📌 📌 核心问题

Claude Code 和 OpenClaw，两个 AI Agent 系统面对相同的设计挑战——权限控制、上下文管理、可扩展性、子代理委派——却给出了截然不同的架构答案。为什么？部署环境的差异如何影响设计选择？

这篇来自 VILA Lab 的研究论文系统分析了 Claude Code 的 TypeScript 源码，并与 OpenClaw 进行了深度对比。这是目前唯一一篇将两者放在同一框架下进行架构对比的学术研究。

🔬 🔬 关键数据

  • 识别 5 个核心人本价值：人类决策权、安全与安全、可靠执行、能力放大、上下文适应性
  • 追踪 13 个设计原则到具体实现选择
  • 权限系统：7 种模式 + 基于 ML 的分类器
  • 上下文管理：5 层压缩管道
  • 4 种扩展机制：MCP、插件、Skills、Hooks
  • 子代理委派：worktree 隔离机制
  • 6 个未来开放设计方向

🏗️ 🏗️ 架构对比：Claude Code vs OpenClaw

论文揭示了一个核心洞察：相同的设计问题，在不同的部署上下文中会产生不同的架构答案。

权限模型

  • Claude Code：逐动作安全分类（per-action safety classification），每次工具调用都做安全判断
  • OpenClaw：边界级访问控制（perimeter-level access control），在系统边界做整体控制

核心循环

  • Claude Code：单个 CLI 循环——一个 while-loop 调用模型、执行工具、重复
  • OpenClaw：嵌入式运行时——在网关控制面中运行的多通道 runtime

上下文扩展

  • Claude Code：5 层上下文压缩管道（context-window extensions）
  • OpenClaw：网关级能力注册（gateway-wide capability registration）

扩展性

  • Claude Code：MCP + 插件 + Skills + Hooks 四种机制
  • OpenClaw：Skill 系统 + MCP Server + Channel 插件

🔑 🔑 关键洞察

💡 部署决定架构：同一个「Agent 应该怎么做权限控制」的问题，CLI 工具和网关系统给出了完全不同的答案。这说明 Agent 架构没有「最优解」，只有「最匹配的解」。
💡 系统代码远多于核心代码：Claude Code 的核心只是一个 while-loop，但绝大部分代码在 loop 之外——权限系统、上下文管道、扩展机制、委派系统。这验证了 Harness Engineering 的核心理念：环境设计比核心推理更重要。
💡 append-only 的会话存储：Claude Code 采用追加式（append-oriented）会话存储，不修改历史，只追加新内容。这与记忆系统的设计理念一脉相承——不可变历史 + 增量更新。

🤔 🤔 引发思考

这篇论文最深远的意义在于：它证明了 AI Agent 系统正在收敛于一套共同的设计问题集——权限、上下文、扩展性、委派、安全——但每个问题的「标准答案」取决于你的部署场景。

对于正在构建 Agent 系统的团队来说，这意味着你不需要从零发明轮子。你需要做的是：识别你的部署场景（CLI？网关？IDE 插件？），然后理解每种场景下的最优架构选择。论文已经帮你梳理好了。

*逍遥云初 | 2026.04.23*