De fleste AI-chatbots lever i skyen. Du sender en besked, får et svar, og så glemmer systemet dig. OpenClaw og lignende agent-frameworks vender den model på hovedet: her kører en persistent gateway lokalt på din egen maskine, klar til at modtage beskeder fra alle dine kanaler døgnet rundt.
I dette indlæg dykker vi ned i den interne arkitektur — ikke kode eller opsætning, men selve designet der gør det muligt.
Gateway-laget: én indgang til alle kanaler
Yderst i systemet sidder en Gateway, som fungerer som ren trafikdirigent uden nogen form for intelligens. Den tager imod beskeder fra WhatsApp (via Baileys), Telegram (via grammY), Slack, Discord og iMessage — og normaliserer dem til ét fælles format, inden de sendes videre.
En Session Router mapper hver samtale til en isoleret agent-session. Direkte beskeder bliver til én persistent session pr. bruger, mens gruppechat spawner separate sessioner, så kontekst aldrig lækker mellem deltagere.
For at sikre deterministisk afvikling bruger Gateway’en Lane Queues: hver session får sin egen eksekveringsbane med konfigurerbar concurrency (standard: én). Det forhindrer race conditions, når agenten udfører multi-step tool chains, hvor rækkefølgen er afgørende.
Ved siden af kører en WebSocket-server, der eksponerer sessionstranscripts, afventende tool-godkendelser og agenttilstand til kontrolinterfaces — terminal-UI’er, macOS menubar-apps eller web-dashboards. Gateway’en indeholder nul agentlogik; den router beskeder og styrer sessiongrænser. Intet andet.
Agent-eksekveringsløkken: seks trin fra besked til svar
Hver brugerbesked udløser en streng seks-trins pipeline i Agent Runtime:
- Intake — den normaliserede besked modtages fra lane-køen.
- Context Assembly — ræsonneringsprompten bygges op fra sessionshistorik, semantisk hukommelsessøgning, workspace-filer som AGENTS.md og SOUL.md (driftsinstruktioner og personlighed) samt skemaer for tilgængelige værktøjer.
- Model Inference — sprogmodellen genererer naturligt sprog og strukturerede tool calls via JSON Schema-baserede outputformater.
- Tool Execution — validerede tool calls dispatches til deres handlers, som kan køre i sandboxes eller direkte på maskinen.
- Result Backfill — tool-resultater injiceres tilbage i samtalen som førsteklasses beskeder, synlige for efterfølgende ræsonneringstrin.
- Streaming Reply — delsvar streames til brugeren i realtid, ofte inden tool-eksekvering er færdig (“Jeg tjekker din kalender nu…”).
Løkken stopper, når modellen beslutter at ingen flere tool calls er nødvendige. Ingen ekstern orkestrering styrer denne beslutning — agenten afgør autonomt, hvornår opgaven er fuldført.
Hukommelse: filsystemet som sandhedskilde
OpenClaw fravælger bevidst vektordatabaser. I stedet bruges et to-lags hukommelsessystem, hvor filsystemet er den autoritative kilde.
Korttidshukommelse lever i tidsstemplede daglige logfiler — simple Markdown-filer under en memory-mappe. Langtidshukommelse bor i MEMORY.md og SOUL.md: strukturerede filer med destilleret viden og kerneoverbevisninger. Workspace-filer som AGENTS.md indeholder uforanderlige driftsinstruktioner, der indlæses i hvert context window uden søgning.
Søgning kombinerer BM25 nøgleordssøgning med vektorsimilaritet for semantisk genkaldelse. Men vektorindekser behandles som flygtige caches — de genbygges automatisk fra Markdown-filerne ved opstart, så intet data går tabt, selv hvis indekserne korrumperer.
Hukommelsesskrivninger sker udelukkende gennem eksplicitte memory_write tool calls under agentens eksekvering — aldrig som automatiske sideeffekter. Resultatet: al agentviden forbliver menneskelæsbar, redigerbar i enhver teksteditor og versionerbar via Git.
Værktøjer og skills: sådan får agenten evner
Værktøjer definerer agentens handlingsmuligheder og følger et strengt registreringsmønster. Hvert værktøj deklarerer sit navn, en naturligsproglig beskrivelse, et JSON Schema-parameterspec og en eksekveringshandler.
