户在实际使用的。
从"帮我搜个新闻"到"自动发一篇小红书"，技能把零散的工具能力编排成了有意义的自动化流程。
一个好的技能系统让 Agent 的能力可以无限扩展。
一个在前、一个在后，这两个生态怎么配合，就算真的做 Agent 平台的公司需要思考的了。
学AI大模型的正确顺序，千万不要搞错了
🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！
有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！
就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋
📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇
学习路线:
✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经
以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！
我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～