Eksekvering foregår enten direkte på maskinen eller i en valgfri Docker-sandbox med non-root brugere, read-only filsystemer og netværksisolering. Kritiske værktøjer — sletning, finansielle transaktioner, adgang til legitimationsoplysninger — udløser et human-in-the-loop godkendelsesflow. Eksekveringen pauser, indtil brugeren bekræfter via WebSocket-kontrolfladen.
Skills udvider modellen ved at pakke relaterede værktøjer med dokumentation i distribuerbare bundles, ofte hentet fra et community-registry kaldet ClawHub. Systemet beskærer dynamisk tool-skemaer i konteksten baseret på samtalens emne, så agenten ikke bruger tokens på at præsentere irrelevante kapabiliteter.
Context window-håndtering: dynamisk komprimering
I stedet for naivt at tilføje al historik, indtil modellens grænse rammes, implementerer OpenClaw sofistikeret context engineering. Når token-trykket nærmer sig modellens kapacitet — dynamisk aflæst fra den tilsluttede providers specifikationer — udløses session compaction.
Processen opsummerer de ældste samtaletrin, mens den bevarer semantisk mening og den strukturelle integritet af tool call-resultatpar. For lange samtaler offloades historiske detaljer gradvist til daglige logfiler, mens kun de seneste trin forbliver i det aktive context window.
Sessioner nulstilles automatisk ved konfigurerbare grænser — typisk kl. 04:00 UTC — hvilket lukker dagens log og starter et nyt context window. Kombinationen af komprimering, offloading og periodisk reset muliggør i praksis ubegrænset samtalelængde inden for faste context windows.
Browserautomatisering: semantisk DOM-forståelse
OpenClaw undgår dyr vision-baseret browserstyring ved at udtrække semantiske snapshots af websider. Browser-værktøjet parser den levende DOM til en struktureret tekstrepræsentation, hvor interaktive elementer bliver tokens som [btn:Submit] for knapper eller [input:email] for formularfelter.
Denne tilgang bruger ca. 500 tokens pr. side, sammenlignet med tusindvis for vision-baseret analyse. Det muliggør hurtig inferens uden multimodale modeller. Når højere fidelitet kræves for komplekse UI’er, kan et vision snapshot-mode falde tilbage til fuldsidescreenshots analyseret af multimodale modeller — men det forbliver opt-in grundet den 10-50x højere token-omkostning.
Workspace-strukturen: én kilde til sandhed
Agentens workspace — typisk ~/.openclaw/workspace — er den komplette tilstandsrepræsentation af systemet:
- AGENTS.md — driftsinstruktioner, altid indlæst i kontekst
- SOUL.md — personlighed og kerneoverbevisninger
- MEMORY.md — destilleret langtidsviden
- memory/ — tidsstemplede daglige logfiler (episodisk hukommelse)
- skills/ — eksekverbare kapabiliteter og deres dokumentation
Ingen skjult tilstand eksisterer uden for dette mappetræ. Genstart af agenten mister intet, fordi al tilstand persisterer i menneskelæsbare filer. Det muliggør trivielle backups, versionsstyring, manuel hukommelsesredigering og fuld gennemsigtighed i, hvad agenten “ved” på ethvert tidspunkt.
Fem designprincipper bag det hele
- Streng adskillelse af ansvar — routing, intelligens og kapabiliteter er isolerede lag, der udvikler sig uafhængigt.
- Filsystem først — al tilstand lever i redigerbare, inspicerbare filer frem for uigennemsigtige databaser.
- Minimal abstraktion — systemet undgår komplekse orkestreringsengines til fordel for en simpel persistent løkke.
- Forsvar i dybden — sessionsisolering, valgfri sandboxing og menneskelig godkendelse lagrer sikkerhed uden at kompromittere brugervenlighed.
- Kompositionel udvidbarhed — nye kapabiliteter ankommer via skill bundles frem for kernemodifikationer, hvilket bevarer opgraderingsstier.
Resultatet er en arkitektur, der er sofistikeret nok til autonom værktøjsbrug i den virkelige verden, men simpel nok til at køre uovervåget 24/7 på forbrugerhardware — alt imens brugeren bevarer fuld suverænitet over data og adfærd.
